ارزیابی زیست‌محیطی و بهبود تحلیل نیروهای وارده بر سازه‌های دریایی و انتقال رسوب با استفاده از تخمین ارتفاع موج شاخص دریا به کمک هوش مصنوعی

تخمین دقیق ارتفاع موج شاخص در تحلیل سازه‌های دریایی از اهمیت بالایی برخوردار است. این تخمین به بهینه‌سازی عملکرد سازه‌ها و کاهش اثرات زیست‌محیطی ناشی از فعالیت‌های دریایی کمک می‌کند. روش‌های تجربی و عددی موجود معمولاً هزینه‌بر و زمان‌بر هستند. به‌تازگی، استفاده از روش‌های هوش‌مصنوعی و محاسبات نرم رونق یافته است، اما این روش‌ها با چالش‌هایی مانند خطای آموزشی و کارایی ناکافی مواجه‌اند. این پژوهش بهبود تخمین ارتفاع موج شاخص را با ترکیب روش‌های هوش‌مصنوعی ناهمگن هدف قرار می‌دهد. در این پژوهش، داده‌ها پردازش و به سه دسته آموزش، اعتبارسنجی و تست تقسیم می‌شوند. سپس داده‌های آموزش با روش هوش مصنوعی آموزش می‌بیند تا به دقت مطلوب برسد. در این پژوهش از داده‌های سیستم اطلاعات ساحلی برای تخمین ارتفاع موج شاخص و تحلیل نیروهای وارد بر سازه‌های دریایی و انتقال رسوب استفاده شده است. معیارهای ارزیابی شامل ضریب تعیین، میانگین قدر‌مطلق خطا و جذر میانگین مربعات خطا هستند. نتایج نشان می‌دهند که روش هوش‌مصنوعی ترکیبی پیشنهادی با ضریب تعیین 0.96، میانگین قدرمطلق خطا برابر 0.079 و جذر میانگین مربعات خطا برابر 0.1098، و همچنین روش رگرسیون فرآیند گوسی با ضریب تعیین 0.96، میانگین قدرمطلق خطا برابر 0.0834 و جذر میانگین مربعات خطا برابر 0.11296، عملکرد مناسبی در تخمین ارتفاع موج شاخص دارند. در این پژوهش، ضریب تعیین در روش پیشنهادی برابر با 0.96 است که نشان‌دهنده بالا بین نتایج تخمینی و واقعی است. همچنین، میانگین قدر مطلق خطا روش پیشنهادی کمتر از روش رگرسیون فرآیند گوسی است. نتایج نشان می‌دهند که روش هوش‌مصنوعی ترکیبی پیشنهادی دقت بیشتری در تخمین ارتفاع موج شاخص و تحلیل نیروهای وارد بر سازه‌های دریایی دارد.

environmental assessment and improvement of the analysis of forces on marine structures and sediment transfer using estimation of the height of the sea index wave with the help of artificial intelligence

accurate prediction of significant wave height is crucial for the analysis of marine structures. this prediction aids in optimizing the performance of structures and reducing the environmental impacts of marine activities. existing empirical and numerical methods are typically costly and time-consuming. recently, the use of artificial intelligence and soft computing methods has gained popularity; however, these methods face challenges such as training errors and insufficient performance. this study aims to improve the prediction of significant wave height by employing a combination of heterogeneous artificial intelligence methods. in this research, the data is processed and divided into three categories: training, validation, and testing. then, the artificial intelligence method is trained using the training data to achieve the desired accuracy. in this research, data from the coastal data system is utilized to estimate the significant wave height and analyze the forces acting on marine structures and sediment transport. the evaluation criteria include the coefficient of determination (r²), mean absolute error (mae), and root mean square error (rmse). the results indicate that the proposed hybrid artificial intelligence method achieves a coefficient of determination of 0.96, an mae of 0.079827, and an rmse of 0.10989. similarly, the gaussian process regression method also demonstrates suitable performance with an r² of 0.96, an mae of 0.083455, and an rmse of 0.11296 in estimating significant wave height. in this research, the coefficient of determination (r²) for the proposed method is 0.96, indicating a high correlation between the estimated and actual results. additionally, the mean absolute error (mae) is 0.079827, which is 0.003628 lower than that of the gaussian process regression method. the root mean square error (rmse) is also 0.10989, which is 0.00307 lower than that of the gaussian regression method. these results demonstrate that the proposed combined artificial intelligence method offers greater accuracy in estimating significant wave height and analyzing the forces acting on marine structures.