Chulalongkorn University Theses and Dissertations (Chula ETD)

การพยากรณ์ระดับน้ำในแม่น้ำเจ้าพระยาภายใต้อิทธิพลของระดับน้ำขึ้นน้ำลง โดยใช้โครงข่ายใยประสาทเทียม

Other Title (Parallel Title in Other Language of ETD)

Forecasting of water level in Chao Phraya River under tidal influence using artificial neural network

Year (A.D.)

2003

Document Type

Thesis

First Advisor

ทวนทัน กิจไพศาลสกุล

Faculty/College

Faculty of Engineering (คณะวิศวกรรมศาสตร์)

Degree Name

วิศวกรรมศาสตรมหาบัณฑิต

Degree Level

ปริญญาโท

Degree Discipline

วิศวกรรมแหล่งน้ำ

DOI

10.58837/CHULA.THE.2003.1221

Abstract

การพยากรณ์ค่าระดับน้ำรายชั่วโมงภายในแม่น้ำและบริเวณปากแม่น้ำเป็นมาตรการทางวิศวกรรมที่ไม่ใช้โครงสร้างที่สำคัญ วิธีหนึ่ง ซึ่งมีบทบาทสำคัญต่อการวางแผนและบริหารกิจกรรมต่าง ๆ เช่น ระบบเตือนภัยน้ำท่วม การบรรเทาน้ำท่วม การระบายน้ำ และการเดินเรือ แบบจำลองโครงข่ายใยประสาทเทียม (Artificial Neural Network : ANN) ชนิดปรับแก้ค่าย้อนหลังถูกใช้ในการพยากรณ์ระดับน้ำรายชั่วโมงที่สถานีปากเกร็ด สถานีสามเสน สถานีป้อมพระจุล และสถานีสันดอนกรุงเทพ ล่วงหน้า 1, 3, 6, 12, 24 ชั่วโมง 2, 3, 5 และ 7 วัน รวม 9 ค่าตัวแปรเข้าของแบบจำลองคือ ค่าระดับน้ำสังเกตรายชั่วโมงที่สถานีบางไทรซึ่งเป็นตัวแทนของน้ำหลากจากทางด้านเหนือ ค่าระดับน้ำสังเกตรายชั่วโมงที่สถานีใกล้เคียงและความลึกฝนเป็นตัวแทนของฝนที่ตกในพื้นที่ และค่าระดับน้ำสังเกตรายชั่วโมงที่สถานีสันดอนกรุงเทพซึ่งเป็นตัวแทนของระดับนำทะเล การศึกษาพบว่า 1. โครงสร้างที่เหมาะสมของแบบจำลองสำหรับสถานีปากเกร็ด คือ 139-139-9 ค่าโมเมนตัม = 0.8 และอัตราการเรียนรู้ = 0.01 2. โครงสร้างที่เหมาะสมของแบบจำลองสำหรับสถานีสามเสน ป้อมพระจุล และสันดอนกรุงเทพ คือ 126-126-9 ค่าโมเมนตัม = 0.8 และอัตราการเรียนรู้ = 0.01 3. ตัวแปรเช้าสู่แบบจำลองเป็นปัจจัยหลักที่มีผลต่อความถูกต้องในการพยากรณ์มากที่สุด 4. เมื่อเปรียบเทียบผลการพยากรณ์ค่าระดับน้ำรายชั่วโมง พบว่า สำหรับสถานีปากเกร็ดและสถานีสามเสน แบบจำลอง ANN ให้ผลดีกว่าแบบจำลองฮาร์โมนิก 10 % แต่สำหรับสถานีป้อมพระจุลและสถานีสันดอนกรุงเทพ แบบจำลองฮาร์โมนิก ให้ผลดีกว่าแบบจำลอง ANN 10-25 %

Other Abstract (Other language abstract of ETD)

Hourly water levels forecasting in coastal rivers and estuaries is an essential nonstructural measure for flood warning, water management system and cargo ship navigation. Artificial Neural Network Model (ANN) known as Back-Propagation algorithm was presented for forecasting hourly water levels in the Chao Phraya River at Pakkret, Samsen, Fort Chula and Bangkok Bar, for 1, 3, 6, 12, 24 hours, 2, 3, 5 and 7 days. Input nodes in the model were hourly observed water levels at Bangsai representing the upstream inflow, observed water levels at adjacent stations, rainfall depths representing the local rainfall, and hourly observed water levels at Bangkok Bar representing the downstream tidal levels. The study showed that : 1. The effective structure of ANN for Pakkret was 139-139-9, momentum rate = 0.8 and learning rate = 0.01. 2. The effective structure of ANN for Samsen, Fort Chula and Bangkok Bar was similarly 126-126-9, momentum rate = 0.8 and learning rate = 0.01. 3. Input parameters were the most effective factors on the accuracy of the forecasting results. 4. The comparison of ANN model with Harmonic model showed that for Pakkret and Samsen, ANN model yielded better results about 10 % and for Fort Chula and Bangkok Bar Station, Harmonic model yielded better results about 10-25 %.

Link to Full Text

Share

COinS