پیش بینی جریانات سطحی آب های تنگه هرمز با استفاده از شبکه عصبی مصنوعی

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 204

فایل این مقاله در 11 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-7-1_003

تاریخ نمایه سازی: 1 اسفند 1400

چکیده مقاله:

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.  

نویسندگان

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 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 :
  • گلوردی عیسی. جغرافیای جزایر ایرانی خلیج فارس. سازمان جغرافیایی نیروهای ...
  • Chao Yu, Timothy Kao, Khalid R, AlHajri k. A numerical ...
  • Reynolds RM. Physical oceanography of the Gulf, Strait of Hormuz, ...
  • Thoppil PG, Hogan PJ. A modeling study of circulation and ...
  • Sadrinasab M, Kämpf J. Three dimensional flushing times of the ...
  • Alosairi Y, Pokavanich T, Alsulaiman N. Three-dimensional hydrodynamic modelling study ...
  • Aldababseh A, Temimi M. Analysis of the long-term variability of ...
  • Ling J, Kurzawski A, Templeton J. Reynolds averaged turbulence modelling ...
  • Lguensat R, Miao S, Ronan F, Pierre T, Evan M, ...
  • Chapman C, Charantonis AA. Reconstruction of subsurface velocities from satellite ...
  • Bolton T, Zanna L. Applications of deep learning to ocean ...
  • Bar-Sinai Y, Hoyer S, Hickey J, Brenner MP. Data-driven discretization: ...
  • Pathak J, Hunt B, Girvan M, Lu Z, Ott E. ...
  • Zanna L, Bolton T. Data driven equation discovery of ocean ...
  • Gentine P, Pritchard M, Rasp S, Reinaudi G, Yacalis G. ...
  • Bolton T, Zanna L. Applications of deep learning to ocean ...
  • Sinha A, Abernathey R. Estimating Ocean Surface Currents with Machine ...
  • Johns WE, Yao F, Olson DB, Josey SA, Grist JP, ...
  • Vieira F, Cavalcante G, Campos E, Taveira-Pinto F. A methodology ...
  • van Gent MR, van den Boogaard HF, Pozueta B, Medina ...
  • Beale MH, Hagan MT, Demuth HB. Deep Learning Toolbox—User's Guide, ...
  • Levenberg K. A method for the solution of certain non-linear ...
  • NASA. ocean motion and surface current [Internet]. ۲۰۱۵. [cited ۲۰۱۵ ...
  • نمایش کامل مراجع