فني

يادداشت

فني

يادداشت

پيش يابي ارتفاع موج شاخص در خليج فارس با استفاده از شبكه هاي عصبي مصنوعي و مقايسه آن با درخت هاي تصميم رگرسيوني
مريم نعمتي1*1 ، علي كرمي خانيكي2

– كارشناس ارشد فيزيك دريا، دانشگاه آزاد اسلامي واحد علوم و تحقيقات
– دكتراي عمران، مركز تحقيقات حفاظت خاك و آبخيزداري
چكيده:
پيشبيني مشخصات امواج در مهندسي سواحل و دريا از اهميت بسياري برخوردار است. در اين تحقيق ،پيش يابي ارتفاع موج شاخص در خليج فارس با استفاده از روش شبكههاي عصبي مورد بررسي قرار گرفته است. به اين منظور از اطلاعات ساعتي ثبت شده باد و موج بويه در منطقه عسلويه به مدت يك سال استفاده شده است. پارامتر سرعت باد در زمان ثبت ارتفاع موج و سرعت باد در ساعات قبلي به وروديهاي شبكه عصبي افزوده شد و خروجي آن ارتفاع موج در فواصل زماني1، 3، 6، 21 و 42 ساعت آينده مورد بررسي قرار گرفته است. نتايج نشان ميدهد كه روش شبكههاي عصبي در پيشيابي ارتفاع موج از دقت بالايي برخوردار است و افزودن سرعت باد بهعنوان وروديهاي شبكه ميتواند دقت پيشيابي ارتفاع موج را افزايش دهد. همچنين پيشيابي ارتفاع موج در فواصل زماني نزديك (1، 3 و 6 ساعت آينده) با دقت بالاتري انجام ميشود. روش شبكههاي عصبي با روش درختهاي تصميم رگرسيوني مقايسه شده است و نتايج آن حاكي از نزديك بودن دقت پيشيابي ارتفاع موج در دو روش مي باشد. كلمات كليدي : پيشيابي ،موج، شبكههاي عصبي مصنوعي ،درختهاي تصميم رگرسيوني، خليج فارس، عسلويه

TECHNICAL NOTE

TECHNICAL NOTE

Online Significant Wave Height Prediction in Persian Gulf Using Artificial Neural Networks and Regression Trees

M. Nemati1, A. Karami Khaniki2

M.S in physical oceanography, Center for Science and Research, I. A. University
P.H.D. in civil, Research Center for Soil Protection and Water Resources

Abstract
Prediction of wave height is of great importance in marine and coastal engineering. In this study, the performances of artificial neural networks (feed forward with back propagation algorithm) for online significant wave heights prediction, in Persian Gulf, were investigated. The data set used in this study comprises wave and wind data gathered from shallow water location in Persian Gulf. Current wind speed (u) and those belonging up to eight previous hours are given as input variables, while the significant wave height with leading time of 1-24 hour are the output parameters. Results show that the artificial neural networks can perform very well in predicting significant wave height, when shorter intervals of predictions (6 hour) were involved. Small interval predictions were made more accurately than the large interval ones.

[email protected] نويسنده مسوول مقاله *
Results of artificial neural networks were compared with those of regression trees. Results indicate that error statistics of neural networks and regression trees were nearly similar. Keywords: Prediction, wave, Artificial Neural Networks, Regression Trees, Persian Gulf, Asaluye
مقدمه
تأثير امواج بر فعاليتهاي مرتبط با محيط دريا از قبيل ساخت و نگهداري سازههاي ساحلي و فرا ساحلي ،كشتيراني و حمل و نقل دريايي و حفاظت از سواحل
موجب شده است تا روشهاي گوناگوني براي تعيين مشخصههاي موج توسط محققين ارايه شود .اكثر طراحيهاي مربوط به پروژههاي دريايي بر اساس آمار دراز مدت امواج صورت ميپذيرد. با توجه به اينكه آمار و اطلاعات امواج در بسياري از نقاط به اندازه كافي و در دوره زماني مناسب ثبت نشده است، لذا ميبايست با بهره گيري از روش هاي پيش بيني امواج و آمار ثبت شده باد، آمار دراز مدت امواج را توليد نمود. ازكاربرد پيشبيني مشخصات موج در كارهاي مهندسي، ميتوان به برنامهريزي عملياتي جهت هر گونه فعاليت مهندسي در محيط دريا از قبيل حمل، به آب اندازي ،برپاداري و نصب سازههاي دريايي اشاره نمود. درطول دهههاي اخير، براي پيش بيني امواج، چندين روش تجربي و عددي ارائه شده است. استفاده از مدلهاي تجربي در برخي موارد داراي خطاهاي قابل توجهي ميباشد و در مدلهاي عددي مثل مدلهاي نسل سوم ،اطلاعات گسترده هواشناسي لازم مي باشد. تهيه اين اطلاعات و تحليلهاي كامپيوتري در استفاده از اين مدلها مستلزم صرف هزينه و زمان زيادي ميباشد كه در برخي از موارد، استفاده از اين مدلها غير اقتصادي ميباشد [1]. يكي از روش هاي نوين شناسايي ارتباط بين متغيرهاي ورودي و خروجي يك پديده ،استفاده از ابزار محاسبات نرم ميباشد. روشهاي ابزار محاسبات نرم، ارتفاع و پريود موج شاخص را بر اساس پارامترهاي متفاوتي مانند سرعت باد، جهت باد، طول موجگاه و مدت تداوم باد محاسبه ميكنند. در اين مقاله با استفاده از شبكه عصبي مصنوعي، پيشيابي ارتفاع موج شاخص، براي فواصل زماني1 ، 3، 6، 21 و 42 ساعت آينده بررسي شده است و تاثير پارامتر سرعت باد در افزايش دقت پيش يابي، مورد ارزيابي قرار گرفته است و سپس، نتايج آن با روش درختهاي تصميم رگرسيوني مقايسه شده است [2] .

شبكه هاي عصبي مصنوعي
شبكه هاي عصبي از نسل جديد تكنيك هاي داد هكاوي بشمار ميآيند كه در دو دهه اخير توسعه زيادي يافتهاند. از اين تكنيكها هم ميتوان براي كشف و استخراج دانش از يك پايگاه دادهها و هم براي ايجاد مدل هاي پيشبيني استفاده نمود. شبكههاي عصبي مصنوعي برمبناي يك واحد محاسباتي به نام پرسپترون ساخته ميشود . در واقع شبكه عصبي از واحدهايي تشكيل شده است تا رفتارهاي نرون هاي بيولوژيكي را مدل و تقليد كند. اين واحدها ورودي ها را تركيب م يكنند تا يك خروجي حاصل شود كه به اين عمل تركيب تابع فعاليت گفته ميشود. فرايند استفاده از شبكه هاي عصبي به اينگونه است كه ابتدا يك سري مثال هاي آموزشي به شبكه داده مي شود .شبكه با استفاده از وروديها و خروجيهاي آموزشي ،وزنها را طوري تعيين ميكند كه خروجي شبكه به مقدار خروجي واقعي نزديكتر باشد. شبكه تخمين ميزند كه تغييرات وزن يك ورودي، مقدار خطا را كاهش يا افزايش م يدهد. سپس واحد وزن خود را طوري تغيير م يدهد كه خطا كم شود. اين تغييرات وز نها ،براي هر يك از واحدها آنقدر ادامه مي يابد تا وز نهاي بهينه براي مثال هاي آموزشي شبكه بدست آيد. در يك شبكه
پيش خور پس انتشار خطا بطور معكوس به شبكه تغذيه شده و وز نها ب هگون هايي اصلاح م يشوندكه خطا حداقل شود. در اين تحقيق از شبكه هاي عصبي سه لايه پيش خور پس انتشار و تابع انتقال سيگموئيد استفاده شده است.

درخت هاي تصميم گيري
درخت تصميمگيري يكي از ابزارهاي قوي و متداول براي دسته بندي و پيش بيني م يباشد. درخت تصميم گيري برخلاف شبكههاي عصبي به توليد قانون م يپردازد. يعني درخت تصميمگيري پيشبيني خود را در قالب يكسري قوانين توضيح ميدهد در حاليكه در شبكه هاي عصبي تنها پيشبيني بيان ميشود و چگونگي آن در خود شبكه پنهان باقي ميماند. در مورد خصوصيات درخت تصميم گيري مي توان به موارد زير اشاره كرد:
درخت تصميم گيري هر داده را بصورتي در هر گروه تقسيم بندي ميكند كه هيچ دادهاي حذف نميشود (داد هها در گروه مادر با مجموع دادهها در شاخه هاي ايجاد شده برابر است).
فهميدن مدل ايجاد شده توسط درخت تصميمگيري آسان ميباشد. بعبارتي با اينكه ممكن است الگوريتم هايي كه درخت را ايجاد ميكنند چندان ساده نباشند ولي فهميدن نتايج آن آسان ميباشند.
دسته بندي هايي كه در درخت تصميمگيري ايجاد م يشوند از روي شباهت داده هاي ذخيره شده در پارامترهاي پيشبيني كننده ميباشد 3[] و . ]4[

داده هاي مورد استفاده
4-1 – خليج فارس
خليج فارس آبراهي است كه در امتداد درياي عمان و در ميان ايران و شبه جزيره عربستان قرار دارد.
مساحت آن 233000 كيلومتر مربع است و پس از خليج مكزيك و خليج هودسن سومين خليج بزرگ جهان بشمار مي آيد .منطقه عسلويه در شرق استان بوشهر در حاشيه خليج فارس، در300 كيلومتري شرق بندر بوشهر و570 كيلومتري غرب بندر عباس واقع است و حدود 100 كيلومتر با حوزه گاز پارس جنوبي كه درميان خليج فارس واقع شده (دنباله حوزه گنبد شمالي قطر) فاصله دارد. داد ههاي مورد استفاده در اين تحقيق شامل داده هاي باد و موج در خليج فارس، از 42 آوريل سال 2007 تا 25 آوريل سال2008 م يباشد كه در عرض جغرافيايي N ً039΄30 ˚27 و طول جغرافيايي E ً31΄33 ˚25 جمع آوري شده است.

24– منطقه عسلويه
در اين تحقيق ،از اطلاعات موج نگاري ثبت شده در منطقه عسلويه استفاده شده است. دستگاه ثبت داد ههاي موج بويهWave scan buoy بوده كه اطلاعات باد و امواج را در فواصل يك ساعته ثبت كرده است. عمق آب در محل قرار گيري بويه 2 متر ميباشد. سرعت باد در ارتفاع 2 متري از سطح آب اندازه گيري شده است كه با استفاده از فرمول1() به سرعت باد در ارتفاع 01 متري (10U) تبديل شده است:

10 1/7
U 10 =U z (

) ()1
z

Z در رابطه 1() ارتفاع محل اندازه گيري سرعت باد نسبت به سطح دريا برحسب متر است و uz سرعت باد در ارتفاع z متري از سطح دريا بر حسب متر بر ثانيه ميباشد.

ساخت مدل شبكه هاي عصبي
5-1- بررسي تأثير پارامتر سرعت باد در افزايش دقت پيش يابي ارتفاع موج
از آنجا كه يك شبكه عصبي مصنوعي سه لايه ،قادر به تقريب هر تابع غير خطي رياضي ميباشد، لذا در اين مقاله نيز از يك شبكه سه لايه پيش خور پس انتشار براي پيش يابي ارتفاع امواج استفاده شده است. استفاده از پارامترهاي سرعت باد و جهت باد در لايه ورودي، ميتواند در دقت پيشججيابي ارتفاع موج تاثيرگذار باشد [5]. در اين كار ابتدا از وروديهاي ارتفاع موج در زمان ثبت آن و ارتفاع موج در يك ساعت قبل ازآن استفاده شده و خروجي، ارتفاع موج در ساعات آينده پيش يابي شده است 7[] و]8[ . همانطور كه در جدول 1 مشاهده م يگردد افزودن سرعت باد در ورودي هاي شبكه عصبي مي تواند در افزايش دقت پيش يابي ارتفاع موج تاثير گذار باشد. در شكل 1 مقايسه مقادير اندازهگيري شده و پيش يابي شده ارتفاع موج در شبكهاي با دو ورودي و يك خروجي مشاهده ميشود كه وروديهاي آن، ارتفاع موج در زمان ثبت آن و ارتفاع موج در يك ساعت قبل از آن ميباشد و ارتفاع موج در 6 ساعت آينده به عنوان خروجي بررسي شده است. در شكل 2 مقايسه مقادير اندازهگيري شده وپيشيابي شده ارتفاع موج در شبكهاي با سه ورودي مشاهده ميشود كه خروجي در اين شبكه، ارتفاع موج
در 6 ساعت آينده مورد بررسي قرار گرفته است. در پيش يابي شده ديده مي شود .
شكل 2 تطابق بيشتري بين داده هاي بويه و داده هاي

جدول 1- مقايسه ضريب همبستگي در دو شبكه عصبي با وروديهاي مختلف براي فواصل زماني1،3، 6 ،12و 42 ساعت آينده

ورودي
ها

زمان

ثبت

آن
و

موج

ارتفاع
در
زمان

موج

ارتفاع

در

ي
ك

ساعت

قبل

ا

موج
در

زمان

ثبت
آن

و

رتفاع
ي
در

موج

ارتفاع
ك

ساعت
قبل

از

آن

و

سرعت

باد
1
T+
)

يك

بعد
ساعت
(

97
/
0

972
/
0

3
T+
)
بعد

ساعت

سه
(

901
0/
904
0/
6
T+
)
بعد

شش
ساعت
(

779
0/
795
0/
12
T+
)
ب
دوازده

ساعت

عد
(

619
/
0

638
/
0

24
T+
)
ساعت
چهار

و

بيست

بعد

(

288
0/
305
0/

ورودي

ها

زمان



قیمت: تومان

دسته بندی : مهندسی دریا و بندر

دیدگاهتان را بنویسید