پيش‌بيني تراكم جريان شكافنده در سواحل ميانه با استفاده از شبكه‌هاي عصبي مصنوعي

Prediction of Rip Current Density Using Artificial Neural Networks in Intermediate Beaches

جريان‌هاي شكافنده جريان‌هايي قوي، قارچي شكل هستند كه عامل اصلي تلفات ناشي از غرق شدن شناگران در منطقه خيزاب ساحلي محسوب مي‌شوند. با توجه به رفتار متغير اين جريان‌ها و محدوديت هاي بسيار در مشاهدات ميداني، در اين پژوهش با استفاده از شبكه‌ عصبي مصنوعي، مدلي در مورد تخمين ميزان تراكم جريان‌هاي شكافنده در سواحل حالت ميانه ارائه شده است. به اين منظور نخست اطلاعات مرتبط به سيستم جريان شكافنده از طريق مدل عددي Mike21/3 به صورت پارامترهاي بي‌بعد عدد فرود، ارتفاع موج، پهناي خيزاب و پهناي كانال جريان استخراج شدند. در گام بعدي تاثير هر يك از پارامترهاي بي‌بعد روي تراكم جريان‌ براي توابع و نرون‌هاي مختلف شبكه عصبي بررسي شد. سپس نتايج مدل در هجوم امواجي با ارتفاع مختلف با نتايج ميداني ساير محققين مورد مقايسه قرار گرفت و تطابق بسيار خوبي بين آن‌ها مشاهده شد. نتايج اين تحقيق نشان مي‌دهد با افزايش ارتفاع امواج بر سرعت جريان‌ و فواصل كانال ها افزوده مي‌شود و به تدريج از ميزان تراكم جريانكاسته مي‌شود. نتايج ديگر اين تحقيق حاكي از آن است در شرايطي كه امواج كم‌ارتفاع‌تر بر دريا حاكمند، تابع گرادينت ديسنت ويت آداپتيو لرنينگ ريت (gda) با كمترين خطا (RMSE معادل 013/0) و در شرايطي كه امواج مرتفع‌تر بر دريا حاكمند تابع كواسي نيوتن (bfg) با كمترين خطا (RMSE معادل 00282/0) هر كدام با 14 نرون دقيق‌ترين تخمين را از ميزان تراكم جريان‌هاي شكافنده در سواحلي باحالت ميانه ارائه مي‌دهند.

Rip currents are strong, mushroom-shaped currents that are the main cause of swimmers’ drowning in the surf zones. In this study, a model is presented to estimate the rip current density on the intermediate-state beach using artificial neural network considering the variable behavior of these currents and the many limitations in field observations. For this purpose, the data related to the rip current system were first extracted as non-dimensional parameters including the Froude number, wave height, width of the surf zone, and width of the rip channel using the Mike21/3 numerical model. In the next step, the effect of each of the parameters was investigated on the rip density for different neural network functions and neurons. The results of the model were then compared with field observations of other researchers in different wave heights and very good agreement was observed between them. The results of this study show that with the increase in wave height, the current velocity and spacing of rip channels will increase and the rip density will gradually decrease. Other results of this study indicate that as the lower waves approach the beach, Gradient descent with adaptive learning rate (gda) function with the lowest error (RMSE equals 0.013) and as the higher waves approach the beach, Quasi-Newton (bfg) function each with 14 neurons give the most accurate estimate of the rip density on the intermediate-state beach.