تدقیق شبیه‌سازی موج آب کم‌عمق بوشهر از طریق تولید باد محلی با تکنیک شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 شرکت نو اندیشان محیط‌های رودخانه و دریا، تهران

2 سازمان بنادر و دریانوردی، تهران

چکیده

امواج روی حرکات عمودی شناورها اثر می‌گذارند و از این طریق ایمنی تردد آنها در آب‌های ساحلی را به خطر می‌اندازند. این تحقیق با هدف پیش‌بینی دقیق امواج در محل کانال کشتی‌رانی بندر بوشهر در راستای تأمین ایمنی حمل‌ونقل دریایی آب‌های این منطقه صورت گرفته است. در ابتدا شبیه‌سازی موج با استفاده از نرم‌افزار PMODynamicsI و به کارگیری میدان باد قابل پیش‌بینی GFS انجام شده که پس از انجام حساسیت‌سنجی‌ها، واسنجی‌ مدل روی ضرایب و فاکتورهای مختلف همچون ضریب زبری،‌ گام زمانی، گام‌های طیفی شبکه‌ محاسباتی و غیره انجام گردید. با اعمال تنظیمات بهینه در مدل و مقایسه نتایج با مقادیر اندازه‌گیری‌شده موج در محل کانال کشتی‌رانی، دقت نتایج مرحله راستی‌آزمایی برابر 70٪ به دست آمد. نتایج نشان داد استفاده از باد با مقیاس بزرگ و جهانی سبب دست پایین شدن ارتفاع موج و عدم دقت مناسب در شبیه‌سازی جهت موج در زمان رخداد توفان‌هایی با تغییر جهت ناگهانی شده که با توجه به اهمیت بحث امنیت دریانوردی تدقیق نتایج از طریق تولید باد قابل پیش‌بینی با دقت محلی مورد توجه قرار گرفته است. این امر از طریق تکنیک شبکه عصبی مصنوعی و طراحی سناریوهای مختلف صورت گرفته که با آموزش میدان باد جهانی GFS از طریق اطلاعات باد ایستگاه هواشناسی، باد با دقت محلی تولید شده است. این باد به عنوان مولد در مدل موج بوشهر به کار گرفته شده که منجر به افزایش20 و 15 درصدی دقت به ترتیب برای جهت موج و ارتفاع موج مدل‌سازی و کاهش 10 درصدی جذر میانگین مربع خطا شده است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Increasing of wave simulation accuracy through generating of local wind with artificial neural network technique in Bushehr shallow water

نویسندگان [English]

  • Fereshte Komijani 1
  • Masoud Montazeri namin 1
  • Mahdi kebriaee 2
  • Mohammad Hossein Nemati 2
  • Hamid Khalili 2
1 NAMROOD Co. Tehran. Iran
2 Coastal and Ports Engineering Office, Ports and Marine Organization, Tehran, Iran
چکیده [English]

The waves affect the vertical movements of the vessels, thereby endangering the safety of their movement in coastal waters. This study has been conducted to accurate wave prediction in the shipping channel of Bushehr port in order to ensure safe and efficient maritime transportation of this region. First, the wave simulation was performed using PMODynamicsI software and using GFS predictable wind field. By applying the optimal settings in the model and comparing the model results with the wave measured values at the shipping channel location, the accuracy of the verification results was equal to 70%. The results showed that the use of large-scale and global wind caused a decrease in modeled wave height and lack of proper accuracy in wave direction simulation during the occurrence of storms with a sudden change of direction, which due to the importance of maritime safety discussion, accurately prediction of the wave by using predictable local wind has been considered. This has been done through artificial neural network technique and design of different scenarios, which has generated wind with local precision by training the GFS global wind field through meteorological wind data. This wind has been used in Bushehr wave model, which has led to a 20% and 15% increase in accuracy for the direction and height of the modeled wave, and a 10% decrease in the root mean square error.

کلیدواژه‌ها [English]

  • Wave Simulation
  • PMODynamicsI Software
  • Local Wind Generation
  • Artificial Neural network

مراجع

[1]شادکام سعید، رابعی غلامی اعتمادالدین، آل علی نسیم. کاهش غلتش عرضی شناورها با استفاده از حل معادلات روش‌های مخازن کنترل‌شده فعال و ژیروسکوپ ضد غلتش. مجله علوم و فنون دریایی.1395؛ 4(15): 103-97.
[2]کامران‌زاد بهاره، اعتماد شهیدی امیر. مقایسه مدل SWAN و شبکه عصبی مصنوعی در پس‌بینی ارتفاع موج در خلیج‌فارس. مجموعه مقالات نهمین همایش بین‌المللی سواحل، بنادر و سازه‌های دریایی؛ 1389 آذر 10-8؛ تهران.
[3] Moeini MH, Etemad-Shahidi A, Chegini, V. Wave modeling and extreme value analysis off the northern coast of the Persian Gulf. Applied Ocean Research. 2010;32: 209-218.
[4] Moeini MH, Etemad-Shahidi A. Application of two numerical models for wave hindcasting in Lake Erie. Applied Ocean Research. 2007 Jul 1;29(3):137-45.
[5] Rogers WE, Kaihatu JM, Hsu YL, Jensen R, Dykes JD, Holland T. Forecasting and hindcasting with the SWAN model in the Southern California Bight. Coastal Engineering. 2007;54(1):1-15.
[6] Browne M, Castelle B, Strauss D, Tomlinson R, Blumenstein M, Lane C. Near-shore swell estimation from a global wind-wave model: Spectral process, linear, and artificial neural network models. Coastal Engineering. 2007 May 1;54(5):445-60.
[7] زمانی احمدرضا، عظیمیان احمدرضا. پیش‌بینی ارتفاع امواج دریای خزر با استفاده از شبکه عصبی مصنوعی. مجموعه مقالات نهمین کنفرانس دینامیک شاره‌ها؛ 1383 اسفند؛ شیراز، دانشگاه شیراز.
[8] Thirumalaiah K, Deo MC. River stage forecasting using artificial neural networks. Journal of Hydrologic Engineering. 1998 Jan;3(1):26-32.
[9] Mahjoobi J, Etemad-Shahidi A, Kazeminezhad MH. Hindcasting of wave parameters using different soft computing methods. Applied Ocean Research. 2008 Feb 1;30(1):28-36.
[10] Mase H, Sakamoto M, Sakai T. Neural network for stability analysis of rubble-mound breakwaters. Journal of waterway, port, coastal, and ocean engineering. 1995 Nov;121(6):294-9.
[11] Tsai CP, Lee TL. Back-propagation neural network in tidal-level forecasting. Journal of Waterway, Port, Coastal, and Ocean Engineering. 1999 Jul;125(4):195-202.
[12] Makarynskyy O, Makarynska D, Kuhn M, Featherstone WE. Predicting sea level variations with artificial neural networks at Hillarys Boat Harbour, Western Australia. Estuarine, Coastal and Shelf Science. 2004 Oct 1;61(2):351-60.
[13] Babovic V. Subsymbolic process description and forecasting using neural networks. In: Garcia-Navarro P, Playan E, editors. Proceedings of the international workshop; Numerical modelling of hydrodynamic systems. Saragossa, Spain: University of Saragossa; 1999. p. 57–79.
[14] Makarynskyy O, Pires-Silva AA, Makarynska D, Ventura-Soares C. Artificial neural networks in wave predictions at the west coast of Portugal. Computers & geosciences. 2005 May 1;31(4):415-24.
[15] طالقانی محمد، امیرتیموری‌ علیرضا. پیش‌بینی ارتفاع امواج دریای خزر با استفاده از شبکه مصنوعی عصبی. تحقیق در عملیات در کاربردهای آن (ریاضیات کاربردی). 1387؛ 5(18): 47-39.
]16[ قانع حمیدرضا، پیش‌بینی ارتفاع موج در سواحل جنوبی دریای خزر با استفاده از شبکه عصبی مصنوعی. مجموعه مقالات پنجمین همایش بین‌المللی صنایع فراساحل؛ ۱۳۹۱؛ تهران.
]17[ کامران‌زاد بهاره، اعتماد شهیدی امیر. پیش‌یابی مشخصات امواج در بندر بوشهر با استفاده از شبکه عصبی مصنوعی. مجموعه مقالات هشتمین کنفرانس هیدرولیک ایران؛ 1388 آذر 24؛ تهران.
[18] Malekmohamadi I, Ghiassi R, Yazdanpanah MJ. Wave hindcasting by coupling numerical model and artificial neural networks. Ocean Engineering. 2008; 35;417–425 .
]19[ عزیزی حمیدرضا،‌ منتظری مجید. پیش‌بینی دمای ماهانه ایستگاه‌های همدید منتخب استان اصفهان، با استفاده از شبکه مصنوعی عصبی پرسپترون چندلایه. فصلنامه تحقیقات جغرافیایی. 1394؛ 30(3): 241-258.
[20] Khairunniza-Bejo S, Mustaffha S, Ismail WI. Application of artificial neural network in predicting crop yield: A review. Journal of Food Science and Engineering. 2014 Jan 1;4(1):1.
]21[ بیرانوند شاهین، صحرائیان کیانا. انواع شبکه عصبی و کاربرد آن‌ها. مجموعه مقالات سومین همایش بین‌المللی پژوهش‌های مدیریت و علوم انسانی؛ 1397 تیر 14؛ تهران.
]22[ منهاج محمدباقر‌. مبانی شبکه عصبی (هوش محاسباتی). مرکز نشر دانشگاه امیرکبیر؛ 1384. 712 صفحه.
[23] Mike 21 SW [computer program]. Spectral Wave FM model, User Guide. DHI;2014.
[24] Agrawal JC, Deo Mc. Online Wave prediction. Maine Structures. Elsevier: Oxford: 2004. P. 28.
[25] Qnet Users Guides. Winnetka, IL. Vesta Services, Inc; 1999.
[26] Wilamowski B, lplikci M, Kaynak S, Efe O. An algorithm for fast convergence in training neural networks. Proceedings of international joint conference on neural networks; 2001 July 15-19; Washington DC, USA.
[27] Army Coastal Engineering Research Center. Shore protection manual. 6th ed. Fort Belvoir: Coastal Engineering Research Center (U.S.); 1973.
]28[ غفارپورجهرمی سعید، شرف‌الدین محمد. استفاده از نتایج آزمون دینامیکی  PDAدر تعیین باربری شمع تکی در سازه‌های دریایی به روش شبکه‌های عصبی مصنوعی. نشریه مهندسی دریا. 1399؛ 16(31):131-138.
]29[ تهورعلیرضا، حیدری شاهین، زرین‌چنگ پویا. مدل‌سازی سامانه کنترل ارتفاع با استفاده از شبکه‌های عصبی مصنوعی. نشریه ماشین‌های کشاورزی. 1395؛ 6(2):350-361.
[30] Borhani Daryan AR, Fatehi Marj A. Application of artificial neuron network in estimation of river flow using climatic indices in Nazolchai Watershed. Economical Research Journal. 2008. 12:50-63.
[31] Mandal S, Prabaharan N. Ocean Wave Prediction Using Numerical and Neural Network Models. The Open Ocean Engineering Journal. 2010; 3: 12-17.
 
 
 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار