Oʻzbekcha
OCHIQ KANALLARDA EKSPLUATATSION REJIMLARNI KOXONEN XARITALARI ASOSIDA IDENTIFIKATSIYA QILISH VA AXBOROT MODELINI SHAKLLANTIRISH
Annotatsiya
Ushbu tezisda ochiq irrigatsiya kanallaridagi ekspluatatsion rejimlarni sensor monitoringi ma’lumotlari asosida avtomatik aniqlash va ularni semantik teglash orqali axborot modeliga aylantirish usuli taklif etilgan. Tadqiqotda suv sarfi, yuqori va pastki b’ef sathlari, zatvor holati, nasos rejimi, talabdan og‘ish va yo‘qotish indikatorlari kabi vaqt qatorlari ko‘rsatkichlari ishlatiladi. Ularni tayyorlash jarayonida tozalash, agregatlash, normallash va belgilar fazosini shakllantirish bosqichlari bajariladi. Keyin Koxonenning o‘z-o‘zini tashkil etuvchi xaritasi asosida tipik ekspluatatsion holatlar klasterlarga ajratiladi va har bir klaster prototiplar orqali tavsiflanadi. Hosil bo‘lgan klasterlar predmet sohasi nuqtai nazaridan me’yoriy rejim, taqchillik holati, o‘tish rejimi va xavfli og‘ish kabi semantik teglar bilan boyitiladi. Shu tariqa mashinali tahlil natijasi formal axborot modeliga aylantirilib, talab–reja–fakt tahlili, kalibrlash, signallash va dispetcherlik qarorlarini qo‘llab-quvvatlash imkoni yaratiladi. Taklif etilgan yondashuvning sifati kvantlash xatosi, topologik xatolik va klaster sifati ko‘rsatkichlari orqali baholanadi.
Kalit so‘zlar
Koxonen xaritasi
axborot modeli
ekspluatasion rejim
klasterlash
ochiq kanal
semantik teglash
sensor monitoringi
vaqt qatorlari
Русский
ИДЕНТИФИКAЦИЯ ЭКСПЛУАТAЦИОННЫХ РЕЖИМОВ В ОТКРЫТЫХ КАНАЛАХ НА ОСНОВЕ КАРТ КОХОНЕНА И ФОРМИРОВАНИЕ ИНФОРМAЦИОННОЙ МОДЕЛИ
В данном тезисе предложен метод автоматического выявления эксплуатaционных режимов в открытых оросительных каналах на основе данных сенсорного мониторинга и преобразования их в информaционную модель посредством семантического тегирования. В исследовании используются показатели временных рядов, такие как расход воды, уровни верхнего и нижнего бьефов, положение затвора, режим работы насоса, отклонение от потребности и индикаторы потерь. В процессе их подготовки выполняются этапы очистки, агрегирования, нормализaции и формирования пространства признаков. Далее на основе самоорганизующейся карты Кохонена типичные эксплуатaционные состояния разделяются на кластеры, и каждый кластер описывается через прототипы. Полученные кластеры обогащаются семантическими тегами, отражающими предметную область, такими как нормативный режим, состояние дефицита, переходный режим и опасное отклонение. Таким образом, результат машинного анализа преобразуется в формальную информaционную модель, что создает возможность для анализа «потребность–план–факт», калибровки, сигнализaции и поддержки диспетчерских решений. Качество предложенного подхода оценивается по показателям ошибки квантования, топологической ошибки и качества кластеризaции.
временные ряды
информaционная модель
карта Кохонена
кластеризaция
открытый канал
семантическое тегирование
сенсорный мониторинг.
эксплуатaционный режим
English
IDENTIFICATION OF OPERATIONAL REGIMES IN OPEN CHANNELS BASED ON KOHONEN MAPS AND INFORMATION MODEL FORMATION
This thesis proposes a method for automatically identifying operational regimes in open irrigation canals based on sensor monitoring data and transforming them into an information model through semantic tagging. The study uses time-series indicators such as water discharge, upstream and downstream water levels, gate position, pump operating mode, demand deviation, and loss indicators. During data preparation, the stages of cleaning, aggregation, normalization, and feature space formation are performed. Then, based on the Kohonen self-organizing map, typical operational states are divided into clusters, and each cluster is described through prototypes. The resulting clusters are enriched with semantic tags from the domain perspective, such as normal regime, deficit state, transition regime, and hazardous deviation. In this way, the result of machine analysis is transformed into a formal information model, creating opportunities for demand-plan-actual analysis, calibration, signaling, and support of dispatching decisions. The quality of the proposed approach is evaluated using quantization error, topological error, and clustering quality indicators.
Kohonen map
clustering
information model
open channel
operational regime
semantic tagging
sensor monitoring
time series
1. T. Kohonen, “Self-organized formation of topologically correct feature maps,” Biol. Cybern., vol. 43, no. 1, pp. 59–69, 1982, doi: 10.1007/BF00337288.
2. T. Kohonen, “Essentials of the self-organizing map,” Neural Networks, vol. 37, pp. 52–65, Jan. 2013, doi: 10.1016/j.neunet.2012.09.018.
3. T. Kohonen, “The self-organizing map,” Proc. IEEE, vol. 78, no. 9, pp. 1464–1480, Sep. 1990, doi: 10.1109/5.58325.
4. J. Vesanto and E. Alhoniemi, “Clustering of the self-organizing map,” IEEE Trans. Neural Netw., vol. 11, no. 3, pp. 586–600, May 2000, doi: 10.1109/72.846731.
5. H.-U. Bauer and K. R. Pawelzik, “Quantifying the neighborhood preservation of self-organizing feature maps,” IEEE Trans. Neural Netw., vol. 3, no. 4, pp. 570–579, Jul. 1992, doi: 10.1109/72.143371.
6. P. J. Rousseeuw, “Silhouettes: A graphical aid to the interpretation and validation of cluster analysis,” Journal of Computational and Applied Mathematics, vol. 20, pp. 53–65, Nov. 1987, doi: 10.1016/0377-0427(87)90125-7.
7. D. L. Davies and D. W. Bouldin, “A Cluster Separation Measure,” IEEE Trans. Pattern Anal. Mach. Intell., vol. PAMI-1, no. 2, pp. 224–227, Apr. 1979, doi: 10.1109/TPAMI.1979.4766909.
8. G. Pölzlbauer, M. Dittenbach, and A. Rauber, “Advanced visualization of Self-Organizing Maps with vector fields,” Neural Networks, vol. 19, no. 6–7, pp. 911–922, Jul. 2006, doi: 10.1016/j.neunet.2006.05.013