دوره 15، شماره 30 - ( 11-1398 )                   جلد 15 شماره 30 صفحات 40-23 | برگشت به فهرست نسخه ها


XML English Abstract Print


1- دانشکده مهندسی دریا، دانشگاه صنعتی امیرکبیر
2- گروه مهندسی برق، دانشگاه خلیج فارس
چکیده:   (3643 مشاهده)
به دلیل ماهیت پیچیده تصادفی و غیر خطی امواج، پیش­بینی وقوع امواج سهمگین دشوار است. پیش­بینی وقوع امواج سهمگین می­تواند تا حد زیادی از بروز خسارات جانی و مالی بکاهد.  هدف از این تحقیق ارائه یک روش ترکیبی برای پیش­بینی وقوع امواج سهمگین از روی متغیرهای هواشناسی با استفاده از روش­های داده­کاوی ضریب داده پرت محلی و شبکه­ عصبی مصنوعی دسته­بندی کننده است. برای بررسی کارایی مدل ارائه شده از داده­های تاریخی متغیرهای هواشناسی برداشت شده طی سه سال از ایستگاه­های شماره 41041 و 41004 دو طوفان مشهور Dean (2007) و Irene (2011) استفاده شده است. ابتدا با استفاده از روش ضریب داده پرت محلی امواج سهمگین شناسایی شده، سپس از خروجی­های این روش برای آموزش شبکه عصبی استفاده شده است. از 80 درصد داده­های جمع آوری شده برای مرحله آموزش و از مابقی برای مرحله آزمون مدل بکار رفته است. کارایی روش ارائه شده با استفاده از معیارهای متداول بررسی عملکرد روی داده­های آموزشی و آزمون بررسی شد؛ نتایج بیانگر عملکرد مناسب روش پیشنهادی در پیش­بینی وقوع امواج سهمگین از روی متغیرهای هواشناسی است به طوری که برای هر دو مجموعه داده مورد بررسی دقت میانگین به 99% رسید.
متن کامل [PDF 2123 kb]   (1578 دریافت)    
نوع مطالعه: مقاله پژوهشي | موضوع مقاله: هیدروديناميك سازه های ساحلی و فراساحلی
دریافت: 1397/9/19 | پذیرش: 1398/7/7

فهرست منابع
1. Deo, M.C., Jha, A., Chaphekar, A.S., and Ravikant, K, (2001), Wave prediction using neuralnetworks, Journal of Ocean Engineering, Vol. 28, No. 7, pp. 889-898. [DOI:10.1016/S0029-8018(00)00027-5]
2. Komen, G.J., Cavaleri, L., Donelan, M., Hasselmann, K., and Hasselmann, S., P. Janssen, (1994), Dynamics and Modelling of Ocean Waves, Cambridge University Press. [DOI:10.1017/CBO9780511628955]
3. Londhe, S.N., and Panchang, V.G., (2006), One-day wave forecasts based on artificial neural networks, Journal of Atmospheric and Oceanic Technology. AMS, Vol. 23, No. 11, pp. 1593-1603. [DOI:10.1175/JTECH1932.1]
4. Ponce de León, S., and Guedes Soares, C. (2015), Hindcast of extreme sea states in North Atlantic Extratropical storms, Jourbal of Ocean Dynamics, Vol. 65, No. 2, pp. 241-254. [DOI:10.1007/s10236-014-0794-6]
5. Tolman, H.L., (2014), The WAVEWATCH III Development Group, User manual and system documentation version 4018, Tech. Note 316, NOAA/NWS/NCEP/MMAB. 282.
6. Jain, P., and Deo, M.C., (2007), Real-time wave forecasts off The Western Indian Coast, Journal of Applied Ocean Research. Vol. 29, pp. 72-79. [DOI:10.1016/j.apor.2007.05.003]
7. Mahmoodi, K., Ghassemi, H., and Nowruzi, H., (2017), Data mining models to predict ocean wave energy flux in the absence of wave records, Science Journal of Maritime University of Szczecin, Vol. 49, No. 49, pp. 119-129.
8. Berbić, J., Ocvirk, E., Carević, D., and Lončar, G., (2017), Application of neural networks and support vector machine for significant wave height prediction, Journal of Oceanologia, Vol. 59, pp. 331-349. [DOI:10.1016/j.oceano.2017.03.007]
9. Nikoo, M. R., Kerachian, R., Alizadeh, M. R., (2018), A fuzzy KNN-based model for significant wave height prediction in large lakes, Journal of Oceanologia, Vol. 60, No. 2, pp. 153-168. [DOI:10.1016/j.oceano.2017.09.003]
10. Krishna Kumar, N., Savitha, R., Al Mamun, A., (2018), Ocean wave height prediction using ensemble of Extreme Learning Machine, Journal of Neurocomputing, Vol. 277, pp. 12-20. [DOI:10.1016/j.neucom.2017.03.092]
11. Jain, P., and Deo M.C., (2006), Neural networks in ocean engineering, International Journal of Ships and Offshore Structures, Vol. 1, pp. 25-35. [DOI:10.1533/saos.2004.0005]
12. Dixit, P., and Londhe, S. (2016), Prediction of extreme wave heights using neuro wavelet technique, Journal of Applied Ocean Research, Vol. 58, pp. 241-252. [DOI:10.1016/j.apor.2016.04.011]
13. Krishna Kumar, N., Savitha, R., Al Mamun, A., (2017), Regional ocean wave height prediction using sequential learning neural networks, Journal of Ocean Engineering, Vol. 129, pp. 605-612. [DOI:10.1016/j.oceaneng.2016.10.033]
14. Shukla, R. P., Kinter, J. L., Shin, C., S. (2018), Sub-seasonal prediction of significant wave heights over the Western Pacific and Indian Oceans, part II: The impact of ENSO and MJO, Journal of Ocean Modelling, Vol. 123, pp. 1-15 [DOI:10.1016/j.ocemod.2018.01.002]
15. 10- Krishna Kumar, N., Savitha, R., Al Mamun, A., (2018), Ocean wave characteristics prediction and its load estimation on marine structures: A transfer learning approach, Journal Marine Structures, Vol. 61, pp. 202-219. [DOI:10.1016/j.marstruc.2018.05.007]
16. Breuning, M., Kriegel, H-P., Ng, R., and Sander, J., (2000), LOF: Identifying Density Based Local Outliers, In Proceeding of ACM SIGMOD International Conference on Management of Data (SIGMOD'00), Dallas, Texas, pp. 93-104. [DOI:10.1145/335191.335388]
17. Vaghefi, M., Mahmoodi, K., and Akbari, M (2018), A Comparison among Data Mining Algorithms for Outlier Detection using Flow Pattern Experiments. Scientia Iranica. doi: 10.24200/sci.2017.4182 [DOI:10.24200/sci.2017.4182]
18. Vaghefi, M., Mahmoodi, K., and Akbari, M. (2019). Detection of Outlier in 3D Flow Velocity Collection in an Open-Channel Bend Using Various Data Mining Techniques. Iranian Journal of Science and Technology, Transactions of Civil Engineering, Vol. 43, pp. 197-214. doi: 10.1007/s40996-018-0131-2 [DOI:10.1007/s40996-018-0131-2]
19. Schmidhuber, J. (2015), Deep Learning in Neural Networks: An Overview, Neural Networks, Vol. 61, pp. 85-117. arXiv:1404.7828. [DOI:10.1016/j.neunet.2014.09.003]
20. http://www.ndbc.noaa.gov
21. Rasheed, S., and Sasikumar, K. (2015), Modelling Vertical Infiltration in an Unsaturated Porous Media Using Neural Network Architecture, Aquatic Procedia, Vol. 4, pp. 1008-1015. [DOI:10.1016/j.aqpro.2015.02.127]

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.