Title Numerical modeling of fluid mixing in pipe networks with machine learning applications : doctoral dissertation Title (croatian) Rad ne sadrži naslov na drugom jeziku. Author Luka Grbčić Mentor Lado Kranjčević (mentor)Committee member Siniša Družeta (predsjednik povjerenstva)Committee member Goran Mauša (član povjerenstva)Committee member Danko Holjević (član povjerenstva)Granter University of Rijeka Defense date and country 2021-09-03, Croatia Scientific / art field, TECHNICAL SCIENCES Universal decimal classificationUDC ) 62 - Engineering. Technology in general Abstract Vodoopskrba je jedna od najvažnijih javnih usluga koja doprinosi kvaliteti života, a važnost sigurnog vodoopskrbnog sustava osnovni je zahtjev svake gradske vodovodne mreže. Pravilno modeliranje miješanja u hidrauličkim elementima mreže od velike je važnosti za točnu simulaciju i predikciju širenja onečišćenja.
U ovoj doktorskoj disertaciji istražuje se miješanje fluida u cjevovodnim mrežama i njenim segmentima (dvostruki T-spojevi) eksperimentalnim pristupom, numeričkim modelima i metodama strojnog učenja u svrhu točnijeg i efikasnijeg modeliranja širenja i detekcije onečišćenja u urbanim vodoopskrbnim mrežama. Dobiveni su novi eksperimentalni podaci za miješanje fluida u različitim konfiguracijama dvostrukih T-spojeva te je validiran numerički model kalibracijom turbulentnog Schmidtovog broja. Istražuje se i predlaže pristup baziran na strojnom učenju koji koristi umjetne neuronske mreže i koji se trenira podacima koji su generirani rezultatima dobivenim putem numeričkih analiza u svrhu stvaranja računski učinkovitih i robusnih modela za miješanje fluida u dvostrukim T-spojevima. S obzirom na računsku efikasnost, modeli koji su izrađeni strojnim učenjem mogu se integrirati u postojeće inženjerske sofvere koji su bazirani na jednostavnijim modelima, kako bi se povećala njihova točnost kod simulacije propagacije onečišćenja u cjevovodnim mrežama. Osim navedenog, istražuje se i modeliranje miješanja fluida u dvostrukom T-spoju putem modela turbulencije Large Eddy Simulation povezanim s modelom čistog advekcijskog transporta skalara. Predloženi način modeliranja miješanja fluida u dvostrukom T-spoju daje točne rezultate miješanja u dvostrukom T-spoju koji ne uključuje potrebu za kalibracijom turbulentnog Schmidtov broja te time stvara mogućnost za generiranje korekcijskih faktora za jednostavnije modele u svrhu točnijeg modeliranja onečišćenja u cjevovodima. Predstavljene su i istražene tri različite metodologije koje koriste algoritme strojnog učenja u svrhu otkrivanja izvora onečišćenja u vodovodnim mrežama. Prva od tri metodologija se temelji na klasifikaciji najvjerojatnijeg izvora onečišćenja u vodoopskrbnoj mreži te radi na temelju algoritma Nasumičnih šuma (Random Forest). Algoritam Nasumičnih šuma istreniran je podacima koji su dobiveni Monte Carlo hidrauličkim simulacijama koje uključuju i modeliranje transporta onečišćenja. Algoritam se pokazuje računalno učinkovitim i lako generira popis najvjerojatnijih izvora onečišćenja u vodoopskrbnoj mreži te je testiran na dvije različite vodoopskrbne mreže različitih veličina. Nadalje, predstavljena je druga metodologija koja koristi algoritam zasnovan na strojnom učenju za klasifikaciju izvora onečišćenja u vodoopskrbnim mrežama koji je izrađen posebno za paralelne sustave visokih performansi. Algoritam koristi kombinaciju Umjetnih neuronskih mreža (Artificial Neural Networks) za klasifikaciju izvora onečišćenja te algoritam Nasumičnih šuma za regresijsku analizu kako bi odredio značajne varijable događaja onečišćenja kao što su vrijeme početka onečišćenja, vrijeme završetka onečišćenja i koncentraciju onečišćenja. Uspješno sužava potencijalne izvore onečišćenja što dovodi do identifikacije izvora onečišćenja, vremena početka i vremena završetka događaja onečišćenja i koncentraciju onečišćenja te je vrlo računski efikasan kada se koristi u superračunalnom okruženju. Na kraju, trećom metodologijom predstavljena su i istražena dva nova algoritamska okvira koja se temelje na spajanju algoritma strojnog učenja za predviđanje najvjerojatnijih izvora onečišćenja u vodovodnoj mreži s optimizacijskim algoritmima (stohastičkih i determinističkih) za određivanje relevantnih parametara kao što su vrijeme početka, vrijeme završetka onečišćenja i koncentracija onečišćenja za svaki predviđeni potencijalni izvor zasebno. Oba algoritamska okvira imaju dobru izvedbu i pokazuju robusnost u određivanju istinskog izvora onečišćenja.
Abstract (english) As water supply is one of the most recognizable and important public services contributing to the quality of life, the importance of a safe water supply system is a basic requirement for every urban water distribution network. Correct treatment of mixing phenomena in the network’s hydraulic elements is of great importance for the accurate simulation and prediction of contamination events. In this doctoral thesis, the mixing of fluids in pipe networks and segments (double-Tee junctions) is investigated using an experimental approach, numerical models and machine learning methods. Firstly, experimental data is obtained for fluid mixing in different double-Tee configurations and a computational fluid dynamics transport model is calibrated and validated through setting the turbulent Schmidt number. A machine learning approach which uses Artificial Neural Networks is then proposed and trained with numerically generated data for the purpose of creating computationally efficient models for fluid mixing in double-Tee junctions. Additionally, a Large Eddy Simulation model coupled with a pure advection transport model is investigated and shown to produce accurate fluid mixing results in a double-Tee junction therefore showing a way to not include the turbulent Schmidt number. Secondly, three methodologies are presented which use machine learning algorithms for the purpose of contamination source detection in water supply pipe networks. The first methodology is based on Random Forest algorithm classification of the most probable contamination source in a water supply network. The RF classifier is trained with data obtained by Monte Carlo water quality simulations and it shows to be computationally efficient and can easily generate a list of most probable contamination sources in a water supply network. Furthermore, a novel machine learning based algorithm for water supply contamination source identification is presented and built for high performance parallel systems. The algorithm successfully utilizes the combination of Artificial Neural Networks for a parallel tournament style classification of the contamination source with Random Forests for regression analysis to determine significant variables of a contamination event. Lastly, two novel algorithmic frameworks are investigated which are based on coupling a machine learning algorithm for predicting the most probable contamination sources in a water distribution network with an optimization algorithm for determining the relevant parameters such as contamination start time, end time and contaminant concentration for each predicted node separately. Both algorithmic frameworks perform well in determining the true source node, start and end times and contaminant concentration
Keywords
miješanje fluida u cijevima
strojno učenje
otkrivanje izvora onečišćenja
cjevovodne mreže
modeli transporta
umjetne neuronske mreže
nasumične šume
simulacija-optimizacija
Keywords (english)
pipe fluid mixing
machine learning
contamination source detection
pipe networks
transport models
artificial neural networks
random forests
simulation-optimization
Language english URN:NBN urn:nbn:hr:190:064580 Promotion 2021 Study programme Title: Postgraduate university (doctoral) study Type of resource Text Extent VII, 53 str. ; 30 cm File origin Born digital Access conditions Open access Terms of use Created on 2021-09-28 08:54:53
