نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

برآورد ارتفاع امواج شاخص در دریای خزر با استفاده از روش‌های منفرد و ترکیبی-موجک هوش مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان
علیرضا عمادی 1
سروین زمان زاد قویدل 2
سیدعرفان حسینی 3
همتا توسلی 3
رضا سبحانی 3
1 گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری
2 دانشگاه ارومیه-بنیاد ملی نخبگان ایران، شرکت مهندسین مشاور دانشوران عمران آب
3 دانشگاه علوم کشاورزی و منابع طبیعی ساری
10.22125/iwe.2023.383323.1705
چکیده
ارتفاع موج شاخص یکی از پارامتر‌های اساسی برای عملیات‌ مهندسی سواحل و سازه‌های دریایی می‌باشد. در این مطالعه، با به کارگیری سامانه استنتاجی فازی-عصبی تطبیقی (ANFIS) و برنامه‌ریزی بیان ژن (GEP) و ترکیب آن‌ها با تئوری موجک (WANFIS، WGEP) بر اساس سه سناریو شامل متغیرهای 1- امواج، 2- هواشناسی و 3- ترکیب سناریو اول و دوم، در گام‌های زمانی بدون تأخیر زمانی، 12 و 24 ساعته به تخمین ارتفاع موج شاخص، پرداخته شد. همچنین، نتایج حاکی از این است که به علت نویززدایی و حذف عدم قطعیت در داده‌ها، مدل‏های ترکیبی-موجکی نتایج بهتری را نسبت به مدل‏های منفرد ارائه داده‏اند. درصد بهبود عملکرد مدل‌های WGEP نسبت به GEP با در نظر گرفتن معیار RMSE به ترتیب برای سناریوهای اول تا سوم مقدار 11%، 35% و 7% بوده است. بسیاری از شرایط هیدرولوژیک در دریاها به تغییر دما بستگی داشته و میزان این پارامتر عامل تعیین‌کننده مهمی در شرایط محیطی هر منطقه می‌باشد. همچنین، تغییرات دما و باد سطحی سبب تغییر چگالی آب دریا می‌شود. بنابراین، متغیرهای اقلیمی منطقه می‌تواند بر عملکرد سناریوهای مختلف تأثیرگذار باشد. نتایج این مطالعه و ارائه رابطه ریاضی حاکم برای تخمین مقدار ارتفاع موج شاخص توسط روش برنامه‌ریزی بیان ژن می‌تواند کاربرد بسیاری در بخش مدیریت و مهندسی سواحل و منابع آب داشته باشد.
کلیدواژه‌ها
برنامه‌ریزی بیان ژن
دریا
مدلسازی
هواشناسی
موضوعات

عنوان مقاله English

Estimating the Significant Wave Height in the Caspian Sea Using Single and Combined-Wavelet Artificial Intelligence Methods

نویسندگان English

Ali reza Emadi 1
sarvin Zamanzad Ghavidel 2
Seyyed Erfan Hosseini 3
Hamta Tavassoli 3
Reza Sobhani 3
1 Department of water engineering, Sari agricultural sciences and natural resources university.
2 Urmia University- Iran’s National Elites Foundation, Deneshvaran Omran-Ab Consulting Engineers Co
3 Sari Agricultural Sciences and Natural Resources University
چکیده English

The significant wave height is one of the basic parameters for engineering operations of coasts and marine structures. In this study, significant wave height was estimated based on three scenarios including variables 1- waves, 2- meteorological and 3- combination of the first and second scenario, in time steps without time delay, 12 and 24 hours using adaptive neural fuzzy inference system (ANFIS) and gene expression programming (GEP) and combining them with wavelet theory (WANFIS, WGEP). Also, the results indicate that due to de-noising and removal of uncertainty in the data, combined-wavelet models have provided better results than singular models. The performance improvement percentage of WGEP models compared to GEP considering the RMSE criterion was 11%, 35%, and 7% for the first to third scenarios, respectively. Most of the hydrological conditions in the seas depend on temperature changes and the amount of this parameter is an important determining factor in the environmental conditions of each region. Also, changes in temperature and surface wind change the density of sea water. Therefore, the climatic variables of the region can affect different scenarios. The results of this study and the presentation of the governing mathematical relationship for estimating the value of significant wave height by the method of gene expression programming can be very useful in the field of coastal and water resources management and engineering.

کلیدواژه‌ها English

Gene Expression Programming
Meteorology
Modeling
Sea
Abbasi, A., K. Khalili, J. Behmanesh and A. Shirzad. 2019. Drought monitoring and prediction using SPEI index and gene expression programming model in the west of Urmia Lake. Theoretical and Applied Climatology, 138(1): 553-567.
Afshin, N., A. Emadi, R. Fazl-ola and S. Zamanzad-Ghavidel. 2021. Prediction of Coastal Wave Height using Hybrid-Wavelet Methods of Artificial Intelligence (Case study: Amirabad Port of the Caspian Sea). Journal of Watershed Management Research, 12(24): 273-286.
Akbarifard, S., H. Zarei and E. Zalaghi. 2017. Hourly and daily prediction of sea wave height In the Chabahar area. Iranian journal of Ecohydrology, 4(4): 1129-1140.
Bu, J. and K. Yu. 2022. Significant Wave Height Retrieval Method Based on Spaceborne GNSS Reflectometry. IEEE Geoscience and Remote Sensing Letters, 19: 1-5.
Cavaleri, L., S. Abdalla, A. Benetazzo, L. Bertotti, J. R. Bidlot, O. Breivik ... and A. J. van der Westhuysen. 2018. Wave modelling in coastal and inner seas. Progress in oceanography, 167: 164-233.
Chen, D., F. Liu, Z. Zhang, X. Lu and Z. Li. 2021. Significant wave height prediction based on wavelet graph neural network. In 2021 IEEE 4th International Conference on Big Data and Artificial Intelligence (BDAI). IEEE, 80-85.
Emadi, A., R. Sobhani, H. Ahmadi, A. Boroomandnia, S. Zamanzad-Ghavidel and H.M. Azamathulla. 2022. Multivariate modeling of river water withdrawal using a hybrid evolutionary data-driven method. Water Supply, 22(1): 957-980.
Feng, Z., P. Hu, S. Li and D. Mo. 2022. Prediction of Significant Wave Height in Offshore China Based on the Machine Learning Method. Journal of Marine Science and Engineering, 10(6): 836.
Gómez-Orellana, A. M., D. Guijo-Rubio, P. A. Gutiérrez and C. Hervás-Martínez. 2022. Simultaneous short-term significant wave height and energy flux prediction using zonal multi-task evolutionary artificial neural networks. Renewable Energy, 184: 975-989.
Hu, H. and P. Chu. 2019. Predicting Lake Erie Wave Heights using XGBoost. arXiv preprint arXiv:1912.01786.
Hu, H., Z. He, Y. Ling, J. Li, L. Sun, B. Li ... and W. Chen. 2022. A SOM− RBFnn-Based Calibration Algorithm of Modeled Significant Wave Height for Nearshore Areas. Journal of Marine Science and Engineering, 10(5): 706.
Jain, P. and M. C. Deo. 2008. Artificial intelligence tools to forecast ocean waves in real time. The Open Ocean Engineering Journal, 1(1).
Komijani, F., M. Montazeri Namin, M. Kebriaei, M.H. Nemati and H. Khalili. 2021. Verification of Bushehr shallow water wave simulation through local wind generation with artificial neural network technique. Scientific-Research Journal of Hydrophysics, 7(1): 1-19.
Lavidas, G. and V. Venugopal. 2018. Application of numerical wave models at European coastlines: A review. Renewable and Sustainable Energy Reviews, 92: 489-500.
Mahjoobi, J. and H. Ardalan Somghi. 2009. Prediction of parameters of wind-inducid waves in the Caspian Sea using regression trees and artificial neural networks. Journal of Marine Engineering, 5(9): 65-71.
Mahdizadeh, M.M. and M.N. Kasbi. 2014. Estimation of Storm Surge Dominated Wave Height in Iranian Coastlines of Oman Sea. Journal of Marine Science and Technology. 13(1): 41-50.
Moritoh, S. and N. Takemoto. 2022. Expressing Hilbert and Riesz transforms in terms of wavelet transforms. Integral Transforms and Special Functions, 1-6.
Oh, J. and K.D. Suh. 2018. Real-time forecasting of wave heights using EOF–wavelet–neural network hybrid model, Ocean Engineering, 150: 48-59.
Olayode, I. O., L. K. Tartibu and F. J. Alex. 2023. Comparative Study Analysis of ANFIS and ANFIS-GA Models on Flow of Vehicles at Road Intersections. Applied Sciences, 13(2): 744.
Prahlada, R. and P.C. Deka. 2015. Forecasting of time series significant wave height using wavelet decomposed neural network, Aquatic Procedia. 4: 540-547.
Vaziri Lehagh, K., A. Mujtahedi, M. Sanayei and R. Hosseini. 2019. Assessing the ability of the Iranian PMODynamics model in simulating waves (case study of Bandar Gordim). Seashore Transport Industry, 5(1): 20-40.
Verma, A. K. and B. Gupta. 2022. A note on continuous fractional wavelet transform in ℝ n. International Journal of Wavelets, Multiresolution and Information Processing, 20(02): 2150050.
Wang, S., J. Lian, Y. Peng, B. Hu and H. Chen. 2019. Generalized reference evapotranspiration models with limited climatic data based on random forest and gene expression programming in Guangxi, China. Agricultural Water Management, 221: 220-230.
Zamanzad-Ghavidel, S., S. Fazeli, S. Mozaffari, R. Sobhani, M. A. Hazi and A. Emadi. 2022. Estimating of aqueduct water withdrawal via a wavelet-hybrid soft-computing approach under uniform and non-uniform climatic conditions. Environment, Development and Sustainability, 1-32.
Zhang, D. 2019. Wavelet transforms. In Fundamentals of image data mining. 35-44 pp., Springer, Cham, Germany.
Zhou, J., C. Li, C. A. Arslan, M. Hasanipanah and H. Bakhshandeh Amnieh. 2021. Performance evaluation of hybrid FFA-ANFIS and GA-ANFIS models to predict particle size distribution of a muck-pile after blasting. Engineering with computers, 37(1): 265-274.