fa کاربرد شبکه عصبی مصنوعی در بهینه‌سازی نتایج پیش‌بینی مدل دینامیک امواج دریا اقیانوس شناسی فیزیکی (فیزیک دریا) Physical Oceanography كاربردی Applied Article <span dir="RTL">در این ﺗﺤﻘﯿﻖ ﮐﺎرﺑﺮد ﺗﮑﻨﯿﮏ شبکه ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ در ﮐﺎﻫﺶ ﺧﻄﺎی ﻣﺪل دینامیکی برای ﭘﯿﺶ‌ﺑﯿﻨﯽ دقیق امواج دریا ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار گرفته است.</span><span dir="RTL"> با اتخاذ رویکرد ترکیب مدل‌ها، در ابتدا مدل ایرانی&nbsp;PMODynamicsI&nbsp;&nbsp;</span><span dir="RTL">به تنهایی برای پیش‌بینی موج آب عمیق بوشهر اجرا شد و پس از اعمال تنظیمات بهینه نشان داد، مدل برای امواج با ارتفاع کمتر از یک متر دقت بالایی (73 درصد) داشته و در مواقع طوفان‌های سمت شرق و جنوب‌شرقی در منطقه، به دلیل کمتر بودن مقدار سرعت باد&nbsp; (داده‌های&nbsp;</span><span dir="RTL">GFS)&nbsp;در مقایسه با واقعیت، ارتفاع امواج تا 75 سانتی‌متر دست‌پایین برآورد شده است</span><span dir="RTL">. به منظور افزایش دقت مدل‌سازی‌ها،</span><span dir="RTL"> سیستم </span><span dir="RTL">شبکه عصبی مصنوعی</span><span dir="RTL"> بر اساس یک ساختمان </span>MLP<span dir="RTL">‌ سه‌ لایه تعریف گردید که نقش آن پیش‌بینی مقدار خطای مدل دینامیکی و اعمال آن بر روی نتایج مدل عددی است. </span><span dir="RTL">در این زمینه</span><span dir="RTL"> انتخاب درستِ تعداد و نوع نرون‌های ورودی از </span><span dir="RTL">میان عوامل موثر بر تولید موج، کمک شایانی به یافتن رابطه‌ی نهفته‌ی میان داده‌ها نموده که از طریق آن خطای پیش‌بینی‌ها به حداقل رسید. بر اساس نتایج، </span><span dir="RTL">تکنیک ترکیبی مدل</span><span dir="RTL">&nbsp;دینامیکی و شبکه عصبی مصنوعی </span><span dir="RTL">علاوه بر افزایش دقت نتایج به90</span> <span dir="RTL">درصد، کاهش جذر میانگین مربع خطا از 0.31 در مدل عددیِ تنها به0.22 در مدل ترکیبی را موجب گردید به طوری که در حدی‌ترین شرایط، ارتفاع موج تا 60 سانتی‌متر به واقعیت نزدیک‌تر شده است. </span><span dir="RTL">به عبارت دیگر، ترکیب نتایج دو مدل، بهبود پیش‌بینی‌های موج را موجب شده است.</span><gdiv></gdiv><gdiv></gdiv><gdiv></gdiv> <pre> In this study, Artificial Neural Networks (ANN) has been used for reducing the errors of sea wave model predictions. Firstly, stand-alone PMODynamicsI model has been implemented to predict Bushehr deep-water wave characteristics. Results implies that PMODynamicsI performed better in simulating ordinary wave with height less than 1m, but it is underestimated about 75cm related to a weak &nbsp;wind Global Forecasting System (GFS) forecasts during east and southeast storms. In order to increase the wave model accuracy, a MLP ANN system consists of three layers of nodes has been defined to predict the wave model errors, which optimal selection of a number and type of input neurons among factors<em> influence</em> the formation of &quot;<em>wind waves</em>&quot; has helped to find the relationship between input and output in ANN to minimize model error. The combination of PMODynamicsI together with ANN technique has been improved the accuracy of the sea wave model forecast till %90 and reduced RMS error from 0.31 in stand-alone PMODynamicsI to 0.22 in combinations models. As a result of the use of combined wave and ANN systems makes accurate predictions for extreme wave about 60cm.</pre> <gdiv></gdiv><gdiv></gdiv><gdiv></gdiv> مدل PMODynamicsI, شبکه عصبی مصنوعی, مدل‌های ترکیبی,‌ شبیه‌سازی امواج, بوشهر PMODynamicd Model, Artificial Neural Networks, Combination of Models, Wave Simulation, Bushehr 97 104 http://joc.inio.ac.ir/browse.php?a_code=A-10-596-6&slc_lang=fa&sid=1 Fereshte Komijani فرشته کمیجانی fereshtehkomijani@gmail.com 100319475328460013327 100319475328460013327 Yes NAMROOD Co شرکت نواندیشان محیط‌های رودخانه و دریا Masoud Montazeri Namin مسعود منتظری نمین mnamin@ut.ac.ir 100319475328460013328 100319475328460013328 No NAMROOD Co استادیار دانشکده مهندسی عمران دانشگاه تهران Asghar bohluly اصغر بهلولی bohluly@ut.ac.ir 100319475328460013329 100319475328460013329 No NAMROOD Co استادیار موسسه ژئوفیزیک دانشگاه تهران