1. Αποθετήριο Παραδοτέων Υποτρόφων Δράσεων ΕΣΠΑ Τριτοβάθμιας Εκπαίδευσης 2017-2023
2. Όλο το Αποθετήριο
3. Ερευνητικές ομάδες

Τύπος:	Πρακτικά συνεδρίου
Τίτλος:	Deep learning modeling of groundwater pollution sources
Συγγραφέας:	[EL] Κοντός, Γιάννης[EN] Kontos, Yiannis [EL] Κάσσανδρος, Θεοδόσης[EN] Kassandros, Theodosios [EL] Κατσιφαράκης, Κωνσταντίνος[EN] Katsifarakis, Konstantinos [EL] Καρατζάς, Κώστας[EN] Karatzas, Kostas
Ημερομηνία:	01/07/2021
Περίληψη:	This research aims at optimizing the monitoring network used to consistently identify pollution’s origin in the pollution source identification problem in groundwater hydraulics under real-time/operational applications. For this task, Machine Learning (ML) and Deep Learning (DL) methods are introduced, which can outperform metaheuristics, such as Genetic Algorithms (GAs), in terms of total computational load. To test the approach, a theoretical aquifer with two pumping wells is studied, where one of six possible pollution sources may spread a conservative pollutant. An existing own software simulates a 2D surrogate steady state flow field, using particle tracking to simulate advective mass transport only. A large number of combinations of possible source locations (4 different layout scenarios), hydraulic gradients and pumping wells’ flow-rates is used to calculate various features (such as pollutant arrival times, hydraulic drawdowns) in a 29 × 29 grid. Three ML/DL methods (Random Forests, Multi-Layer Perceptron, Convolutional Neural Networks) are tested for prediction accuracy, while Correlation based Feature Selection (CFS), and targeted tests are used to select subsets/sampling frequencies that can provide similar accuracy with the full datasets. This evaluation process bears promising results and paves the way for monitoring network optimization.
Γλώσσα:	Αγγλικά
Σελίδες:	13
DOI:	10.1007/978-3-030-80568-5_14
ISBN:	978-3-030-80567-8
Θεματική κατηγορία:	[EL] Περιβαλλοντική μηχανική[EN] Environmental Engineering [EL] Διεπιστημονικές εφαρμογές επιστήμης ηλεκτρονικών υπολογιστών[EN] Computer Science Interdisciplinary Applications [EL] Τεχνητή νοημοσύνη[EN] Artificial Intelligence [EL]  Επιστήμη και Τεχνολογία υδάτων[EN] Water Science and Technology [EL] Υδάτινοι πόροι[EN] Water Resources
Λέξεις-κλειδιά:	machine learning; Μηχανική μάθηση; source identification; εύρεση πηγής ρύπανσης; monitoring network; δίκτυο παρακολούθησης; artificial intelligence; τεχνητή νοημοσύνη; deep learning; βαθιά μάθηση; groundwater resources; υπόγειοι υδατικοί πόροι; Optimization; βελτιστοποίηση; Network Optimization; Βελτιστοποίηση δικτύων
Κάτοχος πνευματικών δικαιωμάτων:	© The Author(s), under exclusive license to Springer Nature Switzerland AG 2021
Ηλεκτρονική διεύθυνση του τεκμηρίου στον εκδότη:	https://link.springer.com/chapter/10.1007/978-3-030-80568-5_14
Ηλεκτρονική διεύθυνση περιοδικού:	https://www.springer.com/series/16268
Τίτλος πηγής δημοσίευσης:	Proceedings of the 22nd Engineering Applications of Neural Networks Conference. EANN 2021. Proceedings of the International Neural Networks Society
Τόμος:	3
Σελίδες τεκμηρίου (στην πηγή):	165-177
Σειρά δημοσίευσης:	Proceedings of the International Neural Networks Society
Όνομα εκδήλωσης:	22nd Engineering Applications of Neural Networks Conference (EANN 2021), 25-27 June, 2021,
Τοποθεσία εκδήλωσης:	Porto Carras Grand Resort, Halkidiki, Greece
Ημ/νία έναρξης εκδήλωσης:	25/06/2021
Ημ/νία λήξης εκδήλωσης:	27/06/2021
Σημειώσεις:	This research is co-financed by Greece and the European Union (European Social Fund- ESF) through the Operational Programme «Human Re-sources Development, Education and Lifelong Learning 2014-20» in the context of the project “Evolution of Computational Intelligence in Environmental Engineering-Generalization, Improvement, Optimal Combination of Methodologies in Air Quality & Water Resources Problems” (MIS 5052163).
Εμφανίζεται στις συλλογές:	Ερευνητικές ομάδες