به کارگیری شبکه عصبی مصنوعی در تحلیل داده های فرسایش پذیری رسوبات ریزدانه در محیط های دریایی
عنوان دوره: هجدهمین کنفرانس ژئوفیزیک ایران
کد مقاله : 1225-NIGS
نویسندگان
چکیده
فرسایش یکی از فرآیندهای مهم در نواحی ساحلی و خورها محسوب می شود. آنچه فرسایش در رسوبات ریزدانه چسبنده را به یک پدیده پیچیده تبدیل می کند، طیف وسیع پارامترهای مؤثر بر آن است. از این رو یافتن یک الگوی واحد برای تنش برشی بحرانی (فرسایش) که اغلب از روند مشخصی برخوردار نیست، می تواند بسیار حائز اهمیت باشد. به عبارت دیگر، در دسترس نبودن یک ارتباط جامع و فراگیر میان فرسایش و پارامترهای گوناگون مؤثر و همچنین بررسی نشدن تأثیر توأم پارامترهای مختلف در یافتن یک الگوی واحد برای فرسایش در اکثر مطالعه های موجود را می توان از دلایل اهمیت موضوع این تحقیق به شمار آورد. در این مطالعه با استفاده از شبکه عصبی مصنوعی به واکاوی تأثیر توأم طیف پارامترهای فیزیکی، شیمیایی و زیست شناختی مختلف بر تنش برشی بحرانی و یافتن یک الگوی فرانمونه ای و نسبتاً جامع پرداخته شده است. بدین منظور، ابتدا ارزیابی عملکرد شبکه عصبی بر روی یک مجموعه داده انجام شد و در ادامه برای اطمینان از اتفاقی نبودن نتایج حاصل، به بررسی این روش بر روی یک مجموعه داده با ماهیت رسوبی متفاوت اقدام شده است. بنابر نتایج حاصل، امکان ارائه رابطهای منطقی بین پارامترهای فیزیکی و شیمیایی رسوبات ریزدانه چسبنده و خصوصیات فرسایش پذیری این رسوبات در قالب شبکه های عصبی مصنوعی فراهم و ارائه شده است.
کلیدواژه ها
Title
Erodibilty data analysis in coastal environments by applying Artificial Neural Networks
Authors
Abstract
Sediment erosion is one of the most important processes in coastal zones. What makes erosion in cohesive sediment a complicated process is vast numbers of parameters affecting erodibility. Accordingly, finding a unique pattern for critical shear stress is of considerable importance. As there is no or few studies available in the erosion literature presenting a comprehensive relation among erosion and involving parameters and not exploring the impacts of many physical and chemical parameters in tandem to find a unique erosion pattern, are just some of the utmost importance of doing this research. In this study, it is attempted to investigate the effect of various physical, chemical, mechanical and biological parameters on critical shear stress to find a thorough pattern in erosion. Hence, the efficiency of using Artificial Neural Network (ANN) on totally two different datasets (Kimiaghalam et al., (2015) and Jacobs et al., (2010)) has been investigated.
Keywords
Erosion, cohesive sediments, critical shear stress, machine learning, Artificial Neural Network