عنوان

شبیه سازی ارتفاع امواج ناشی از باد در منطقه انزلی با استفاده از مدل عددی SWAN و مقایسه آن با مدل¬های هوش مصنوعی بر پایه یادگیری ماشین

شماره

پ۲۵۲۱۵

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

شبیه سازی ارتفاع امواج ناشی از باد در منطقه انزلی با استفاده از مدل عددی SWAN و مقایسه آن با مدل¬های هوش مصنوعی بر پایه یادگیری ماشین

نام نخستين پديدآور

میلاد محمودی

نام ناشر، پخش کننده و غيره

پردیس بین المللی ارس

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۱۲۲ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

عمران گرايش سازه های دریایی

زمان اعطا مدرک

۱۴۰۰/۰۶/۲۹

متن يادداشت

طراحی سازه¬های دریایی اعم از ساحلی و فراساحلی مستلزم داشتن اطلاعات دقیقی از رژیم امواج می¬باشد. پیش¬بینی ارتفاع امواج به دلیل ماهیت پیچیده و اتفاقی خود و به علت اثری که بر روی شرایط مورفولوژیک ساحل و محیط¬های دریایی دارند، نيازي روزافزون در صنايع دريايي است. تأثير قابل ملاحظه برآورد اين پارامتر در تعيين ابعاد سازه¬هاي دريايي و ساحلي انکار ناپذير است. برآورد بالايي از اين پارامتر، منجر به افزايش تصاعدي هزينه سازه مي¬شود. درحاليکه طراحي سازه براي ارتفاع¬هاي پايين¬تر از ارتفاع موج شاخص طرح، احتمال خسارات مالي و جاني زيادي را به همراه خواهد داشت. لذا دستيابي به ارتفاع موج طرح، از ضروريات هر پروژه دریایی است. در همین راستا مدل¬ها و روش¬های متعددی برای پیش بینی پارامترهای امواج دریا از جمله روش¬های تجربی، نیمه تجربی، عددی و نرم افزاری ابداع شده است. در طول دو دهه اخير و با توسعه توان محاسباتي رايانه¬ها، تعدادي از مدل¬ها به عنوان مدل¬هاي نسل سوم گسترش يافتند که مدل SWAN (Simulating Waves Nearshore) يکي از انواع آن¬ها است. در اين تحقيق، مدل SWAN برای آب¬های کم عمق و نیمه عمیق ساحلی توسعه داده شده و برای تاثیر داده¬های سرعت باد و تبدیل آنها به ارتفاع امواج، برای پیش بینی امواج در منطقه انزلی بکار گرفته شده است. همچنین در ادامه به بررسي يكي از روش¬هاي نوين هوش مصنوعی و محاسبات نرم به نام یادگیری ماشین در پيش بيني ارتفاع امواج پرداخته شده است. بدین منظور از اطلاعات میدانی باد و موج ثبت شده بويه¬هاي جهاني و همچنين اطلاعات به ¬روز اندازه¬گيري بویه انزلی در یک بازه زمانی استفاده گردیده است. در مدل¬های مورد مطالعه، سرعت باد به عنوان ورودی به مدل داده شده و ارتفاع موج به عنوان خروجی از گرفته می¬شود. از اجراي مدل و رسم نمودارها، ميزان خطاها محاسبه شده و نتايج نشان دهنده¬ي میزان و مقایسه تطابق مدل¬ها با داده¬هاي بويه می¬باشد. لذا هدف از تحقيق حاضر، بررسي صحت نتايج و دقت مدل¬ها بوده که با مقايسه نتايج مدلسازي با داده¬هاي اندازه¬گيري شده، صورت مي¬گيرد. با توجه به معيارهاي ارزيابي نتيجه شد كه روند كلي ارتفاع شاخص حاصل از مدل SWAN با بويه منطبق است. همچنین هر دو مدل ماشين بردار (SVM) و پشتيبان و برنامه¬ريزي بيان ژن (GEP) مي¬توانند با دقت نسبتاً بالايي ارتفاع موج را پيش¬بيني نمايند. مقايسه نتايج مدل¬ها نشان داد که مدل ماشين بردار پشتيبان نسبت به مدل برنامه ريزي بيان ژن، با دقت بيشتري پارامتر هدف را تخمين زده است. هر دو مدل در شبيه¬سازي مقادير اوج دقت کمتري داشته¬اند به طوري که با افزايش ميزان ارتفاع، دقت مدل کاهش مي¬يابد. با توجه به نتایج برآمده از این تحقیق، اين واقعيت که در مقايسه با مدل¬هاي ديگر، خطاي نسبي SVM پايين ترين و شاخص هاي RMSE و SI ارائه شده براي اين مدل خوب است، مي توان استدلال کرد که در مقايسه با مدل هاي ديگر SVM مي¬تواند به عنوان روش جايگزيني برای SWAN یا سایر روش¬های عددی به راحتي اجرا شود و از اين رو براي توسعه برنامه جذاب است. بنابراین می¬تواند در مواردی که امکان دسترسی به داده¬های ارتفاع موج وجود ندارد راهگشای محققان و مهندسان باشد

متن يادداشت

The design of sea structures, including coastal and offshore, requires accurate information on the wave regime. Predicting the height of the waves is an increasing need in the marine industry due to their complex and accidental nature and their effect on the morphological conditions of the coast and marine environments. The considerable effect of estimating this parameter in determining the dimensions of marine and coastal structures is undeniable. High estimation of this parameter leads to an exponential increase in the cost of the structure. While designing the structure for heights lower than the wave height of the design index, there will be a high probability of financial and human losses. Therefore, achieving the design wave height is one of the necessities of any offshore project. In this regard, several models and methods for predicting sea wave parameters, including experimental, quasi-experimental, numerical, and software methods have been developed. During the last two decades and with the development of computing power of computers, Several models have been developed as third-generation models, of which the SWAN (Simulating Waves Nearshore) model is one of them. In this research, the SWAN model has been developed for shallow and semi-shallow coastal waters and has been used to influence wind speed data and convert them to wave height. It has been used to predict waves in the Anzali region. Also, one of the new methods of artificial intelligence and soft computing called machine learning in predicting the height of waves has been studied. For this purpose, field information of wind and wave recorded by global buoys as well as up-to-date data of Anzali buoy measurement in a time period has been used. Wind speed is given as input to the model in the studied models, and wave height is taken as output. From the implementation of the model and drawing diagrams, the amount of errors is calculated and the results show the extent and comparison of the conformity of the models with the buoy data. Therefore, the present study aimed to investigate the accuracy of the results and the accuracy of the models by comparing the modeling results with the measured data. According to the evaluation criteria, it was concluded that the general trend of the height of the index obtained from the SWAN model is consistent with the buoy. Also, both vector machine (SVM) models and gene expression support (GEP) models can predict wave height with relatively high accuracy. Comparison of the results of the models showed that the support vector machine model estimated the target parameter more accurately than the gene expression programming model. Both models were less accurate in simulating peak values so that with increasing altitude, the accuracy of the model decreases. According to the results of this study, the fact that compared to other models, the relative SVM error is the lowest and the RMSE and SI indices provided for this model are good, it can be argued that compared to other SVM models It can be easily implemented as an alternative to SWAN or other numerical methods and is therefore attractive for program development. Therefore, it can be a way for researchers and engineers in cases where it is not possible to access wave height data

عنوان گونه گون

Simulation of wind-wave height in Anzali region using numerical model SWAN and compare with artificial intelligence models based on machine learning

عنصر شناسه اي

‏محمودی،

ساير عناصر نام

‏‏ میلاد

کد نقش

تهيه کننده

عنصر شناسه اي

‏لطف الهی یقین،

عنصر شناسه اي

‏مجتهدی،

ساير عناصر نام

‏‏ محمدعلی

ساير عناصر نام

علیرضا

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏ تبریز