پیشبینی تراکم جریان شکافنده در سواحل میانه با استفاده از شبکههای عصبی مصنوعی
Publish place: Hydrophysics، Vol: 5، Issue: 2
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 374
This Paper With 22 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_HYDPHY-5-2_002
تاریخ نمایه سازی: 22 دی 1399
Abstract:
جریانهای شکافنده جریانهایی قوی، قارچی شکل هستند که عامل اصلی تلفات ناشی از غرق شدن شناگران در منطقه خیزاب ساحلی محسوب میشوند. با توجه به رفتار متغیر این جریانها و محدودیت های بسیار در مشاهدات میدانی، در این پژوهش با استفاده از شبکه عصبی مصنوعی، مدلی در مورد تخمین میزان تراکم جریانهای شکافنده در سواحل حالت میانه ارائه شده است. به این منظور نخست اطلاعات مرتبط به سیستم جریان شکافنده از طریق مدل عددی Mike21/3 به صورت پارامترهای بیبعد عدد فرود، ارتفاع موج، پهنای خیزاب و پهنای کانال جریان استخراج شدند. در گام بعدی تاثیر هر یک از پارامترهای بیبعد روی تراکم جریان برای توابع و نرونهای مختلف شبکه عصبی بررسی شد. سپس نتایج مدل در هجوم امواجی با ارتفاع مختلف با نتایج میدانی سایر محققین مورد مقایسه قرار گرفت و تطابق بسیار خوبی بین آنها مشاهده شد. نتایج این تحقیق نشان میدهد با افزایش ارتفاع امواج بر سرعت جریان و فواصل کانال ها افزوده میشود و به تدریج از میزان تراکم جریانکاسته میشود. نتایج دیگر این تحقیق حاکی از آن است در شرایطی که امواج کمارتفاعتر بر دریا حاکمند، تابع گرادینت دیسنت ویت آداپتیو لرنینگ ریت (gda) با کمترین خطا (RMSE معادل 013/0) و در شرایطی که امواج مرتفعتر بر دریا حاکمند تابع کواسی نیوتن (bfg) با کمترین خطا (RMSE معادل 00282/0) هر کدام با 14 نرون دقیقترین تخمین را از میزان تراکم جریانهای شکافنده در سواحلی باحالت میانه ارائه میدهند.
Keywords:
Authors
آزاده ولی پور
استادیار/ دانشگاه آزاد اسلامی جویبار
حسین شیرگاهی
استادیار گروه کامپیوتر، دانشگاه آزاد اسلامی، واحد جویبار
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :