KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2010 / Cilt: 25 - Sayı: 3

Belirgin dalga yüksekliklerinin Neuro-Fuzzy yaklaşımı ile tahmini: filyos Deniz yöresi örneği

Neuro-Fuzzy approximation for prediction of significant wave heights: the case of Filyos region

Can Elmar BALAS
Rıfat TÜR
Sayfa
505–510
Yayın Tarihi
2022-10-18
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Elde edilen tahmin sonuçları gerçek dalga verileri ilekarşılaştırılmış ve yüksek korelasyon değerlerinin elde edildiği; modellerin eksik dalga verilerinin tahminedilmesinde verimli olarak kullanılabileceği sonucuna ulaşılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Belirgin dalga yüksekliğinin (Hs) tahmini, yüksek maliyetli Deniz Mühendisliği yapılarının tasarımında ilk ve enönemli aşamayı oluşturmaktadır.
📊
Temel Bulgular & Veri:Önerilen modeller, farklızaman aralıklarında kaydedilmiş Hs ve Ts verilerini kullanmaktadır.
💡
Sonuç & Katkı:Elde edilen tahmin sonuçları gerçek dalga verileri ilekarşılaştırılmış ve yüksek korelasyon değerlerinin elde edildiği; modellerin eksik dalga verilerinin tahminedilmesinde verimli olarak kullanılabileceği sonucuna ulaşılmıştır.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Belirgin dalga yüksekliğinin (Hs) tahmini, yüksek maliyetli Deniz Mühendisliği yapılarının tasarımında ilk ve enönemli aşamayı oluşturmaktadır. Bu çalışmada, literatürde var olan deterministik ve stokastik yöntemlerealternatif oluşturacak bir yaklaşım önerilmiştir. Neuro-Fuzzy yöntemi, Yapay Sinir Ağları (ANN, ArtificialNeural Networks) ve Bulanık Mantık (FL, Fuzzy Logic) yöntemlerinin avantajlı yönlerinin kombine olarakkullanıldığı bir yöntemdir. Geliştirilen tahmin modelinde, günlük ortalama Hs ve belirgin dalga periyodu (Ts)verileri kullanılarak günlük Hs tahmini yapabilen Neuro-Fuzzy modeller önerilmiştir. Önerilen modeller, farklızaman aralıklarında kaydedilmiş Hs ve Ts verilerini kullanmaktadır. Çalışmada, Filyos deniz yöresinde ölçülmüşolan Hs ve Ts değerleri, Uyarlamalı Ağ Temelli Bulanık Çıkarım Sistemi (ANFIS, Adaptive Network-basedFuzzy Inference System) ile tahmin edilmiştir. Elde edilen tahmin sonuçları gerçek dalga verileri ilekarşılaştırılmış ve yüksek korelasyon değerlerinin elde edildiği; modellerin eksik dalga verilerinin tahminedilmesinde verimli olarak kullanılabileceği sonucuna ulaşılmıştır.

Abstract

First and the most important phase of designing high cost coastal structures is to forecast the significant waveheight (Hs). In this study, an alternative approach to the deterministic and stochastic methods found in literatureis proposed. Neuro-fuzzy is a method in which advantages of Artificial Neural Networks (ANN) and FuzzyLogic (FL) are combined. In the Neuro-Fuzzy models developed in this study, daily significant wave height canbe estimated using daily average Hs and significant wave period (Ts) data. Hs and Ts data recorded at differenttime intervals were used in the proposed models. In this study, Hs and Ts measured in Filyos region of the BlackSea was estimated by the Adaptive Network-based Fuzzy Inference System (ANFIS). Predicted results fromproposed models were compared with the measured wave data and it is found that high correlation values areobtained. It is thus concluded that the proposed models can efficiently be used to estimate missing wave data.

🔖

Bu Makaleye Atıf Yap

BALAS, C. E., TÜR, R. (2022). Belirgin dalga yüksekliklerinin Neuro-Fuzzy yaklaşımı ile tahmini: filyos Deniz yöresi örneği. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 25 - Sayı: 3, 505–510. https://ajindex.com/articles/523816

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. More, A., Deo, M.C., “Forecasting Wind with Neural Networks”, Marines Structures, Cilt 16, No 1, 35-49, 2003
  2. Mahjoobi, M., Mosabbeb, E.A., “Prediction of Significant Wave Height using Regressive Support Vector Machines”, Ocean Engineering, Cilt 36, No 5, 339-347, 2009
  3. Özger, M., Şen, Z., “Prediction of Wave Parameters by using Fuzzy Logic Approach”, Ocean Engineering, Cilt 34, No 3-4, 460-469, 2007
  4. Günaydın, K., “The Estimation of Monthly Mean Significant Wave Heights by using Artificial Neural Network and Regression Methods”, Ocean Engineering, Cilt 35, No 14-15, 1406- 1415, 2008
  5. Hasselmann, K., Barnett, T.P., Bouws, E., Carlson, H., Cartwright, D.E., Enke, K., Weing, J.A., Gienapp, H., Hasselmann, D.E., Krusemann, P., Meerburg, A., Muller, P., Olbers, K.J., Richter, K., Sell, W., Walden, W.H., “Measurements of Wind-Wave Growth and Swell Decay During The Joint North Sea Wave Project (JONSWAP)”, Deutsche Hydrograph, Zeit, Erganzung-self Reihe, Cilt 12, No A 8, 1973
  6. Kazeminezhad, M.H., Etemad-Shahidi, A., Mousavi, S.J., “Application of Fuzzy Inference System in The Prediction of Wave Parameters”, Ocean Engineering, Cilt 32, No 14-15, 1709- 1725, 2005
  7. Mahjoobi, J., Etemad-Shahidi, A.,Kazeminezhad, M.H., “Hindcasting of Wave Parameters using Different Soft Computing Methods”, Applied Ocean Engineering, Cilt 30, No 1, 28-36, 2008
  8. Browne, M., Castelle, B., Strauss, D., Tomlinson, R., Blumenstein, M., Lane, C., “Near-shore Swell Estimation from A Global Wind-wave Model: Spectral Process, Linear, and Artificial Neural Network Models”, Coastal Engineering, Cilt 54, No 5, 445-460, 2007
  9. Agrawal, J.D., Deo, M.C., “On-line Wave Prediction”, Marine Structures, Cilt 15, No 1, 57-74, 2002
  10. Deo, M.C., Jha, A., Chaphekar, A.S., Ravikant, K., “Neural Networks for Wave Forecasting”, Ocean Engineering, Cilt 28, No 7, 889-898, 2001
  11. Makarynskyy, O., Pires-Silva, A.A., Makarynska, D., Ventura-Soares, C., “Artificial Neural Networks in Wave Predictions at the West Coast of Portugal”, Computer and Geosciences, Cilt 31, No 4, 415-424, 2005
  12. Tsai, C.P., Lin, C., Shen, J.N., “Neural Network for Wave Forecasting among Multi-stations”, Ocean Engineering, Cilt 29, No 13, 1683-1695, 2001
  13. Deo, M.C., Naidu, C.S., “Real Time Wave Forecasting using Neural Networks”, Ocean Engineering, Cilt 26, No 3, 191-203, 1999
  14. Zamani, A., Solomatine, D., Azimian, A., Heemink, A., “Learning from Data for Wind- wave Forecasting”, Ocean Engineering, C