عنوان پایان‌نامه
امکان سنجی پیش یابی وقوع جریان های گاستی ناشی از توفان های تندری در فرودگاه مهرآباد با کمک روش های شبکه های عصبی
- رشته تحصیلی
- هواشناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 66350;کتابخانه موسسه ژئوفیزیک شماره ثبت: 1090
- تاریخ دفاع
- ۱۶ شهریور ۱۳۹۳
- دانشجو
- محمد عرب عامری
- استاد راهنما
- فریده حبیبی
- چکیده
- بادهای جستی ناشی از جریان¬های جبهه¬ای جستی مربوط به جریان خروجی توفان¬های همرفتی هستند و یکی از پدیده¬های میان تا خرد مقیاس محسوب میشوندو دارای طول عمر در حد چند 10 دقیقه میباشند. تغییر 10 نات و یا بیشتر متوسط تندی باد در 10 دقیقه را باد جستی مینامند. افزایش باد به صورت ناگهانی تاثیر بسزایی بر روی هواپیماهای در حال نشستن در باند پروازی دارد، همچنین پیشبینی باد جستی در برنامهریزی نیروگاههای بادی جهت تولید نیروی الکتریکی حائز اهمیت است. لذا در این رساله شبکههای عصبی مصنوعی جهت امکانسنجی پیشیابی بادهای جستی بررسی شد. دادههای به کار گرفته شده مربوط به ایستگاه خودکار فرودگاه مهرآباد در سال 2013 بود و از روشهای انتخاب ویژگی جهت انتخاب بهترین متغیرها به شبکه استفاده شد. شبکه عصبی پرسپترون چند لایه و ANFIS برای تشخیص باد جستی استفاده شد. شبکه عصبی پرسپترون با دو لایه مخفی و 150 تکرار عملکرد خوبی داشت به طوری که میانگین مجذور مربعات خطا از مرتبه 5-10 و دقت پیشبینی تندی باد 7/2 نات بود. در 272 مورد باد جستی موجود در دادههای آزمون شبکه عصبی پرسپترون طراحی شده توانست 275 مورد باد جستی را تشخیص دهد. همچنین محاسبه همبستگی بین ورودی و خروجی شبکه عصبی پرسپترون چند لایه در مورد دادههای مرحله آموزش و آزمون 99/0 و برای دادههای مرحله اعتبارسنجی 98/0 بوده است. این نتایج به واسطه انتخاب ورودیها به روش پسرو از دادههای ایستگاه خودکار مهرآباد به دست آمد. مدل ANFIS قابلیت بهتری برای پیشیابی باد جستی داشت. در مدل ANFIS تندی باد با دقت 2/0 نات پیشبینی شد. مدل ANFIS توانست 271 مورد از 272 مورد باد جستی را که در دادههای ورودی وجود داشت به خوبی تشخیص دهد در این مورد شبکه قادر به تشخیص یک مورد باد جستی نبود و حداکثر میزان اختلاف بین ورودی و خروجی کمتر از شبکه عصبی پرسپترون چند لایه بود.
- Abstract
- Gust front is the leading edge of relatively cool air mass that flows outwards from the base of a thunderstorm and spreads along the ground well in advance of the thunderstorm cell. Gasty Wind is classified as a mesoscale phenomenonand its life time is between 10 to 20 minutes. If during 10 minutes preceding the observation, maximum wind speed exceeds the mean speed by 10 knots or greater, it will be called a gust wind. Gusty winds are very crucial for aircraft during final approach segment and wind speed forecast is very important to the operation of wind power plants and power systems. Here is a feasibility study of thunderstorm gust fronts predictability at the Mehrabad airport using neural network methods. The data used in this thesis are taken from Mehrabad airport RVR station in 2013. ANFIS and MLP are used for detecting gusty wind.MLP with two layers and epoch 150 (150 repetitions) has lowest RMSE (order of 10-5) and accuracy of gust speed prediction is 2.7 knots. From 272 Gusty wind cases for testing data in MLP, the designed MLP could recognize 275 cases. Also correlation between estimated and original data for training and testing phase is 99% and for evaluation phase is 98%. These results were achieved by using Backward Selection Method for choosing the input data from Mehrabad Automated Data Station. The ANFIS model has better results and the accuracy of gust speed prediction is 0.2 knots. Gusty wind cases for testing data in ANFIS was 272 and the designed ANFIS could recognize 271 cases and difference between original and estimated data was less than MLP.
