پيش بيني جريانات سطحي آب هاي تنگه هرمز با استفاده از شبكه عصبي مصنوعي

Predicting the surface currents of the Strait of Hormuz using artificial neural network

اندازه گيري سرعت جريانات دريايي نقش مهمي در طراحي و اندازه گيري هاي مهندسي دارد. مطالعاتي كه در خليج فارس و تنگه هرمز انجام شده است به بررسي ميداني يا مدل سازي عددي جريان در اين منطقه پرداخته اند. در اين تحقيق با استفاده از تكنيك شبكه هاي عصبي مصنوعي به پيش بيني جريان هاي سطحي تنگه هرمز پرداخته شده است. به منظور تعيين ورودي هاي مدل از سري زماني جريان هاي سطحي شرق و غرب اين تنگه استفاده گرديد و با استفاده از مدل رگرسيون خطي حوضه هاي موثر بر جريان هاي اين تنگه مشخص شده است. سپس در دو حالت مختلف ورودي هاي شبكه عصبي تعريف گرديد. حالت اول سري زماني حوضه هاي شناخته شده به عنوان ورودي شبكه عصبي در نظر گرفته شد.در حالت ديگر با استفاده از طرحواره جونز تركيباتي از سري هاي زماني شناخته شده لحاظ گرديد. با مقايسه اين دو حالت مشخص گرديد كه مدل شبكه عصبي با استفاده از طرحواره جونز، كارايي مناسبي در پيش بيني جريان هاي سطحي اين تنگه دارد. در ادامه به منظور بررسي بيشتر مدل شبكه عصبي، داده هاي جريان به 16 دسته مختلف تقسيم بندي شد، طوري كه در هر دسته اختلاف بين كمينه و بيشينه سرعت برابر 0/03 و ميانگين هر دسته به عنوان خروجي شبكه عصبي در تظر گرفته شد. در تعيين ورودي هاي شبكه نيز، مشابه دو حالت ذكر شده قبل انجام شد. در اين بررسي نيز نتايج نشان داد كه مدل شبكه عصبي با خطاي پيش بيني 0/29= RMSE جريان هاي سطحي را پيش بيني مي كند.

Sea current velocity measurement plays an important role in engineering design and measurements. Studies in the Persian Gulf and the Strait of Hormuz have conducted field studies or numerical modeling of flows in this region. In the present research, the surface currents of the Strait of Hormuz are predicted using artificial neural network approaches. In order to determine the model’s inputs, the eastern and western time series of surface currents of the strait are used, and the basins affecting the currents of this strait are identified using linear regression model. Then the neural network inputs are defined in two different cases. The first case of the time series of known basins is considered as the input of the neural network. In the other case, combinations of known time series are considered as the input of the neural network using the Jones schema. By comparing these two cases, it is concluded that the neural network model using the Jones scheme has a good performance in predicting the surface currents of this strait. In order to further investigate the neural network model, the flow data is divided into 16 different categories; so that in each category the difference between the minimum and maximum speed is 0.03 and the average of each category is considered as the output of the neural network. To determine the network inputs, the same is done for the two cases previously mentioned. In this case, the results show that the neural network model predicts surface currents with an accuracy of R = 0.85.