کاربرد شبکه عصبی مصنوعی در بهینه‌سازی نتایج پیش‌بینی مدل دینامیک امواج دریا

در این ﺗﺤﻘﯿﻖ ﮐﺎرﺑﺮد ﺗﮑﻨﯿﮏ شبکه ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ در ﮐﺎﻫﺶ ﺧﻄﺎی ﻣﺪل دینامیکی برای ﭘﯿﺶ‌ﺑﯿﻨﯽ دقیق امواج دریا ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار گرفته است. با اتخاذ رویکرد ترکیب مدل‌ها، در ابتدا مدل ایرانی pmodynamicsi به تنهایی برای پیش‌بینی موج آب عمیق بوشهر اجرا شد و پس از اعمال تنظیمات بهینه نشان داد، مدل برای امواج با ارتفاع کمتر از یک متر دقت بالایی (73 درصد) داشته و در مواقع طوفان‌های سمت شرق و جنوب‌شرقی در منطقه، به دلیل کمتر بودن مقدار سرعت باد (داده‌های gfs) در مقایسه با واقعیت، ارتفاع امواج تا 75 سانتی‌متر دست‌پایین برآورد شده است. به منظور افزایش دقت مدل‌سازی‌ها، سیستم شبکه عصبی مصنوعی بر اساس یک ساختمان mlp‌ سه‌ لایه تعریف گردید که نقش آن پیش‌بینی مقدار خطای مدل دینامیکی و اعمال آن بر روی نتایج مدل عددی است. در این زمینه انتخاب درستِ تعداد و نوع نرون‌های ورودی از میان عوامل موثر بر تولید موج، کمک شایانی به یافتن رابطه‌ی نهفته‌ی میان داده‌ها نموده که از طریق آن خطای پیش‌بینی‌ها به حداقل رسید. بر اساس نتایج، تکنیک ترکیبی مدل دینامیکی و شبکه عصبی مصنوعی علاوه بر افزایش دقت نتایج به90 درصد، کاهش جذر میانگین مربع خطا از 0.31 در مدل عددیِ تنها به0.22 در مدل ترکیبی را موجب گردید به طوری که در حدی‌ترین شرایط، ارتفاع موج تا 60 سانتی‌متر به واقعیت نزدیک‌تر شده است. به عبارت دیگر، ترکیب نتایج دو مدل، بهبود پیش‌بینی‌های موج را موجب شده است.

Application of Artificial Neural Networks in Optimization of Sea Wave Model Predictions

In this study, Artificial Neural Networks (ANN) has been used for reducing the errors of sea wave model predictions. Firstly, standalone PMODynamicsI model has been implemented to predict Bushehr deepwater wave characteristics. Results implies that PMODynamicsI performed better in simulating ordinary wave with height less than 1m, but it is underestimated about 75cm related to a weak wind Global Forecasting System (GFS) forecasts during east and southeast storms. In order to increase the wave model accuracy, a MLP ANN system consists of three layers of nodes has been defined to predict the wave model errors, which optimal selection of a number and type of input neurons among factors influence the formation of wind waves has helped to find the relationship between input and output in ANN to minimize model error. The combination of PMODynamicsI together with ANN technique has been improved the accuracy of the sea wave model forecast till %90 and reduced RMS error from 0.31 in standalone PMODynamicsI to 0.22 in combinations models. As a result of the use of combined wave and ANN systems makes accurate predictions for extreme wave about 60cm.