راستیآزمایی عددی پراش موج در برخورد با استوانه و پیشبینی تحول سطح آزاد بر روی بستر دریا با عمق متغیر به کمک یادگیری ماشین
راستیآزمایی عددی پراش موج در برخورد با استوانه و پیشبینی تحول سطح آزاد بر روی بستر دریا با عمق متغیر به کمک یادگیری ماشین
میلاد باغبان1
1) دانشجوی دکتری مهندسی دریا گرایش هیدرومکانیک، دانشگاه صنعتی امیرکبیر تهران، ایران
کد IOI مقاله
:
ACCA-ACAGCA
محل انتشار :
چهارمین کنگره بین المللی علوم، مهندسی و فن آوری های نو(secongress.com)
چکیده :
پیشبینی عددی پراش موج-سیلندر و تبدیل موج القا شده توسط عمقسنجی، نیازمند مدلهای محاسباتی با اعتبار فیزیکی کاملاً تعریفشده است. این مطالعه دو رویکرد عددی مکمل را بررسی کرده و جایگزینهای یادگیری ماشین را برای تکامل سطح آزاد ارزیابی میکند. ابتدا، یک فرمولبندی حجم محدود شعاعی از پراش جریان پتانسیل خطی برای یک استوانه عمودی تحت سه شرایط موج منظم مربوط به پارامترهای مرجع DHI R1-R3 پیادهسازی میشود. دامنههای نیروی افقی محاسبهشده به ترتیب 31.713، 63.425 و 45.671 نیوتن هستند که به ترتیب انحرافات 0.781٪، 0.781٪ و 0.692٪ از راهحل پراش تحلیلی دارند. اصلاح شبکه شعاعی از 100 به 1200 سلول، خطای نیروی مختلط را از 12.884٪ به 0.237٪ کاهش میدهد. دوم، یک حلکننده غیرخطی تکبعدی آب کمعمق با استفاده از شارهای عددی HLL و بازسازی هیدرواستاتیک برای شبیهسازی ۲۷ ترکیب از شرایط موج و پروفیلهای عمقسنجی استفاده میشود. سازگاری عددی از طریق آزمایشهای دریاچه در حالت سکون و پالایش مکانی بررسی میشود. متعاقباً رگرسیون فرآیند گاوسی و یک شبکه کانولوشن زمانی بر روی این راهحلهای عددی آموزش داده میشوند تا به ترتیب حداکثر ارتفاع مثبت سطح آزاد و تاریخچه زمانی آن را پیشبینی کنند. با ۱۵ سناریوی آموزش، ۳ اعتبارسنجی و ۹ سناریوی آزمایش دوره دیده نشده، GP به MAE آزمایشی ۱.۱۶۸ میلیمتر دست مییابد، در حالی که TCN به RMSE آزمایشی ۳.۴۲۸ میلیمتر دست مییابد. یافتهها از تأیید عددی مدلهای هیدرودینامیکی پیادهسازی شده پشتیبانی میکنند و امکان پیشبینی جایگزین در تقریب آب کمعمق را نشان میدهند، در حالی که کاهش دقت تعمیم را تحت یک دوره موج دیده نشده برجسته میکنند. این مطالعه همچنین یک مبنای محاسباتی برای بررسیهای بعدی ساختار موج سهبعدی ایجاد میکند.
کلمات کلیدی : پراش موج استوانه تغییرات عمق بستر معادلات آبهای کمعمق اعتبارسنجی روش حجم محدود فرآیند گاوسی شبکه عصبی کانولوشنی زمانی