پیش‌بینی تراکم جریان شکافنده در سواحل میانه با استفاده از شبکه‌های عصبی مصنوعی

جریان‌های شکافنده جریان‌هایی قوی، قارچی شکل هستند که عامل اصلی تلفات ناشی از غرق شدن شناگران در منطقه خیزاب ساحلی محسوب می‌شوند. با توجه به رفتار متغیر این جریان‌ها و محدودیت های بسیار در مشاهدات میدانی، در این پژوهش با استفاده از شبکه‌ عصبی مصنوعی، مدلی در مورد تخمین میزان تراکم جریان‌های شکافنده در سواحل حالت میانه ارائه شده است. به این منظور نخست اطلاعات مرتبط به سیستم جریان شکافنده از طریق مدل عددی مایک 21.3 به صورت پارامترهای بی‌بعد عدد فرود، ارتفاع موج، پهنای خیزاب و پهنای کانال جریان استخراج شدند. در گام بعدی تاثیر هر یک از پارامترهای بی‌بعد روی تراکم جریان‌ برای توابع و نرون‌های مختلف شبکه عصبی بررسی شد. سپس نتایج مدل در هجوم امواجی با ارتفاع مختلف با نتایج میدانی سایر محققین مورد مقایسه قرار گرفت و تطابق بسیار خوبی بین آن‌ها مشاهده شد. نتایج این تحقیق نشان می‌دهد با افزایش ارتفاع امواج بر سرعت جریان‌ و فواصل کانال ها افزوده می‌شود و به تدریج از میزان تراکم جریان‎کاسته می‌شود. نتایج دیگر این تحقیق حاکی از آن است در شرایطی که امواج کم‌ارتفاع‌تر بر دریا حاکمند، تابع گرادینت دیسنت ویت آداپتیو لرنینگ ریت (gda) با کمترین خطا (rmse معادل 0.013) و در شرایطی که امواج مرتفع‌تر بر دریا حاکمند تابع کواسی نیوتن (bfg) با کمترین خطا (rmse معادل 0.00282) هر کدام با 14 نرون دقیق‌ترین تخمین را از میزان تراکم جریان‌های شکافنده در سواحلی باحالت میانه ارائه می‌دهند.

prediction of rip current density using artificial neural networks in intermediate beaches

rip currents are strong, mushroomshaped currents that are the main cause of swimmers’ drowning in the surf zones. in this study, a model is presented to estimate the rip current density on the intermediatestate beach using artificial neural network considering the variable behavior of these currents and the many limitations in field observations. for this purpose, the data related to the rip current system were first extracted as nondimensional parameters including the froude number, wave height, width of the surf zone, and width of the rip channel using the mike21/3 numerical model. in the next step, the effect of each of the parameters was investigated on the rip density for different neural network functions and neurons. the results of the model were then compared with field observations of other researchers in different wave heights and very good agreement was observed between them. the results of this study show that with the increase in wave height, the current velocity and spacing of rip channels will increase and the rip density will gradually decrease. other results of this study indicate that as the lower waves approach the beach, gradient descent with adaptive learning rate (gda) function with the lowest error (rmse equals 0.013) and as the higher waves approach the beach, quasinewton (bfg) function each with 14 neurons give the most accurate estimate of the rip density on the intermediatestate beach.