بخشی از مقاله
چکیده
امواج ایجاد شده توسط باد نقش مهمی در طراحی سازههای ساحلی و فراساحلی دارد بههمین دلیل در این تحقیق به پیشبینی امواج ناشی از باد در منطقه جا سک در شمال دریای عمان با ا ستفاده از روش شبکه ع صبی پرداخته شده ا ست. شبکه های ع صبی م صنوعی، یک ابزار مهم در محاسبات هوش مصنوعی است که از آن در رشتههای مهندسی سواحل و مهندسی دریا بسیار استفاده میشود.
شبکه عصبی بهکار رفته در این تحقیق، از نوع پیشخور سه لایه میباشد که سرعت و جهت باد بهعنوان ورودی و ارتفاع موج شاخص بهعنوان خروجی در نظر گرفته شده است.برای طراحی این برنامه از نرمافزار متلب1 استفاده شد.همچنین به منظور پیشبینی ارتفاع موج ناشی از باد، از آمار باد تهیه شده از اداره بنادر و کشتیرانی ا ستفاده شده است.
با توجه به مقدار حا صل شده در جزر میانگین مربع خطاها به مقدار 0,12 و نیز ضریب همب ستگی به مقدار 0,93 که هر در محدوده ایدهآل قرار دارند، میتوان نتیجه گرفت که برنامه شبکه عصبی مصنوعی تهیه شده در پیشبینی ارتفاع موج شاخص در منطقه مورد نظر از دقت بالایی برخوردار است و حاکی از آن است که این روش ابزار کارآمدی برای پیشبینی ارتفاع امواج به عنوان یک پارامتر تصادفی در منطقه است.
مقدمه
امواج ناشی از باد به دلیل حرکت باد و ایجاد فشار و همچنین مکانیزم تنش برشی ایجاد میشود و نقش مهمی در طراحی سازههای ساحلی و فراساحلی دارد به همین ترتیب پیشبینی ارتفاع امواج ناشی از باد از اهمیت زیادی برخوردار است. با وجود روشهای مختلف برای پیشبینی امواج، روش محاسبات نرم ، بهمنظور پیشبینی امواج مورد توجه قرار گرفته است.. اطلاع و پیشبینی ارتفاع موج در دریا برای فعالیتهای دریایی مانند طراحی و برنامهریزی و بهرهبرداری از هر بندر و تسهیلات دریایی و ساحلی، مهم و ضروری است.
یکی از راههای دسترسی به پیشبینی ارتفاع موج، آگاهی از میدان باد است. هر چه دقت دادههای باد بیشتر باشد، ارتفاع موج پیشبینی شده دقیقتر خواهد بود. بنابراین بی دقتی در دادههای باد ورودی مهمترین دلیل نامعتبر بودن دادههای حاصل از مدلسازی است
چندین روش برای پیشبینی موج مطرح شده است مانند روشهای تجربی، روشهای عددی و محاسبات نرم که در جدول 1 چند نمونه از مدلهای مورد استفاده معرفی شده است. بعد از روشهای تجربی و فرمولبندیهای مختلف برای پیشبینی امواج، با گسترش تئوری امواج، پردازندههای سرعت بالا و مدلهای عددی، مدل های ن سل سوم پی شرفته برای پیشبینی امواج تو سعه داده شدند. ولی روش محا سبات نرم و روش شبکه عصبی مصنوعی در دو دهه گذشته برای پیشبینی ارتفاع امواج مورد استفاده قرار گرفته است. تحقیقات پیشین برای پیشبینی ارتفاع موج شاخص را میتوان به دو دسته تقسیم کرد.
دسته اول نشان دهنده مدلهای زمانی تک متغیره است که در آن از ارتفاع موج شاخص فعلی و قبلی برای پیشبینی ارتفاع موج در چند ساعت و یا چند روز آتی استفاده میشود مانند مطالعات انجام شده توسط دیکسیت و همکاران [2]، ازگیر[3]، و میریکیتانی .[4] دسته دوم نشان دهندهی رابطه علت و معلول است که در آن بیشتر نیروی باد برای پیشبینی ارتفاع موج استفاده شده است که میتوان در تحقیقات انجام شده توسط دئو و همکاران [5]، تسای و همکاران [6]، زمانی و همکاران [7]، ملک محمدی و همکاران [8] و کامرانزاده و همکاران [9] و لونده و همکاران [10] مشاهده کرد.
از آنجا که موج یک پدیده ت صادفی ا ست از این رو در پیشبینی موج، مدلهایی که در آنها از معادلات قطعی ا ستفاده شده ا ست در پیشبینی به مشکل می خورند؛ بنابراین برای مدلسازی، شبکه عصبی مصنوعی ایدهآل به نظر میرسد چرا که هدف اولیه شبکه عصبی، تشخیص الگوی تصادفی در ورودی یک مجموعه و استفاده از آنها برای پیشبینی ویژگیهای خواسته شده است، و برای مدلسازی ورودیهای تصادفی با خروجیهای متناظر مناسب است .[5] مزیت مهم شبکه عصبی این است که برای مدلسازی از آن نیازی به دانستن فرآیندهای اساسی فیزیکی نیست. در این تحقیق از شبکه عصبی مصنوعی برای پیشبینی امواج در منطقه جاسک واقع در شمال دریای عمان استفاده شده است.
جدول :1 روشهای پیشبینی موج
برای توصیف شبکه عصبی مصنوعی میتوان گفت که شبکه عصبی مصنوعی3 یک سیستم پردازش اطلاعات بر اساس ساختار مغز انسان است و بر مفهوم نورون4 استوار است و میتواند به مرور زمان و تعامل بیشتر با محیط، کارآزمودهتر گردد و علاوه بر انجام محاسبات، قادر به نتیجهگیری منطقی باشد و در شرایط جدید راهکار مناسب ارائه دهد بهعبارت دیگرقابل تعمیم است. سادهترین نوع شبکه از نوع پیش خور5 سه لایه است؛ که همانطور که در شکل 1 نشان داده شده، شامل لایه ورودی-پنهان-خروجی است.
شکل :1 ساختار شبکه عصبی پیش خور سه لایه
روش کار شبکه ع صبی به این گونه ا ست که پس از آموزش شبکه، اعمال یک ورودی خاص به شبکه منجر به دریافت پا سخ خا صی می شود و شبکه بر مبنای تطابق و هم سنجی بین ورودی و هدف6 سازگار می شود تا اینکه خروجی شبکه و خروجی مورد نظر بر هم منطبق گردند. عموماً تعداد زیادی از این زوجهای ورودی-خروجی بکار گرفته میشود تا در این روند که از آن تحت عنوان یادگیری نظارت شده7 یاد میشود، شبکه آموزش دیده شود. ورودی شبکه از لایه ورودی گرفته میشود، تعداد نورونهای ورودی با تعداد پارامترهای ورودی برابر است. نورونهای ورودی، دادهها را دریافت کرده و آنها را به لایه پنهان عبور میدهد. این نورونها به طور جداگانه مقادیر را دریافت میکند و بردارهای ورودی x با بردارهای وزن w ضرب ماتریسی میشود و بنابراین ورودی تابع انتقال F - A - ایجاد میشود؛ یعنی A بصورت زیر خواهد بود:
نورون از تابع فعالیت غیر خطی برای بد ست آوردن خروجیها ا ستفاده میکندیک. تابع غیر خطی معمولاً، تابع سیگموئید ا ست که به صورت زیر تعریف میشود:
در این رابطه مقدار خروجی، تعداد نورونها، تعداد خروجی و بایاس است. نتایج انتقال یافته از هر گره خروجی، خروجی شبکه را تشکیل میدهد.
پس از آنکه توپولوژی شبکه م شخص شد و یک مجموعه از دادههای ورودی و خروجی برای بد ست آوردن وزنهای شبکه بکار گرفت شدند، در فرآیند آموزش نظارت شده، خروجی شبکه با مقادیر مورد نظر و واقعی مقایسه میشود و خطای نتیجه شده با کمک الگوریتم ریاضی ایجاد میشود حداقل خطا شبکه بصورت زیر تعریف میشود:
که در این رابطه و به ترتیب مقادیر ورودی و هدف در امین نورون ورودی است. در ابتدا وزنها بصورت تصادفی انتخاب میشوند و سپس ثابت و معین میشود. تنظیم یک وزن با وزن قبلی ارتباط دارد که به صورت زیر نشان داده شده است:
که ∆ - - تغییر در وزن در امین تکرار برای نورون و ورودی است، ∆ - + 1 - تغییر در وزن در - + 1 - امین تکرار، فاکتور حرکت و سرعت یادگیری8 است. زمان تنظیم وزنها و تاثیر جریان وزنها روی وزنهای بعدی توسط سرعت یادگیری کنترل میشود. در بروز رسانی وزنها در طول آموزش استفاده میشود
مواد و روش کار
دادههای مورد استفاده در این تحقیق شامل دادههای باد و موج در مختصات جغرافیایی'57°46 شرقی و 25°38' شمالی در منطقهی بندر جاسک در شرق استان هرمزگان و در حاشیه شمال دریای عمان است. - شکل . - 2 آمار باد مورد استفاده در این تحقیق از اداره بنادر و کشتیرانی تهیه شده است. در این مجموعه، دادههای باد و موج سال 2009 قرار دارد. دادهها به دو دسته تقسیم شدهاند، که %70 برای آموزش شبکه و %30 برای تست شبکه در نظر گرفته شده است.
