افزایش تاب آوری سواحل با یادگیری عمیق یک رویکرد دو هدفه برای پیش بینی همزمان بالاروی و روگذری موج

در سیستم های کنترل سیلاب ساحلی تخمین سریع و همزمان دو پدیده ی بالاروی و روگذری موج برای طراحی بهینه مدیریت ریسک و تضمین تاب آوری سازه ها اهمیت زیادی دارد. این پژوهش یک چارچوب داده محور دو خروجی ارائه می دهد که بر پایه ی شبکه های عصبی کانولوشنی (CNN) و پرسپترون چندلایه (MLP) طراحی شده و قادر است این دو شاخص کلیدی را با دقت بالا پیش بینی کند. مدل ها با استفاده از پایگاه داده ای شامل ۱۲۸۰۰ سناریوی شبیه سازی شده آموزش دیده اند و پس از انجام پیش پردازش دقیق داده ها با تابع زیان مشترک آموزش یافتند. نتایج آزمون ها عملکرد مطلوبی را نشان دادند، به طوری که ضریب تعیین (R۲) تا ۰.۹۸، همبستگی بالا (P=۰.۹۹) و بایاس ناچیز به دست آمد. تحلیل اهمیت جایگشتی (Permutation Importance) نیز انطباق مدل با اصول فیزیکی مسئله را تایید کرد و ارتفاع دیوار ساحلی را به عنوان پارامتر اصلی و اثرگذار معرفی نمود. این چارچوب با کاهش زمان ارزیابی هر سناریو از چند ساعت به ثانیه امکان بررسی سیستماتیک گزینه های طراحی را در مرحله ی امکان سنجی فراهم کرده و زیرساخت لازم برای سیستم های پشتیبان تصمیم گیری (DSS) در پیش بینی های عملیاتی را ایجاد می کند. در نتیجه این رویکرد می تواند به عنوان ابزاری کارآمد برای هدفمند کردن شبیه سازی های پرهزینه و افزایش بهره وری در مهندسی سواحل به کار گرفته شود.

کلیدواژه ها:

سیلاب ساحلی ، بالاروی موج ، روگذری موج ، تاب آوری ، شبکه های عصبی