Marine Engineering

fa تعیین پارامترهای موثر جهت بررسی تغییرات سکوی ساحلی در شرایط غیر طوفانی با استفاده از الگوریتم یادگیری ماشین Determining the Effective Parameters to Investigate the Coastal Berm Changes in non-Stormy Conditions Using a Machine Learning Algorithm شرايط محيطي و زيست محيطي Environmental Study مقاله پژوهشي Research Paper با پیشرفت یادگیری ماشین و الگوریتم‌ها و احداث سایت‌های تحقیقاتی در مناطق ساحلی، اطلاعات ارزشمندی در دسترس قرار گرفته که می‌توان از آنها در توسعه مهندسی سواحل بهره برد. در این پژوهش سعی شده است تا با یادگیری ماشین، ناحیه ساحلی نارابیین استرالیا با رویکرد جدیدی بررسی گردد. یکی از مهمترین عوامل در شناخت رفتار ساحل، بازسازی خود در شرایط غیر طوفانی و بلند مدت است. شناخت و توصیف پدیده‌های تاثیرگذار بر عملکرد تعادلی ساحل نیز بسیار با اهمیت می‌باشد. پس از مرتب سازی داده‌های اولیه، به کمک الگوریتم درخت تصمیم رگرسیونی با بررسی بهترین الگوی رفتاری از برآیند دو عامل خطا و پیچیدگی مدل، مناسب‌ترین سناریوها جهت توصیف پارامتر‌های اثرگذار بر توابع هدف (تغییرات خط ساحل و هندسه سکوی ساحلی) انتخاب گردیدند. بر این اساس جهت توصیف تغییرات خط ساحل به ترتیب ∆BW، Berm Slope، SLR و ζ با مقادیر R2=82% و RMSE=3.489 متر؛ جهت توصیف تغییرات ارتفاعی سکوی ساحلی به ترتیب BC Height ، ∆x Shoreline ، ∆x BC و P با مقادیر R2=48% و RMSE=0.397 متر و همچنین جهت توصیف موقعیت افقی تاج سکوی ساحلی BW، Berm Slope ،  ∆y BC، BC Height ، E و SLR با مقادیر R2=67% و RMSE=9.807 متر در نظر گرفته شدند. بر طبق نتایج حاصل از توصیفِ و نیز اثرگذاری پدیده‌های هیدرودینامیک و مورفودینامیک با استفاده از روش درخت تصمیم رگرسیونی و مقادیر خطا و ضریب تعیین بدست آمده، می‌توان بیان نمود که این روش مناسب بوده و در شناخت پدیده‌های حاکم بر عارضه‌های ساحلی قابل اعتماد است؛ <a name="_Hlk184245344">بر این اساس جهت بررسی تغییرات مورفودینامیک سکوی ساحلی و شناخت رفتار تعادلی آن، شکل هندسی و شیب اولیه آن نقش بسزایی را ایفا می‌نماید.</a> With the advancement of machine learning and algorithms and the establishment of research sites in coastal areas, valuable information has become available that can be utilized in the development of coastal engineering. This study attempts to examine the coastal area of Narrabeen, Australia with a new approach using machine learning. One of the most important factors in understanding coastal behavior is its self-reconstruction under non-stormy and long-term conditions. Recognizing and describing the phenomena affecting the equilibrium performance of the coast is also of great significance. After sorting the initial data, the best behavioral pattern was examined using a regression decision tree algorithm by evaluating the combination of error and model complexity, and the most appropriate scenarios were selected to describe the influencing parameters on objective functions (shoreline changes and coastal platform geometry). Accordingly, to describe shoreline changes, ∆BW, Berm Slope, SLR, and ζ were considered with values of R2=82% and RMSE=3.489 meters; to describe changes in the elevation of the coastal platform, BC Height, ∆x Shoreline, ∆x BC, and P were considered with values of R2=48% and RMSE=0.397 meters; and to describe the horizontal position of the coastal platform crest, BW, Berm Slope, ∆y BC, BC Height, E, and SLR were considered with values of R2=67% and RMSE=9.807 meters. According to the results of the description and the impact of hydrodynamic and morphodynamic phenomena using the regression decision tree method and the obtained error values and coefficient of determination, it can be stated that this method is suitable and reliable for understanding the governing phenomena on coastal features; Based on this, in order to investigate the morphodynamic changes of the coastal platform and to understand its equilibrium behavior, its geometric shape and initial slope play a significant role. رفتار ساحل,سکوی ساحلی,شرایط غیر طوفانی,یادگیری ماشین,درخت تصمیم رگرسیونی Beach Behavior,Coastal Berm,Non-Storm Conditions,Machine Learning,Regression Decision Tree 40 55 http://marine-eng.ir/browse.php?a_code=A-10-251-9&slc_lang=fa&sid=1 Soheil Ataei HassanKiadeh سهیل عطایی حسن کیاده aataei.h.s@shahroodut.ac.ir 10031947532846005848 10031947532846005848 No Shahrood University of Technology دانشگاه صنعتی شاهرود(دانشجوی دکتری) Mehdi Adjami مهدی عجمی adjami@shahroodut.ac.ir 10031947532846005849 10031947532846005849 Yes Coasts, Ports and Marine Structures Engineering GroupDepartment of Water and Environmental EngineeringFaculty of Civil Engineering and EnvironmentalShahrood University of Technology گروه مهندسی سواحل، بنادر و سازه های دریایی، دپارتمان آب و محیط زیست،دانشکده مهندسی عمران،دانشگاه صنعتی شاهرود Saeid Gharachelo سعید قره‌چلو sgharachelo@shahroodut.ac.ir 10031947532846005850 10031947532846005850 No RS & GIS Engineering GroupDepartment of Water and Environmental EngineeringFaculty of Civil Engineering and EnvironmentalShahrood University of Technology گروه مهندسی RS و GIS، دپارتمان آب و محیط زیست،دانشکده مهندسی عمران،دانشگاه صنعتی شاهرود