بکارگیری شبکه‌ عصبی پرسپترون چند‌لایه و ماشین بردار پشتیبانی بمنظور مدلسازی رفتار هیدرودینامیکی موج شکن قائم نفوذپذیر با هسته متخلخل

در این تحقیق امکان بکارگیری شبکه عصبی پرسپترون چند لایه و ماشین بردار پشتیبانی بمنظور مدلسازی رفتار هیدرودینامیکی موج شکن های نفوذپذیر قائم با هسته متخلخل مورد بررسی قرار می گیرد. بدین منظور از داده های مطالعه آزمایشگاهی بر روی مدل فیزیکی استفاده شده است تا ضرایب انعکاس و گذر موج برخوردی به سازه که بیانگر رفتار هیدرودینامیکی هستند را به عرض محفظه موج شکن، نسبت ارتفاع مصالح سنگی به عمق آب، نسبت عرض محفظه به طول موج، ارتفاع موج، عدد موج در عمق آب و تیزی موج مرتبط شود. نتایج حاکی از آن است مدل شبکه عصبی پرسپترون چند لایه نسبت به مدل ماشین بردار پشتیبانی دارای عملکرد بهتری در مدلسازی رفتار هیدرودینامیکی موج شکن مورد مطالعه بوده و تا حد زیادی به داده های واقعی همبسته(0/8689=r برای ضریب انعکاس موج و 0/96629=r برای ضریب گذر) است. در ادامه بمنظور آشکارسازی پاسخ ضرایب انعکاس و گذر به هریک از پارامترهای ورودی مدل برتر، مطالعه پارامتریک انجام گرفته است. همچنین با استفاده از آنالیز حساسیت میزان مشارکت پارامترهای ورودی در پیشبینی ضرایب انعکاس و گذر مورد بررسی قرار گرفته است.

Application of Multilayer Perceptron Neural Network and Support Vector Machine for Modeling the Hydrodynamic Behavior of Permeable Breakwaters with Porous Core

In this research, the application of multilayer perceptron (MLP) neural networks and support vector machine (SVM) for modeling the hydrodynamic behavior of Permeable Breakwaters with Porous Core has been investigated. For this purpose, experimental data have been used on the physical model to relate the reflection and transition coefficients of incident waves as the output parameters to the width of the breakwater chamber, the ratio of the height of rockfill material to the water depth, the ratio of the width of the chamber to the wavelength, Wave number in water depth and wave steepness. The results indicate that the MPL model has better performance in modeling the hydrodynamic behavior than the SVM model and is largely correlated to real data (R = 0.8689 for reflection coefficient and 0.96629 R = for transient coefficient). In order to reveal the response of reflection and transition coefficients to each input parameter, a parametric study was performed. Also, using the sensitivity analysis, the participation rate of each input parameters in the prediction of reflection and transient coefficients has been studied.