人工神经网络在岛屿近岸海浪模拟中的应用
发布时间：2022-01-09 09:18
以三亚东锣岛近岸海域为研究案例,基于9个月现场观测数据,利用人工神经网络模型对区域海浪模式WAVEWATCHⅢ（WW3）的有效波高结果进行了修正.结果显示:受空间分辨率的限制,WW3模式难以有效地刻画岛屿岸线和地形对波浪的影响,导致有效波高的模拟结果与现场观测存在较大差距;而使用该文建立的人工神经网络模型则能有效地修正有效波高的模拟结果,使其与观测值的均方根误差和平均绝对误差明显下降.进一步分析计算显示,当人工神经网络模型应用于岛屿近岸波浪要素的模拟修正时,有必要将平均波向作为输入变量,使不同来向的波浪传至岛屿近岸所经历过程的差异性得以体现.该方法及相关结果对岛屿近岸长时间序列波浪要素信息的模拟和预报具有工程应用价值.
【文章来源】：厦门大学学报(自然科学版). 2020,59(03)北大核心CSCD
【文章页数】：8 页
【部分图文】：
东锣岛（a）和“浪龙”潜标波浪流速剖面仪观测站（b）的位置
本研究选用ANN中的反向传播神经网络（图2）来建立有效波高的修正模型．该网络是一种按误差反向传播训练的多层前馈网络，其基本思想是梯度下降法，以期使网络的实际输出值和期望输出值的误差和均方差最小．网络由3个神经元层次组成，即输入层、隐含层和输出层．各层次的神经元之间彼此独立，形成全交互连接．训练样本的信息经过传递函数逐步向前传播．若输出结果不能达到设定的阈值，则将输出信号与阈值之间的误差返回到输入层，然后再修改输入层各变量的权重函数．通过对样本的反复训练学习，并达到设定的误差后，权重系数矩阵和阈值矩阵得以最终确定．ANN模型已在海洋水文参数模拟中得到广泛的应用[6-12,22-23].为修正WW3模式有效波高的模拟结果，考虑到由不同方向传至岛屿近岸的波浪所经历的变形过程存在差异性[13-14]，以及浅水效应下潮差变化会对波高造成影响[5]，而波浪形变一般还会体现在周期（或波长）等因素上，将模式输出的有效波高、平均波向、平均周期和水位等变量，经归一化处理后分别作为输入层进入ANN模型的神经单元．为分析这些变量对模式修正效果的相对重要性，采用控制变量法，建立6个具有不同输入层的ANN模型，分别标记为ANNⅠ～Ⅵ（表1），通过比较基于不同输入变量组合模型的输出结果，得到对模式修正效果影响最大的变量．各ANN模型的输出层均仅包括1个神经单元，即修正后的有效波高．对隐含层分别采用5～14个神经单元进行试算，发现取10个神经单元时对WW3模式在该观测站的改善效果最好，因此将神经单元个数设置为10.ANN模型采用Levenberg-Marquardt反向传播算法进行样本快速训练，训练次数为5 000．隐含层使用双曲正切Sigmoid型传递函数，输出层使用线性传递函数．选取2018年7月13日至12月31日为ANN模型的训练阶段，2019年1月1日至3月31日为模型的验证阶段．
在ANN模型训练阶段，观测数据和同期的WW3模式结果相匹配，按表1所列的6个输入变量组合进行训练，从而建立了相应的ANN模型．结果表明：经过训练后的ANN模型均能有效修正WW3模式的模拟结果，使有效波高的时间序列更接近观测值（图4(a））；与WW3模式结果相比，ANN模拟结果的RMSE和MAE的降幅为59.8%～73.2%（表1）．通过比较有效波高的散点值可进一步发现，ANN模型主要的改善效果之一在于避免了模式结果出现的过大值（图4(b)～(h））．岛屿地形遮蔽和近岸水深变浅对波浪起到耗散作用，限制了过大波高的出现．然而，由于大区域模式难以有效地刻画这种地形特点，在岛屿近岸的有效地波高模拟容易偏大，采用ANN模型则能有效地修正此误差．通过绘制WW3模式和不同ANN模型训练结果的泰勒图[28]，可对它们的表现进行整体评价．如图5(a）所示，与WW3模式结果（A点）相比，采用不同ANN模型修正后的结果（B、C、D、E、F、G点）均更加接近“浪龙”观测参照点，使中心化均方根差（即距平变量的均方根差，centered root mean square difference,RMSD）、归一化标准差和COR都显著改善．其中，将平均波向纳入输入变量的ANN模型结果（C、D和G点）更接近观测参照点，对WW3模式结果的改善比不纳入平均波向的结果（B、E和F点）更为明显．
【参考文献】：
期刊论文
[1]基于外海环境预报的近岸岛礁桥址区波高ANN推算模型[J]. 魏凯,林静,李明阳. 土木与环境工程学报(中英文). 2019(06)
[2]Evaluation of Typhoon Waves Simulated by Wave Watch-Ⅲ Model in Shallow Waters Around Zhoushan Islands[J]. SHENG Yexin,SHAO Weizeng,LI Shuiqing,ZHANG Yuming,YANG Hongwei,ZUO Juncheng. Journal of Ocean University of China. 2019(02)
[3]神经网络方法在上海沿海海浪预报中的应用[J]. 朱智慧,曹庆,徐杰. 海洋预报. 2018(05)
[4]岛礁海域的近岸水动力特性研究进展[J]. 孙家文,房克照,何栋彬,张振伟. 水道港口. 2018(04)
[5]规则波在岛礁浅海区传播的数值模拟[J]. 魏泽,王星,刘小龙. 船海工程. 2017(04)
[6]潮汐流影响下珊瑚岛礁附近波浪传播变形和增水试验[J]. 姚宇,唐政江,杜睿超,蒋昌波. 水科学进展. 2017(04)
[7]深圳大鹏湾波高实时预报[J]. 方莹,毛献忠. 海洋预报. 2016(03)
[8]海南岛东南近岸海浪观测及统计特征[J]. 李淑江,李泽文,范斌,高秀敏,徐晓庆,滕涌,叶钦. 海洋科学进展. 2016(01)
[9]岛屿岛礁海域海浪能谱模型研究进展[J]. 毛科峰,陈希,王亮. 海洋学报(中文版). 2014(05)
[10]基于广义极值分布的设计波高推算[J]. 陈子燊,刘曾美,路剑飞,于吉涛. 热带海洋学报. 2011(03)
本文编号：3578421
【文章来源】：厦门大学学报(自然科学版). 2020,59(03)北大核心CSCD
【文章页数】：8 页
【部分图文】：
东锣岛（a）和“浪龙”潜标波浪流速剖面仪观测站（b）的位置
本研究选用ANN中的反向传播神经网络（图2）来建立有效波高的修正模型．该网络是一种按误差反向传播训练的多层前馈网络，其基本思想是梯度下降法，以期使网络的实际输出值和期望输出值的误差和均方差最小．网络由3个神经元层次组成，即输入层、隐含层和输出层．各层次的神经元之间彼此独立，形成全交互连接．训练样本的信息经过传递函数逐步向前传播．若输出结果不能达到设定的阈值，则将输出信号与阈值之间的误差返回到输入层，然后再修改输入层各变量的权重函数．通过对样本的反复训练学习，并达到设定的误差后，权重系数矩阵和阈值矩阵得以最终确定．ANN模型已在海洋水文参数模拟中得到广泛的应用[6-12,22-23].为修正WW3模式有效波高的模拟结果，考虑到由不同方向传至岛屿近岸的波浪所经历的变形过程存在差异性[13-14]，以及浅水效应下潮差变化会对波高造成影响[5]，而波浪形变一般还会体现在周期（或波长）等因素上，将模式输出的有效波高、平均波向、平均周期和水位等变量，经归一化处理后分别作为输入层进入ANN模型的神经单元．为分析这些变量对模式修正效果的相对重要性，采用控制变量法，建立6个具有不同输入层的ANN模型，分别标记为ANNⅠ～Ⅵ（表1），通过比较基于不同输入变量组合模型的输出结果，得到对模式修正效果影响最大的变量．各ANN模型的输出层均仅包括1个神经单元，即修正后的有效波高．对隐含层分别采用5～14个神经单元进行试算，发现取10个神经单元时对WW3模式在该观测站的改善效果最好，因此将神经单元个数设置为10.ANN模型采用Levenberg-Marquardt反向传播算法进行样本快速训练，训练次数为5 000．隐含层使用双曲正切Sigmoid型传递函数，输出层使用线性传递函数．选取2018年7月13日至12月31日为ANN模型的训练阶段，2019年1月1日至3月31日为模型的验证阶段．
在ANN模型训练阶段，观测数据和同期的WW3模式结果相匹配，按表1所列的6个输入变量组合进行训练，从而建立了相应的ANN模型．结果表明：经过训练后的ANN模型均能有效修正WW3模式的模拟结果，使有效波高的时间序列更接近观测值（图4(a））；与WW3模式结果相比，ANN模拟结果的RMSE和MAE的降幅为59.8%～73.2%（表1）．通过比较有效波高的散点值可进一步发现，ANN模型主要的改善效果之一在于避免了模式结果出现的过大值（图4(b)～(h））．岛屿地形遮蔽和近岸水深变浅对波浪起到耗散作用，限制了过大波高的出现．然而，由于大区域模式难以有效地刻画这种地形特点，在岛屿近岸的有效地波高模拟容易偏大，采用ANN模型则能有效地修正此误差．通过绘制WW3模式和不同ANN模型训练结果的泰勒图[28]，可对它们的表现进行整体评价．如图5(a）所示，与WW3模式结果（A点）相比，采用不同ANN模型修正后的结果（B、C、D、E、F、G点）均更加接近“浪龙”观测参照点，使中心化均方根差（即距平变量的均方根差，centered root mean square difference,RMSD）、归一化标准差和COR都显著改善．其中，将平均波向纳入输入变量的ANN模型结果（C、D和G点）更接近观测参照点，对WW3模式结果的改善比不纳入平均波向的结果（B、E和F点）更为明显．
【参考文献】：
期刊论文
[1]基于外海环境预报的近岸岛礁桥址区波高ANN推算模型[J]. 魏凯,林静,李明阳. 土木与环境工程学报(中英文). 2019(06)
[2]Evaluation of Typhoon Waves Simulated by Wave Watch-Ⅲ Model in Shallow Waters Around Zhoushan Islands[J]. SHENG Yexin,SHAO Weizeng,LI Shuiqing,ZHANG Yuming,YANG Hongwei,ZUO Juncheng. Journal of Ocean University of China. 2019(02)
[3]神经网络方法在上海沿海海浪预报中的应用[J]. 朱智慧,曹庆,徐杰. 海洋预报. 2018(05)
[4]岛礁海域的近岸水动力特性研究进展[J]. 孙家文,房克照,何栋彬,张振伟. 水道港口. 2018(04)
[5]规则波在岛礁浅海区传播的数值模拟[J]. 魏泽,王星,刘小龙. 船海工程. 2017(04)
[6]潮汐流影响下珊瑚岛礁附近波浪传播变形和增水试验[J]. 姚宇,唐政江,杜睿超,蒋昌波. 水科学进展. 2017(04)
[7]深圳大鹏湾波高实时预报[J]. 方莹,毛献忠. 海洋预报. 2016(03)
[8]海南岛东南近岸海浪观测及统计特征[J]. 李淑江,李泽文,范斌,高秀敏,徐晓庆,滕涌,叶钦. 海洋科学进展. 2016(01)
[9]岛屿岛礁海域海浪能谱模型研究进展[J]. 毛科峰,陈希,王亮. 海洋学报(中文版). 2014(05)
[10]基于广义极值分布的设计波高推算[J]. 陈子燊,刘曾美,路剑飞,于吉涛. 热带海洋学报. 2011(03)
本文编号：3578421
本文链接：https://www.wllwen.com/kejilunwen/shuiwenshuili/3578421.html
