請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/29484完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 張斐章 | |
| dc.contributor.author | Wong-Shuo Lee | en |
| dc.contributor.author | 李翁碩 | zh_TW |
| dc.date.accessioned | 2021-06-13T01:08:17Z | - |
| dc.date.available | 2007-07-27 | |
| dc.date.copyright | 2007-07-27 | |
| dc.date.issued | 2007 | |
| dc.date.submitted | 2007-07-23 | |
| dc.identifier.citation | 第七章 參考文獻
1. 中華顧問工程司，2006，防洪抽水站即時監控及操作指引系統建制之研究(二)報告書。 2. 王如意、潘宗毅、宋文元，2004，遞迴式類神經網路之系統辨識及其於降雨-逕流模擬之研究，台灣水利，52(4): 1-14。 3. 江俊生、王如意，2001，都會區降雨-逕流模式之研究及其應用於抽水站水位之即時預報，國立台灣大學農業工程學研究所碩士論文。 4. 江衍銘，2002，二時刻動態回饋式類神經網路於流量預報，國立台灣大學生物環境系統工程學系碩士論文。 5. 吳青俊，2001，類神經日流量即時預報模式之建立，逢甲大學土木及水利工程所碩士論文。 6. 東芝公司，2006，中港抽水站研究報告。 7. 林采蓁，1999，以地理資訊系統輔助雨水下水道之最適設計，國立台灣大學環境工程研究所碩士論文。 8. 林信吉、呂振森，2003，群化最小均方誤差多使用者偵測器之效能改善，國立台北大學電機工程學研究所碩士論文。 9. 林國峰，2004，應用全面監督式訓練法則所建立之輻狀基底網路於洪水流量預測，水資源管理2004研討會，6:23-24。 10. 邱建堯，2004，結合GA與CG優選最佳倒傳遞類神經網路應用在雨水下水道水位預報，國立臺灣大學生物環境系統工程學研究所碩士論文。 11. 孫建平，1996，類神經網路及其應用於降雨及逕流過程之研究，國立台灣大學生物環境系統工程學系碩士論文。 12. 康志偉、呂振森，2002，群化最小均方誤差多使用者偵測器，國立台北大學電機工程學研究所碩士論文。 13. 張文綺，1996，下水道系統溢流風險分析之研究，國立台灣大學生物環境系統工程學系碩士論文 14. 張斐章、胡湘帆、黃源義，1998，反傳遞模糊類神經網路於流量推估之應用，中國農工學報，44(2)：26-38。 15. 張斐章、孫建平，1997，類神經網路及其應用於降雨-逕流過程之研究，中國農工學報，43(1)：9-25。 16. 張斐章、張雅婷、張麗秋，2004，結合人工智慧與專家知識之智慧型水庫操作系統，中國農工學報，50(4)：14-27。 17. 張斐章、張麗秋，2005，類神經網路，台灣東華書局。 18. 張麗秋，2001，智慧型演算之類神經網路於水文系統，國立台灣大學農業工程學系博士論文。 19. 梁晉銘、張斐章、陳彥璋，2000，複合演算類神經-模糊推論模式應用於洪水預報，中華水土保持學報，31(3)：183-191。 20. 郭振泰、王如意、林國峰、許銘熙、楊德良、顏清連，1989，臺北市雨水下水道規劃手冊，國立台灣大學水工試驗所研究報告第93號。 21. 陳宣宏，2002，漫地流與雨水下水道水流之交互動態模擬，國立臺灣大學生物環境系統工程學研究所博士論文。 22. 陳昶憲，1985，雨水下水道滿管流之研究，國立臺灣大學土木工程學研究所碩士論文。 23. 陳昶憲、黃尹龍、吳青俊、蔡曜隆，2001，應用倒傳遞與反傳遞類神經網路於洪流量預測之比較，台灣水利，49(3):65。 24. 黃寄萍，1984，間斷微分動態規劃應用於雨水下水道及抽水站系統之優選設計，國立臺灣大學土木工程學研究所碩士論文。 25. 經濟部水利署網站(http://www.wra.gov.tw) 26. 蔡亞欣、邱昱禎、張麗秋、張斐章，2005，蘭陽溪 — 水文防洪預報模式之建置, 農業工程研討會。 27. 簡錤彪、廖朝軒，2003，台北市防洪抽水站現況評比與聯合運轉可行性之探討，國立海洋大學河海工程學系碩士論文。 28. Atiya, A.F, S. M. El-Shoura, S. I. Shaheen and M. S. EL-Sherif (1999), A comparison between neural-network forecasting techniques – Case study: River flow forecasting. IEEE Transactions on Neural Networks, 10(2):402-409 29. Chang F. J., Chen L. and Chang L. C. (2005), Optimising the reservoir operation rule curves by genetic algorithms. Hydrological Processes, 19: 2277–2289 30. Chang, F. J. and Hwang, Y.Y. (1999), A self-organization algorithm for real-time flood forecast. Hydrological Processes, 13(2): 123-138. 31. Chang, F. J. and Y. T. Chang, (2006), Adaptive neuro-fuzzy inference system for prediction of water level in reservoir. Advance in Water Resources, 29: 1-10 32. Chang, F. J., Chang, L. C. and Huang, H. L. (2002), Real time recurrent learning neural network for streamflow forecasting, Hydrological Processes, 16: 2577-2588. 33. Chang, L. C. and Chang, F. J. (2001), Intelligent control for modelling of real-time reservoir operation. Hydrological Processes, 15(9): 1621-1634. 34. Chang, L. C., Chang, F. J. and Chiang Y.M. (2004), A two-step ahead recurrent neural network for streamflow forecasting, Hydrological Processes, 18: 81-92. 35. Chen S. H., Chang L. C. and Chang F. J. (2006), The Strategy of Building a Flood Forecast Model by Neuro-Fuzzy Nework. Hydrological Processes ,19: 1431-1444 36. French, M. N., W. F. Krajewski and R. R. Cuykendall, (1992),Rainfall Forecasting in space and time using a neural network, Journal of Hydrology 137,p.1-31. 37. Ham, F.M. and I. Kostanic(2001), Principles of neurocomputing for science & engineering, New York: McGraw-Hi 38. Hopfield J. J. (1982), Neural Networks and Physical System with Emergent Collective Computational Abilities, Proceeding of the National Academy of Scientists. 79:2554-2558. 39. Hsu, K. L., V.K. Gupta and S. Sorooshian (1995),Artifical neural network modeling of the rainfall-runoff process, Water Resour.Res,(31:10) ,p.2517-2530. 40. Komda, T. and C. Makarand (2000), Hydrological forecasting using neural networks. Journal of Hydrologic Engineering, 5(2): 180-189 41. Lorrai, M., G. M. Sechi (1995), neural nets for modeling rainfall-run transformations, Wat. Resour. Man 9,p.299-313. 42. McCulloch W. S. and Pitts W. (1943), A logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 5:115-113. 43. Minns, A.W. and Hall, M.J. (1996), Artificial neural networks as rainfall-runoff models. Hydrological Sciences, 41(3): 399-417. 44. Parlos, A. G., O. T. Rais and A. F. Atiya (2000), Multi-step-ahead prediction using dynamic recurrent neural networks. Neural Networks, 13: 765-786 45. Rumelhart D. E. and McClelland J. L. (1986), Parallel Distributed Processing: Explorations in the Microstructure of Cognition, 1, Cambridge, MA: MIT Press. 46. Seibert, J. (2001), On the need for benchmarks in hydrological modeling. Hydrological Processes, 15:1063-1064. 47. Shamseldin, A.Y. (1997), Application of a neural network technique to rainfall-runoff modeling, J. of Hydrology, 197:272-294. 48. Widrow B. and Hoff M E. Jr. (1960), Adaptive Switching Circuits, IRE Western Electric Show and Convention Record, part 4:96-104. 49. Yang H. C. and Chang F. J. (2005), Modelling the combined open channel flow by artificial neural network. Hydrological Processes 19: 3747-376 50. Zhu, M. L. and M.Fujita (1994), Comparisons between fuzzy reasoning and neural network methods to forecast runoff discharge. Journal of hydroscience and hydraulic engineering,12(2):131-141 | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/29484 | - |
| dc.description.abstract | 抽水站為都市防洪最重要的一環，當河川水位高漲市區內水無法利用重力閘門排水時，只能依靠各抽水站的操作將市區內水排放至河川，因此本研究針對雨水下水道系統進行水位預報與抽水機組操作規線為研究方向；選用台北市文山區中港抽水站集水區作為研究目標，研究主要分成兩部分，第一部分應用倒傳遞類神經網路架構中港三多時刻的水位預報模式，將北政國中雨量站與中港三水位站及中港抽水站閘門與抽水機組的操作記錄等為輸入資訊，作為模式建構之用，並針對輸入項不同所得到的結果做分析與討論，同時探討資料雜訊之影響及提供資料雜訊處理的方法，研究結果顯示倒傳遞類神經網路可有效的預報未來的水位，而雜訊的處理可提升水位站多時刻的水位預報精度；第二部分為模擬抽水機組操作規線，藉由歷史資料計算出來的入流量，根據抽水機組操作規線模擬操作，並改變其規線比較模擬結果，結果顯示中港抽水站內抽水機組操作規線有改善的空間。 | zh_TW |
| dc.description.abstract | The pumping station is one of the most important facilities in preventing flooding events takes place for the Taipei city. When the water level of the river arises a certain level, we can only rely on the operation of pumping stations to discharge water from the city area to the rivers. The objective of this study include is to construct a forecast model and to investigate the suitability of the operating rule. The first main constructs a BPNN model to predict one-step-ahead and two-step-ahead sewer drainage system of Chung-Kang during flood events and investigate the influence of amplitude or noise data on the model and provide effective solution. The results show that the BPNN can suitably predict multi-step-ahead water level in the sewer system, while the data processing can improve the accuracy of the model. The second part is to investigate the suitability of the existing operating rule lines of the pumping station and comparing the results obtained by simulating a number of adjusted operating rule lines based on historical data sets with the historical information. The results indicate that the operation of the pumping station of Chung-Kang can be improved. | en |
| dc.description.provenance | Made available in DSpace on 2021-06-13T01:08:17Z (GMT). No. of bitstreams: 1 ntu-96-R94622022-1.pdf: 2547929 bytes, checksum: 7cc44c806f9bcd59011a349e50a2b99d (MD5) Previous issue date: 2007 | en |
| dc.description.tableofcontents | 目錄
摘要 I ABSTRACT II 目錄 III 表目錄 V 圖目錄 VI 第一章、前言 1 1.1 研究動機與目的 1 1.2 研究主題 2 1.3 論文架構 2 第二章 文獻回顧 4 2.1 類神經網路的發展與回顧 4 2.2 類神經網路應用於水文預報 5 2.3 抽水站研究之相關文獻 5 第三章、理論概述 7 3.1類神經網路 7 3.1.1類神經網路的特性 7 3.1.2類神經網路的架構 8 3.1.3類神經網路的學習方式 10 3.2 倒傳遞類神經網路 11 3.2.1 誤差倒傳遞演算法 13 3.2.2 共軛梯度演算法 18 3.3 濾波器 20 第四章、研究區域 23 4.1 研究區域簡介 23 4.2 監測資料分析 26 4.2.1 兩組監測資料的串聯 27 4.2.2前池水位的不確定性 29 4.3 水位預報模式 35 4.4 抽水站操作模式 37 4.4.1抽水站前池入流量的計算 38 4.4.2抽水站操作流程 41 4.5 評比指標 42 4.5.1 水位預報評比指標 43 4.5.2 抽水站操作的評比指標 44 第五章、結果與分析 46 5.1 前池水位預報模式結果 46 5.1.1未加入重力閘門與抽水機組的開啟數 46 5.1.2 加入重力閘門與抽水機組的開啟數 50 5.1.3前池與中港三的水位關係 54 5.2 中港三水位預報模式結果 55 5.2.1中港三的模式改良 62 5.2.2 資料修正前與修正後模式比較 71 5.3 抽水站模擬操作結果 78 第六章、結論與建議 89 6.1 結論 89 6.2 建議 90 第七章 參考文獻 92 | |
| dc.language.iso | zh-TW | |
| dc.subject | 下水道系統 | zh_TW |
| dc.subject | 倒傳遞類神經網路 | zh_TW |
| dc.subject | 資料雜訊處理 | zh_TW |
| dc.subject | 抽水機組操作規線 | zh_TW |
| dc.subject | Back Propagation Neural Network | en |
| dc.subject | data processing | en |
| dc.subject | operating rule lines of the pumping station | en |
| dc.subject | sewer drainage system | en |
| dc.title | 抽水站水位預測及系統操作之研究 | zh_TW |
| dc.title | A Study of Pumping Station Water Level Forecasting and Operation System | en |
| dc.type | Thesis | |
| dc.date.schoolyear | 95-2 | |
| dc.description.degree | 碩士 | |
| dc.contributor.oralexamcommittee | 羅俊昇,黃文政,張麗秋 | |
| dc.subject.keyword | 下水道系統,倒傳遞類神經網路,資料雜訊處理,抽水機組操作規線, | zh_TW |
| dc.subject.keyword | sewer drainage system,Back Propagation Neural Network,data processing,operating rule lines of the pumping station, | en |
| dc.relation.page | 105 | |
| dc.rights.note | 有償授權 | |
| dc.date.accepted | 2007-07-23 | |
| dc.contributor.author-college | 生物資源暨農學院 | zh_TW |
| dc.contributor.author-dept | 生物環境系統工程學研究所 | zh_TW |
| 顯示於系所單位： | 生物環境系統工程學系 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| ntu-96-1.pdf 未授權公開取用 | 2.49 MB | Adobe PDF |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。