پیش بینی جریانات سطحی آب های تنگه هرمز با استفاده از شبکه عصبی مصنوعی
Publish place: Hydrophysics، Vol: 7، Issue: 1
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 205
This Paper With 11 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-7-1_003
تاریخ نمایه سازی: 1 اسفند 1400
Abstract:
اندازه گیری سرعت جریانات دریایی نقش مهمی در طراحی و اندازه گیری های مهندسی دارد. مطالعاتی که در خلیج فارس و تنگه هرمز انجام شده است به بررسی میدانی یا مدل سازی عددی جریان در این منطقه پرداخته اند. در این تحقیق با استفاده از تکنیک شبکه های عصبی مصنوعی به پیش بینی جریان های سطحی تنگه هرمز پرداخته شده است. به منظور تعیین ورودی های مدل از سری زمانی جریان های سطحی شرق و غرب این تنگه استفاده گردید و با استفاده از مدل رگرسیون خطی حوضه های موثر بر جریان های این تنگه مشخص شده است. سپس در دو حالت مختلف ورودی های شبکه عصبی تعریف گردید. حالت اول سری زمانی حوضه های شناخته شده به عنوان ورودی شبکه عصبی در نظر گرفته شد.در حالت دیگر با استفاده از طرحواره جونز ترکیباتی از سری های زمانی شناخته شده لحاظ گردید. با مقایسه این دو حالت مشخص گردید که مدل شبکه عصبی با استفاده از طرحواره جونز، کارایی مناسبی در پیش بینی جریان های سطحی این تنگه دارد. در ادامه به منظور بررسی بیشتر مدل شبکه عصبی، داده های جریان به ۱۶ دسته مختلف تقسیم بندی شد، طوری که در هر دسته اختلاف بین کمینه و بیشینه سرعت برابر ۰/۰۳ و میانگین هر دسته به عنوان خروجی شبکه عصبی در تظر گرفته شد. در تعیین ورودی های شبکه نیز، مشابه دو حالت ذکر شده قبل انجام شد. در این بررسی نیز نتایج نشان داد که مدل شبکه عصبی با خطای پیش بینی ۰/۲۹= RMSE جریان های سطحی را پیش بینی می کند.
Keywords:
Authors
همایون احمدوند
دانشگاه علوم و فنون دریایی خرمشهر، خرمشهر
محمد علی نجارپور
استادیار، دانشگاه علوم و فنون دریایی خرمشهر، خرمشهر
محمد اکبری نسب
دانشیار، دانشکده علوم دریایی و محیطی، دانشگاه مازندران، بابلسر
ایمان اسمعیلی پایین افراکتی
استادیار، دانشکده مهندسی برق، دانشگاه مازندران، بابلسر
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 :