ترغب بنشر مسار تعليمي؟ اضغط هنا

استخدام الشبكات العصبية الاصطناعية في دراسة استقرار المكاسر الركامية

Using Artificial Neural Network In Stability Analysis Of Rubble Mound Breakwaters

1343   0   40   0 ( 0 )
 تاريخ النشر 2015
والبحث باللغة العربية
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

تعد دراسة استقرار المنشآت البحرية من المواضيع الهامة جداً و ذلك لأنها تتضمن الأخذ بعين الاعتبار الكثير من البارامترات من أجل الوصول إلى التصميم الهندسي الآمن و الاقتصادي لمثل هذه المنشآت. تتضمن الدراسة الحالية تقنية شبكة عصبية اصطناعية لتوقع عدد الاستقرار للمكاسر الركامية, حيث تم بناء شبكة عصبية اعتماداً على البارامترات المؤثرة على استقرار المكسر, و من ثم استخدمت خوارزمية الانتشار العكسي للخطأ في تدريب الشبكة. تبين نتيجة الدراسة أن هناك ارتباطاً كبيراً بين القيم المحسوبة من الشبكة و القيم المأمولة (المحسوبة من علاقة van der meer) حيث بلغ معامل الارتباط 0.88.

المراجع المستخدمة
MANDAL,S; RAO.S; MANJUNATHA,R.Y; KIM.D.H. Stability Analysis Rubble Mound Breakwater Using ANN, fourth Indian National Conference on Harbour and Ocean Engineering, 2007, 551-560
MANDAL,S; RAO.S; MANJUNATHA,R.Y; KIM.D.H. Stability prediction of Berm Breakwater Using Neural Networks, Dubai, 2008, 1-11
MEER,V.D. Rock Slops and Gravel Beaches Under Wave attack, phD Thesis, Delft University of Technology, 1988, 214
قيم البحث

اقرأ أيضاً

تعتبر الأمطار من الظواهر غير الخطية المعقدة، و التي تتطلب النمذجة الرياضية غير الخطية لغرض التنبؤ بها. هذه الدراسة تقارن أداء التنبؤ بالأمطار ليوم مقدماً، حيث وضعت اثنين من نماذج الشبكات العصبونية (ذات التغذية الأمامية) للتنبؤ بأمطار يومية متتالية لثلاثة أشهر (كانون الأول، كانون الثاني، شباط) و هذه النماذج هي: نموذج الشبكات العصبية الاصطناعية التقليدية (ANN) و نموذج عصبوني مع تقنية التحويل المويجي وفق (wavelet- neural) طريقتين مختلفتين لبناء النماذج و باستخدام نوعين من المويجات من عائلة دوبغنز (db2, db5) و من أجل المقارنة بين أداء النماذج في قدرتها على التنبؤ بالأمطار على المدى القصير (ليوم و يومين و ثلاثة أيام مقدماً) للأشهر الأخيرة من فترة الدراسة، فقد استخدمت بعض المعايير الإحصائية، التي اشتملت على جذر متوسط مربعات الأخطاء (RMSE) و معامل الارتباط (R).
التنبّؤ بالطقس و خاصةً الأمطار، هي واحدة من المهام العملية الأكثر تحدياً و أهمية، و التي تقوم بها خدمات الأرصاد الجوية في جميع أنحاء العالم، علاوة على كونه إجراء معقد يتطلب مجالات متخصصة و متعددة من الخبرات. في هذه الورقة، أقترح نموذج الشبكات العصبي َّة (ANNs) مع تحويل المويجات كأداة للتنبؤ بالأمطار الشّهرية بشكل متتالي بالاعتماد على البيانات السابقة لهطول الأمطار (1933-2009)، المأخوذة من محطة حمص للأرصاد الجوية. حيث تم تحليل السلسلة الزمنية للأمطار إلى معاملاتها التفصيلية و التقريبية على ثلاث مستويات باستخدام تحويل المويجات المتقطع (Discrete Wavelet Transform (DWT، و استخدمت الشَّبكة العصبيَّة أمامية التغذية مع خوارزمية الانتشار العكسي في عملية التعلم و التنبّؤ. توصلت الدراسة إلى أن الشبكة العصبية WNN ذات الهيكلية (1-8-8-8-5)، قادرة على التنبؤ بالأمطار الشهرية في محطة حمص على المدى الطويل بمعامل تحديد وجذر متوسط مربعات الأخطاء (7.74mm,0.98) على الترتيب. تقدم تقنية تحويل المويجات ميزة مفيدة قائمة على تحليل البيانات، مما يحسن من أداء النموذج، و تطبق هذه التقنية في نماذج الشبكات العصبية الاصطناعية للأمطار لأنها بسيطة، كما يمكن تطبيق هذه التقنية لنماذج أخرى.
تستخدم الشبكة العصبية الصنعية طريقة تعلم استقرائي، و تتطلب بشكل عام أمثِلة لبيانات التدريب، بينما تستخدم الخوارزمية الجينية تعلم اقتطاعي، و تتطلب تابع هدف. لقد تمّ تنظيم التعاون بين هاتين التقانتين في دراستنا هذه بغرض تعزيز أداء كل تقانة من خلال بن اء نظام هجين منهما، عن طريق كتابة برمجيّة عامّة باستخدام برنامج MATLAB بغرض الاختيار الفعّال لمتحولات الدخل لعمليات التنبؤ، و أمثلة أوزان شبكة البيانات قيد الدراسة، و من ثمّ تطبيق هذه البرنامج على بيانات يوميّة، تمّ جمعها من حوض نهر الكبير الجنوبي هي (الهطول، التبخر، الحرارة، الرطوبة النسبية و الجريان النهري بتأخر زمني مقداره يوم واحد) بغرض التنبؤ بالجريان النهري.
قمنا من خلال هذا البحث بتصميم برنامج يهدف إلى تحديد النقاط الحرجة التي يمكن أن تسبب إنهيار التوتر، و بناء شبكة عصبونية ضمن بيئة برمجيات ماتلاب مهمتها التنبؤ بقيمة الاستطاعة العظمى التي يمكن نقلها على نظام القدرة الكهربائية في ظروف انهيار التوتر دو ن أن ينهار نظام القدرة، و تدريبها على حالات واقعية تعرضت لها أنظمة القدرة الكهربائية، ثم قمنا بتطبيق هذه الشبكة العصبونية المدربة على شبكة مرجعية IEEE-14 Bus-bar لإختبار أدائها و مقارنة النتائج.
يعتبر التبخر- نتح أحد المكونات الهامة في الدورة الهيدرولوجية، و تعد القدرة على التنبؤ الدقيق بقيم هذه الظاهرة من العوامل الهامة في العديد من تطبيقات الموارد المائية. تهدف هذه الدراسة إلى التنبؤ بقيم التبخر نتح المرجعي الشهري, باستخدام الشبكات العصبية الاصطناعية و نظام الاستدلال الضبابي.
التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا