BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20250310T140733Z LAST-MODIFIED:20250310T140733Z DTSTAMP:20260521T042943Z UID:1779326983@tuc.gr SUMMARY:Παρουσίαση Διδακτορικής Διατριβής κ. Γυπαράκη Στυλιανού - Σχολή ΧΗΜΗΠΕΡ LOCATION:Κ2 - Κτίριο ΧΗΜΗΠΕΡ, Κ2.Α.7 DESCRIPTION:https://www.chenveng.tuc.gr/el/nea/i merologio-paroysiaseon?tx_tucevents2 _tuceventsdisplay%5Baction%5D=show&t x_tucevents2_tuceventsdisplay%5Bcont roller%5D=Event&tx_tucevents2_tuceve ntsdisplay%5Bevent%5D=7593&cHash=90f 1a6aaa9bade298a3a9a20ff700128\nΌνομα τεπώνυμο Υποψήφιου ΔΙδάκτορα: ΓΥΠΑΡΑ ΚΗΣ ΣΤΥΛΙΑΝΟΣ\n Α.Μ.: 2017057469\n Η μερομηνία Παρουσίασης: ΠΕΜΠΤΗ 20/03/ 2025\n Ώρα: 14:00\n Αίθουσα: Αίθουσα συνεδριάσεων Σχολής ΧΗΜΗΠΕΡ Κ2.A7 κ αι διαδικτυακά:\n Time: Mar 20, 2025 01:30 PM Athens\n Join Zoom Meeting \n https://tuc-gr.zoom.us/j/99902900 265?pwd=kPdY8xivU0HebyzZMcS9fbB2uIgP xh.1\n Meeting ID: 999 0290 0265\n P assword: 127992\n  \n Θέμα Δ.Δ «ΜΟΝΤ ΕΛΟΠΟΙΗΣΗ ΤΗΣ ΛΕΙΤΟΥΡΓΙΑΣ ΜΙΑΣ ΕΓΚΑΤ ΑΣΤΑΣΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΝΕΡΟΥ»\n Title PhD «MODELLING OF A WATER TREATMENT PLANT OPERATION »\n \n Επιβλέπων: Ομ . Καθ. Ευάγγελος Διαμαντόπουλος, Σχο λή ΧΗΜΗΠΕΡ, Πολυτεχνείο Κρήτης\n Επτ αμελής Εξεταστική Επιτροπή:\n 1.     Ομ. Καθ. Ευάγγελος Διαμαντόπουλος, Σ χολή ΧΗΜΗΠΕΡ, Πολυτεχνείο Κρήτης,\n 2.    Καθ. Γεώργιος Καρατζάς, Σχολή ΧΗΜΗΠΕΡ, Πολυτεχνείο Κρήτης,\n 3.    Αναπλ. Καθ. Τρύφων Δάρας, Σχολή ΧΗΜ ΗΠΕΡ, Πολυτεχνείο Κρήτης,\n 4.    Αν απλ. Καθ. Γεώργιος Αραμπατζής, Σχολή ΜΠΔ, Πολυτεχνείο Κρήτης,\n 5.    Επ ίκ. Καθ. Εμμανουήλ Βαρουχάκης, Σχολή ΜΗΧΟΠ, Πολυτεχνείο Κρήτης,\n 6.     Αναπλ. Καθ. Αθανάσιος Στασινάκης, Τμ ήμα Περιβάλλοντος, Πανεπιστήμιο Αιγα ίου,\n 7.    Δρ. Ιωάννης Τριχάκης, S cience for Policy Researcher, Europe an Commission, Joint Research Centre , Ispra, Italy\n Περίληψη:\n (Ελληνι κά)\n H παρακολούθηση των κύριων λει τουργικών μεταβλητών μιας ΕΕΝ και τω ν μεταβλητών ποιότητας του νερού είν αι κρίσιμο ζήτημα για όλους τους λει τουργούς εγκαταστάσεων επεξεργασίας νερού (ΕΕΝ) για την παραγωγή πόσιμου (ανθρώπινης κατανάλωσης) νερού. Οι λειτουργοί των ΕΕΝ αναζητούν συχνά μ ια γρήγορη, εύχρηστη και αξιόπιστη μ έθοδο για την πρόβλεψη των ημερήσιων δόσεων των χρησιμοποιούμενων χημικώ ν επεξεργασίας του νερού, που είναι το κύριο και καθημερινό μέλημά τους. \n Η παρούσα Διδακτορική Διατριβή επ ικεντρώνεται στη μοντελοποίηση της λ ειτουργίας μιας ΕΕΝ με χρήση Τεχνητώ ν Νευρωνικών Δικτύων (ΤΝΔ) και ανάλυ σης Πολλαπλής Γραμμικής Παλινδρόμηση ς (Multiple Linear Regression, MLR), τη συσχέτιση των ποιοτικών χαρακτηρ ιστικών του νερού με τις κύριες λειτ ουργικές μεταβλητές μιας ΕΕΝ, την αλ ληλεπίδραση των παραπάνω μεταβλητών μεταξύ τους, και κυρίως την πρόβλεψη των δόσεων των απαραίτητων χημικών επεξεργασίας του νερού. Η σημασία κα ι η καινοτομία αυτής της μελέτης έγκ ειται στο γεγονός ότι λαμβάνει υπόψη τη μακρόχρονη εμπειρία του λειτουργ ού μιας ΕΕΝ, πράγμα που σε μεγάλο βα θμό απουσίαζε από την υπάρχουσα βιβλ ιογραφία.\n Στην παρούσα ΔΔ, η εξετα ζόμενη μελέτη περίπτωσης προέρχεται από την ΕΕΝ Αποσελέμη, κατά την οποί α πραγματοποιείται μια πρόβλεψη των μεταβλητών εξόδου μοντέλων ΤΝΔ και M LR, αναφορικά με τις απαιτούμενες δό σεις χημικών επεξεργασίας του νερού, με βάση την ποιότητα του νερού που παρατηρήθηκε και άλλες λειτουργικές μεταβλητές. Οι εκτιμώμενες κύριες λε ιτουργικές μεταβλητές της ΕΕΝ περιλα μβάνουν: τις δόσεις υπολειμματικού ό ζοντος (O3), ανιονικού πολυηλεκτρολύ τη (ANPE), χλωριούχου θειικού πολυ- αργιλίου (PACl) και αερίου χλωρίου ( Cl2(g)). Ως παράμετροι εισόδου για τ ο ΤΝΔ χρησιμοποιήθηκαν ημερήσια αποτ ελέσματα αναλύσεων δειγμάτων νερού κ αι καταγραφές από το Supervisory Con trol and Data Acquisition System (SC ADA) της ΕΕΝ, που καλύπτουν περίοδο 38 μηνών (1.188 τιμές για καθεμία απ ό τις 14 μετρήσιμες μεταβλητές). Συγ κεκριμένα, οι παράμετροι εισόδου του ΤΝΔ περιλαμβάνουν: την παροχή ακατέ ργαστου νερού (Q), τη θολότητα ακατέ ργαστου νερού (T1), τη θολότητα επεξ εργασμένου νερού (T2), το υπολειμματ ικό ελεύθερο χλώριο επεξεργασμένου ν ερού (Cl2), τη συγκέντρωση υπολειμμα τικού αργιλίου επεξεργασμένου νερού (Al), τη θολότητα του νερού στην είσ οδο των κλινών διήθησης (T3), την ημ ερήσια διαφορά ύψους νερού στον ταμι ευτήρα του φράγματος Αποσελέμη (ΔH), την τιμή pH ακατέργαστου νερού (pH1 ), την τιμή pH επεξεργασμένου νερού (pH2) και την ημερήσια κατανάλωση τη ς ηλεκτρικής ενέργειας (El) στην ΕΕΝ Αποσελέμη. Οι παράμετροι εξόδου του ΤΝΔ ήταν: η συγκέντρωση του υπολειμ ματικού όζοντος (Ο3) μετά τη διεργασ ία της οζόνωσης, η δόση του ανιονικο ύ πολυηλεκτρολύτη (ANPE), η δόση του χλωριούχου θειικού πολυ- αργιλίου ( PACl) και η παροχή αερίου χλωρίου (C l2(g)).\n Συνολικά δοκιμάστηκαν 304 διαφορετικά μοντέλα ΤΝΔ και με βάση την καλύτερη τιμή του δείκτη της από δοσης της δοκιμής (test performance, tperf) των ΤΝΔ, επιλέχθηκε τελικά τ ο σενάριο με 100 νευρωνικά δίκτυα, 1 00 κόμβους, 42 κρυφούς κόμβους, 10 ε ισόδους και 4 εξόδους. Το συγκεκριμέ νο μοντέλο ΤΝΔ πέτυχε πολύ καλά αποτ ελέσματα προσομοίωσης (best tper = 0 .008848), γεγονός που υποδηλώνει ότι τα ΤΝΔ είναι δυνητικά χρήσιμα εργαλ εία για την πρόβλεψη των κύριων λειτ ουργικών μεταβλητών μιας ΕΕΝ.\n Επίσ ης, εξετάστηκαν 4 διαφορετικά σενάρι α με Ανάλυση Πολλαπλής Γραμμικής Παλ ινδρόμησης (MLR) με εξαρτημένες μετα βλητές: το υπολειμματικό όζον (Ο3), τη δόση ανιονικού πολυηλεκτρολύτη (A NPE), τη δόση του θειικού χλωριούχου πολυ-Αργιλίου (PACl) και την παροχή του αερίου χλωρίου (Cl2(g)), καθώς και δέκα (10) ανεξάρτητες μεταβλητές λειτουργίας και ποιότητας νερού. \n Σύμφωνα με τα αποτελέσματα του R2 ( Coefficient of Determination) και R (Pearson Correlation Coefficient), τ ο μοντέλο ΤΝΔ είχε καλύτερη απόδοση σε σύγκριση με το μοντέλο ανάλυσης M LR για την πρόβλεψη των δόσεων των χ ημικών και των τεσσάρων χημικών επεξ εργασίας του νερού. Με βάση το κριτή ριο R²> 0,5, η απόδοση του ΤΝΔ ήτ αν ικανοποιητική στην πρόβλεψη των δ όσεων τριών χημικών επεξεργασίας του νερού: ANPE (R2= 0,772), PACl (R2= 0,742) και Cl2(g) (R2= 0,838, +23% σ ε σύγκριση με αντίστοιχη τιμή του ML R μοντέλου και R= 0,95, +11% σε σύγκ ριση με αντίστοιχη τιμή του MLR μοντ έλου). Αντίστοιχα, η πρόβλεψη του μο ντέλου MLR, αξιολογήθηκε ως ικανοποι ητική για την πρόβλεψη της δόσης μόν ο του Cl2(g) (R2= 0,681, R= 0,82500) .\n Σύμφωνα με τα αποτελέσματα του R MSE, το μοντέλο MLR είχε καλύτερη απ όδοση για τα τρία (RMSEANPE= 0.05 mg /L, RMSEPACl= 0.08 mg/L και RMSECl2( g)= 0.10 kg/h) από τα τέσσερα χρησιμ οποιημένα χημικά επεξεργασίας του νε ρού, σε σύγκριση με το μοντέλο ΤΝΔ, το οποίο είχε καλύτερη απόδοση μόνο για ένα χημικό επεξεργασίας του νερο ύ (RMSEO3= 0.02 mg/L).\n Γενικά, εάν κάποιος θέλει να χρησιμοποιήσει τα σενάρια και τα μοντέλα πρόβλεψης (ΤΝ Δ ή MLR) για να προβλέψει τις δόσεις Cl2(g), τότε είναι προτιμότερο να χ ρησιμοποιήσει αυτό με το μικρότερο R MSE. Εάν ενδιαφέρεται κάποιος να έχε ι μια μελλοντική πρόβλεψη δόσεων χημ ικών επεξεργασίας του νερού με μοντέ λο πρόβλεψης με την καλύτερη προσαρμ ογή, τότε είναι προτιμότερο να χρησι μοποιηθεί αυτό το μοντέλο με την μεγ αλύτερη τιμή του R2. Επίσης, η μεταβ λητή δόσης του όζοντος (Ο3) παρουσία σε χαμηλές τιμές του R2, σε όλες τις περιπτώσεις, πιθανώς λόγω της μεγάλ ης διακύμανσης των τιμών του.\n Αυτή η ΔΔ ενισχύει περαιτέρω την άποψη ό τι τα ΤΝΔ είναι χρήσιμα εργαλεία υπο στήριξης λήψης αποφάσεων για έναν λε ιτουργό μιας ΕΕΝ πόσιμου νερού, τα ο ποία δύναται να μιμηθούν με μεγάλη α κρίβεια και επαρκώς τις αποφάσεις σχ ετικά με τις χρησιμοποιούμενες δόσει ς των χημικών επεξεργασίας του νερού , που είναι το κύριο και καθημερινό μέλημα του λειτουργού μια τέτοιου εί δους εγκατάστασης.\n Συνιστάται η εκ πόνηση αντίστοιχων μελλοντικών ερευν ών, για την περαιτέρω αύξηση της γνώ σης σχετικά με την πρόβλεψη των χημι κών επεξεργασίας του νερού, χρησιμοπ οιώντας μοντέλα, όπως τα ΤΝΔ, ως ακρ ιβή μοντέλα πρόβλεψης αλλά και μοντέ λα ανάλυσης MLR, ως ευέλικτα, γρήγορ α και αξιόπιστα μοντέλα πρόβλεψης. Σ υγκεκριμένα, περαιτέρω έρευνα θα μπο ρούσε να διεξαχθεί στην πρόβλεψη των χημικών επεξεργασίας του νερού σε μ ια ΕΕΝ, χρησιμοποιώντας ΤΝΔ με μικρό τερο αριθμό μεταβλητών για εξασφάλισ η μεγαλύτερης ευελιξίας, χωρίς να με ιώνεται, ωστόσο, ουσιαστικά η αξιοπι στία του μοντέλου πρόβλεψης. \n Επίσ ης, προτείνεται να καταβληθεί ακόμη μεγαλύτερη προσπάθεια για την καθιέρ ωση των ΤΝΔ ως μοντέλων πρόβλεψης στ ον τομέα του νερού και στην καθημερι νή λειτουργία των ΕΕΝ. Επιπρόσθετα, οι μελλοντικές έρευνες θα μπορούσαν να περιλαμβάνουν τη διερεύνηση της χ ρήσης και άλλων κριτηρίων σύγκρισης, όπως το MAE (Mean Absolute Error, μ έσο απόλυτο σφάλμα), το MAPE (Mean A bsolute Percentage Error, μέσο απόλυ το ποσοστό σφάλματος) ή τον δείκτη α πόδοσης NSE (Nash- Sutcliffe). Επιπλ έον, προτείνεται η διεξαγωγή αναλύσε ων ευαισθησίας και αβεβαιότητας στις μεταβλητές με τη μεγαλύτερη επιρροή , οι οποίες θα μπορούσαν να βελτιώσο υν περαιτέρω τη διαδικασία μοντελοπο ίησης. Τέλος, δεδομένου ότι ο κύριος περιορισμός της τρέχουσας ΔΔ είναι ότι τα μοντέλα έχουν εκπαιδευτεί με δεδομένα από μία μόνο ΕΕΝ, προτείνετ αι ως μελλοντική εργασία την συμπερί ληψη δεδομένων από περισσότερες αντί στοιχες ΕΕΝ, προκειμένου να αυξηθεί η στιβαρότητα των μοντέλων και η καθ ολική εφαρμογή τους.\n \n Abstract:\ n (Αγγλικά)\n The monitoring of the main operational variables and water quality characteristics of a Water Treatment Plan (WTP) is a critical i ssue for all WTP operators, for the production of human consumption (dri nking) water. WTP operators often se ek a quick, reliable and easy-to- us e method for predicting the dosages of the water treatment chemicals use d, which is their main daily concern .\n This PhD thesis focuses on the m odeling of a WTP operation, using AN N and MLR analysis models. Also, exa mines the water quality characterist ics and the main WTP operational var iables correlation, their interactio n and mainly focuses on the predicti on of the necessary water treatment chemicals dosages in a WTP. The inno vation of this study lies in the fac t that it takes into account the ext ended experience of a WTP operator.\ n In this Thesis, the studied case s tudy comes from the Aposelemis WTP, in which a prediction of the output variables of the ANN and MLR models is made, regarding the required dosa ges of the water treatment chemicals , based on the observed water qualit y and other operational variables. T he estimated main operational variab les of the WTP include: the dosages of residual ozone (O3), anionic poly electrolyte (ANPE), polyaluminum chl oride sulfate (PACl) and chlorine ga s (Cl2(g)). Daily water sample analy sis results and recordings from the WTP SCADA, covering a period of 38 m onths (1,188 values for each of the 14 measurable variables), were used as input parameters for the ANN mode lling. Specifically, the input param eters of the ANN model include: the raw water flow (Q), the raw water tu rbidity (T1), the treated water turb idity (T2), the residual free chlori ne of the treated water (Cl2), the r esidual aluminum concentration of th e treated water (Al), the water turb idity at the inlet of the filtration beds (T3), the daily water height d ifference in the reservoir of the Ap oselemis dam (ΔH), the raw water pH value (pH1), the treated water pH va lue (pH2) and the daily electricity consumption (El) at the Aposelemis W TP. The output parameters of the ANN include: the concentration of resid ual ozone (O3) after the ozonation p rocess, the dosage of anionic polyel ectrolyte (ANPE), the dosage of poly aluminum chloride sulfate (PACl) and the supply of chlorine gas (Cl2(g)) .\n A total of 304 different ANN mod els were constructed and based on th e best value of the test performance index (tperf) of them, the scenario with 100 neural networks, 100 nodes , 42 hidden nodes, 10 inputs and 4 o utputs was finally selected. This AN N model achieved very good simulatio n results, which suggests that ANNs are potentially useful tools for pre dicting the main WTP operational var iables.\n Also, four (4) different s cenarios were examined using Multipl e Linear Regression Analysis (MLR) w ith dependent variables: the residua l ozone (O3), anionic polyelectrolyt e dosage (ANPE), poly-Aluminum chlor ide sulfate (PACl) dosage and chlori ne gas flow (Cl2(g)), as well as wer e used ten (10) independent operatio nal and water quality variables.\n A ccording to the results of R2 and R, the ANN model had a better performa nce compared to the MLR analysis mod el for predicting the dosages of the used water treatment chemicals. Bas ed on the criterion R²> 0.5, the ANN performance was satisfactory in predicting the dosages of the three water treatment chemicals: ANPE (R2= 0.772), PACl (R2= 0.742) and Cl2(g) (R2= 0.838, +23% compared to the co rresponding value of the MLR model a nd R= 0.95, +11% compared to the cor responding value of the MLR model). Accordingly, the prediction of the M LR model was evaluated as satisfacto ry for predicting the dosage of Cl2( g) only (R2= 0.681, R= 0.82500).\n A ccording to the RMSE results, the ML R model performed better for three ( RMSEANPE= 0.05 mg/L, RMSEPACl= 0.08 mg/L and RMSECl2(g)= 0.10 kg/h) of t he four dependant variables (drinkin g water added chemicals), than the A NN model, which performed better for only one water treatment chemical ( RMSEO3= 0.02 mg/L).\n In general, if someone wants to use the scenarios and prediction models (ANN or MLR) t o predict Cl2(g) dosages, then it is preferable to use the one with the smallest RMSE. If one is interested in having a future prediction of wat er treatment chemical dosages with a prediction model with the best fit, then it is preferable to use the mo del with the largest R2 value. Also, the ozone dosage variable (O3) pres ented low R2 values, in all cases, p robably due to the large variation o f its values.\n This study further r einforces the point of view that ANN s are useful decision support tools for a WTP operator, which can simula te with great accuracy and adequacy the decisions regarding the dosages of the water treatment chemicals use d, which is the main and daily conce rn of the operator of such a facilit y.\n It is recommended future resear ch to be conducted to further increa se knowledge on the prediction of wa ter treatment chemicals, using model s such as ANNs, as accurate predicti on models, and MLR analysis models a s flexible, fast and reliable predic tion models. In particular, further research could be conducted on the p rediction of chemicals used in a WTP , using ANNs with a smaller number o f variables to ensure greater flexib ility, without, however, substantial ly reducing the reliability of the p rediction model.\n This will enable to establish ANNs as forecasting mod els in the water sector and in the d aily operation of the WTPs. In addit ion, future research could include i nvestigating the use of other compar ison criteria, such as MAE (Mean Abs olute Error), MAPE (Mean Absolute Pe rcentage Error) or the NSE (Nash-Sut cliffe) performance index. Furthermo re, it is suggested to conduct sensi tivity and uncertainty analyses on t he most influential variables, which could further improve the modeling process. Finally, since the main lim itation of the current study is that the models have been trained with d ata from a single WTP, it is suggest ed as future work to include data fr om more corresponding WTPs, in order to increase the robustness of the m odels and their universal applicabil ity.\n  \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20250320T140000 DTEND:20250320T160000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR