عنوان پایان‌نامه
تخمین مشخصات امواج ناشی از باد در ناحیه ساحلی با تلفیق مدلهای تحلیلی و عددی و هوشمند
- رشته تحصیلی
- مهندسی عمران - مهندسی آب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 2284;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77570
- تاریخ دفاع
- ۲۵ شهریور ۱۳۹۴
- دانشجو
- سعید ابراهیم پوردرازکلا
- استاد راهنما
- رضا غیاثی
- چکیده
- پیش بینی امواج کاربرد های بسیار وسیعی در کار های دریایی دارد. هدف از کار های انجام شده در این تحقیق، که نتایج آن در این پایان نامه ارائه شده است، یافتن روش های سریع و کم هزینه و در عین حال با دقت مناسب برای پیش بینی امواج دریا ناشی از باد است. در سال های اخیر، با پیشرفت علم و کامپیوتر روش های عددی و هوشمند برای پیش بینی امواج توسعه یافته است. در مقام مقایسه، هزینه استفاده از مدل های عددی نسبتا قابل توجه است ولی این مدل ها در هر جایی که اطلاعات باد در دسترس باشد قابل استفاده هستند. در مقابل، هزینه استفاده از شبکه های عصبی به‌عنوان یکی از پر کاربرد ترین شاخه های هوش مصنوعی بسیار پایین است. ولی استفاده از این مدل ها برای تخمین مشخصات امواج در صورتی امکان پذیر است که دقیقا در محدوده مورد نظر، آمار نسبتا طولانی مدت موج و باد در اختیار باشد. آمار باد، اطلاعات ارزان و سهل الوصولی است و معمولا در یک یا چند ایستگاه اطراف محل مورد نظر قابل دسترس است. اما تهیه آمار اندازه گیری شده موج از نظر هزینه ای بسیار گران تمام می شود. در این پایان نامه با استفاده از تلفیق مدل های پارامتریک و عددی و هوشمند، با هزینه کم و دقت مناسب مشخصات موج پیش بینی شده است. در این روش، از روش تجربی-تحلیلی برای تخمین مشخصات موج در آب عمیق استفاده می شود. سپس با کاربرد مدل عددی موج آب عمیق روند یابی شده و ارتفاع موج در ساحل محاسبه می گردد. سپس از ارتفاع موج محاسباتی و پارامتر های مختلف برداشت شده از ایستگاه های بویه در آب عمیق و ساحل برای آموزش شبکه عصبی استفاده می شود. شبکه عصبی آموزش دیده قادر است تا برای محدوده ساحلی مورد مطالعه، ارتفاع موج را پیش بینی نماید. برای آموزش شبکه عصبی، از سه حالت استفاده شد. حالت اول و دوم، استفاده از دو ایستگاه یکی در آب عمیق و دیگری در ساحل می باشد. حالت سوم استفاده از سه ایستگاه، دو ایستگاه در آب عمیق و یک ایستگاه در ساحل می باشد. از این روش برای تخمین ارتفاع موج در ساحل دریاچه سوپریور استفاده شد و دقت مناسب نتایج پیش بینی، نشان دهنده موفقیت روش ارائه شده است.
- Abstract
- Prediction of wave parameters is important for many applications in coastal and offshore engineering. The purpose of present work is to obtain fast and accurate approach to predict wind driven waves in coastal area. While advances in related science and computer facilities during the recent years, numerical methods have been developed to forecast marine waves. Although numerical methods require some computational cost, they are applicable if wind data are available. In contrast, the cost of using neural networks is very low, as one of the mostly used items of artificial intelligence technology. However, predicting wave data by apllying such systems is subject to existing long term wind and wave statistics. Wind data are cheap and easily accessible and usually available in one or more stations around the particular region. On the contrary, obtaining wave statistics are expensive in terms of cost. In this research, by combination of parametric and numerical and intelligent models, wave parameters are predicted in a almost low cost and good accuracy conditions. In this approach, empirical-analytic method is applied to estimate the wave characteristics in deep water. Then, by applying numerical model and wave routing in deep water wave height is calculated in shallow water and near shore regions. Subsequently, calculated wave height and measured parameters taken from the buoys in deep water and shore stations are used to train the neural network. Trained neural networks is able to predict wave height in the coastal study area. Three various modes are applied for training the neural networks. In mode 1 and 2, two stations, one in deep water and the other one on the shore line are used. In mode 3, three stations, two of them in the deep water and one on the shore line are considered. This method was applied to estimate the height of the waves on coast lines of the Lake Superior and the accuracy of predicted outcomes indicates the success of the proposed approach.
