چکیده فارسی :

تخمین موج های بلند در داخل یک لنگرگاه، موضوع بسیار مهمی برای مدیریت بندر می باشد. هدف این تحقیق، استفاده از هوش مصنوعی جهت تخمین ارتفاع موج مادون جاذبه زمین در یک لنگرگاه می باشد. دو مدل شبکه عصبی مصنوعی (ANN) با ورودی یکسان (پارامترهای موج کوتاه در خارج لنگرگاه وسط جذرو مد) به وجود آمده اند و مقایسه شدند . مدل اول یک مدل تک مرحله ای است که ارتفاع موج مادون جاذبه زمین در داخل لنگرگاه را مستقیما برآورد می کند . مدل دوم یک مدل دو مرحله ایی است که ابتدا ارتفاع موج مادون جاذبه زمین در خارج لنگرگاه رامحاسبه می کند سپس داخل لنگرگاه را محاسبه می کند این دو مدل بر مبنای مشاهدات در بندر مزول (NW اسپانیا) جایی که seiching اتفاق می افتد به کار رفته اند و تایید شده اند. معماری شبکه برای هر مدل با استفاده از شیوه معتبر سازی ارزی مکرر مرتبه k انتخاب شده است. ثابت شده است که برآورد ارتفاع موجج مادون ارتفاع زمین در خارج از لنگرگاه با مدل دو مرحله ایی صحیح تر از معادله تجربی متداول می باشد. همان طوری که تخمین داخل لنگرگاه از اهمیت بالایی برخوردار است، مدل تک مرحله ای بهتر از معادل دو مرحله ای اش عمل می کند .

چکیده انگلیسی :

The estimation of long waves inside a harbour is a matter of great importance for port management. The objective of this work is to apply Artificial Intelligence to estimate the significant infragravity wave height inside a harbour. Two Artificial Neural Network (ANN) models with the same input (the short wave parameters outside the harbour and the tidal level) are developed and compared. The first is a one-step model that estimates the significant infragravity wave height inside the harbour directly. The second is a two-step model that computes the infragravity wave height first outside, then inside the harbour. The two models are trained and successfully validated based on observations at the Port of Ferrol (NW Spain), where seiching is known to occur. The network architecture that performs best for each model is selected using a k-fold cross-validation method. The estimation of the infragravity wave height outside the harbour with the two-step model is shown to be more accurate than that from a widely used empirical expression. As regards the all-important estimation inside the harbour, the onestep model is found to perform better than its two-step counterpart.