پیش‌بینی تراکم جریان شکافنده در سواحل میانه با استفاده از شبکه‌های عصبی مصنوعی

سال انتشار:

1398

نوع سند:

مقاله ژورنالی

زبان:

فارسی

مشاهده:

184

فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_HYDPHY-5-2_002

تاریخ نمایه سازی: 22 دی 1399

چکیده مقاله:

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.

نویسندگان

آزادهولی پور
آزاده ولی پور

استادیار/ دانشگاه آزاد اسلامی جویبار

حسینشیرگاهی
حسین شیرگاهی

استادیار گروه کامپیوتر، دانشگاه آزاد اسلامی، واحد جویبار

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • [1] MacMahan JH, Thornton EB, Stanton TP, Reniers AJHM. Rip ...
  • [2] Dalrymple RA, MacMahan JH, Reniers AJHM, Nelko V. Rip ...
  • [3] Wei Z, Dalrymple RA, Xu M, Garnier R, Derakhti ...
  • [4] Shepard FP, Emery KO, La Fond EC. Rip currents: ...
  • [5] Bowen AJ. Rip currents: 1: Theoretical investigations. Journal of ...
  • [6] Bowen AJ, Inman DL. Rip currents. 2: Laboratory and ...
  • [7] Dalrymple RA. A mechanism for rip current generation on ...
  • [8] Falques A, Coco G, Huntley DA. A mechanism for ...
  • [9] Mizumura K. Littoral currents around breakwaters. Proceeding of Coastal ...
  • [10] Wind HG, Vreugdenhil CB. Rip-current generation near structures. Journal ...
  • [11] Castelle B, Scott. T, Brander RW, McCarroll RJ. Rip ...
  • [12] ShortAD. Rip current type, spacing and persistence, Narrabeen Beach, ...
  • [13] Dean RG. Heuristic models of sand transport in the ...
  • [14] Wright LD, short AD. Morphodynamic variability of surf zones ...
  • [15] Sonu CJ. Field observations of nearshore circulation and meandering ...
  • [16] Huntley DA, Short AD. On the spacing between observed ...
  • [17] Short AD, Brander R. Regional variations in rip density ...
  • [18] Eliot I. The persistence of rip current patterns on ...
  • [19] Whyte D, Turner IL, Ranasinghe R. Rip characterization on ...
  • [20] Turner IL, Whyte D, Ruessink BG, Ranasinghe R. Observations ...
  • [21] Holman RA, Symonds G, Thornton EB, Ranasinghe R. Rip ...
  • [22] Symonds G, Holman RA, Bruno B. Rip currents. In: ...
  • [23] Babovic V, Kanizares R, Jenson HR, Klinting A. Neural ...
  • [24] Tsai CP, Lee T. Back-propagation neural network in tidal ...
  • [25] Sztobryn M. Forecast of storm surge by means of ...
  • [26] Pape L, Ruessink BG, Wiering MA, Turner IL. Recurrent ...
  • [27] Singh AK, Deo MC, Sanil Kumar V. Prediction of ...
  • [28] Wang F, Zhou B, Xu J, Song L, Wang ...
  • [29] Moridnejad A, Abdollahi H, Alavipanah SK, Samani JMV, Moridnejad ...
  • [30] Maanen BV, Coco G, Bryan KR, Ruessink BG. The ...
  • [31] DHI Software. MIKE 21 User Guide Manual; 2014. ...
  • [32] Battjes JA, Janssen JPFM. Energy loss and set-up due ...
  • [33] Valipour A, Bidokhti AA. An analytical model for the ...
  • [34] Dawson CH. Applied Artificial Neural Network. Amazon's Book Store; ...
  • [35] Hino M. Theory on the formation of rip-current and ...
  • [36] Dronen N, Karunarathna H, Fredsoe J, Sumer BM, Deigaard ...
  • [37] Haller MC, Ozkan-Haller T. Wave breaking and rip current ...
  • [38] Mc Mahan JH, Reniers Ad JHM, Thornton Ed B ...