افزایش تاب‌آوری سواحل با یادگیری عمیق: یک رویکرد دو هدفه برای پیش‌بینی همزمان بالاروی و روگذری موج

در سیستم‌های کنترل سیلاب ساحلی، تخمین سریع و همزمان دو پدیده‌ی بالاروی و روگذری موج برای طراحی بهینه، مدیریت ریسک و تضمین تاب‌آوری سازه‌ها اهمیت زیادی دارد. این پژوهش یک چارچوب داده‌محور دوخروجی ارائه می‌دهد که بر پایه‌ی شبکه‌های عصبی کانولوشنی (cnn) و پرسپترون چندلایه (mlp) طراحی شده و قادر است این دو شاخص کلیدی را با دقت بالا پیش‌بینی کند. مدل‌ها با استفاده از پایگاه داده‌ای شامل 12800 سناریوی شبیه‌سازی‌شده، آموزش دیده‌اند و پس از انجام پیش‌پردازش دقیق داده‌ها، با تابع زیان مشترک آموزش یافتند. نتایج آزمون‌ها عملکرد مطلوبی را نشان دادند. به‌طوری‌که ضریب تعیین (r²) تا 0.98، همبستگی بالا (0.99=ρ) و بایاس ناچیز به دست آمد. تحلیل اهمیت جایگشتی (permutation importance) نیز انطباق مدل با اصول فیزیکی مسئله را تایید کرد و تراکم پوشش گیاهی را به‌عنوان پارامتر اصلی و اثرگذار معرفی نمود .این چارچوب با کاهش زمان ارزیابی هر سناریو از چند ساعت به کسری از ثانیه، امکان بررسی سیستماتیک گزینه‌های طراحی را در مرحله‌ی امکان‌سنجی فراهم کرده و زیرساخت لازم برای سیستم های پشتیبان تصمیم‌گیری (dss) در پیش‌بینی‌های عملیاتی را ایجاد می‌کند. در نتیجه، این رویکرد می‌تواند به‌عنوان ابزاری کارآمد برای هدفمند کردن شبیه‌سازی‌های پرهزینه و افزایش بهره‌وری در مهندسی سواحل به کار گرفته شود.