Research on application of Artificial neural network to predict high waves near the shore in Cua Dai sea area, Quang Ngai province
142 viewsDOI:
https://doi.org/10.54939/1859-1043.j.mst.88.2023.147-153Keywords:
ANN; Significant wave height; Wave prediction; Mike 21SW.Abstract
Artificial Neural Networks (ANNs) are considered as a powerful tool to solve complex and nonlinear problems, especially in cases where relationships between processes are not easily established. easy way. explicitly. Currently, artificial neural networks are widely applied in various fields of science and technology and in hydrodynamic studies in coastal estuaries is no exception. Using ANN has significant advantages in large data processing, fast resolution with guaranteed accuracy. In this study, the authors used an artificial neural network to calculate, simulate and predict high waves near the coast in Cua Dai sea area in Quang Ngai province during the period of June 2016 and early July. 2016. The ANN training dataset includes starting data taken from NOAA offshore wave data, the output data is taken from the calculation results of Mike 21SW mathematical model at Cua Dai Sea. Ability to enhance reliability when building the Mike 21SW mathematical model, the output results of the Mike 21SW model will be compared with the actual measurement results at Cua Dai beach within the first 7 days of July 2016. The results of computational simulation and prediction of high near-shore broadcast rates of the ANN are compared with the results of the Mike 21SW mathematical model and the actual survey results.
References
[1]. Scott C. James, Yushan Zhang, Fearghal O'Donncha, “A machine learning framework to forecast wave conditions, Coastal Engineering”, Volume 137, Pages 1-10, (2018). DOI: https://doi.org/10.1016/j.coastaleng.2018.03.004
[2]. J. Berbić, E. Ocvirk, D. Carević, G. Lončar, “Application of neural networks and support vector machine for significant wave height prediction”, Oceanologia, Volume 59, Issue 3, pp. 331-349, (2017). DOI: https://doi.org/10.1016/j.oceano.2017.03.007
[3]. D.J. Peres, C. Iuppa, L. Cavallaro, A. Cancelliere, E. Foti, “Significant wave height record extension by neural networks and reanalysis wind data, Ocean Modelling, Volume 94, Pages 128-140, (2015). DOI: https://doi.org/10.1016/j.ocemod.2015.08.002
[4]. Hyun-Doug Yoon, Daniel T. Cox, Munki Kim, “Prediction of time-dependent sediment suspension in the surf zone using artificial neural networ”k, Coastal Engineering, Volume 71, Pages 78-86, (2013). DOI: https://doi.org/10.1016/j.coastaleng.2012.08.005
[5]. Yunwei Wang, Jun Chen, Hui Cai, Qian Yu, Zeng Zhou, “Predicting water turbidity in a macro-tidal coastal bay using machine learning approaches”, Estuarine, Coastal and Shelf Science, Volume 252, (2021), 107276, ISSN 0272-7714, https://doi.org/10.1016/j.ecss.2021.107276. DOI: https://doi.org/10.1016/j.ecss.2021.107276
[6]. Sooyoul Kim, Tracey H.A. Tom, Masahide Takeda, Hajime Mase, “A framework for transformation to nearshore wave from global wave data using machine learning techniques: Validation at the Port of Hitachinaka, Japan”, Ocean Engineering, Volume 221, 108516, (2021). DOI: https://doi.org/10.1016/j.oceaneng.2020.108516
[7]. Lê Văn Nghinh, Hoàng Thanh Tùng, Nguyễn Ngọc Hải, “Nghiên cứu ứng dụng mạng nơ ron thần kinh vào dự báo lũ các sông ở tỉnh Bình Định và Quảng Trị”, Tạp chí Khoa học Kỹ thuật Thủy lợi và Môi trường, Số 14, (2006).
[8]. Nguyễn Đăng Tính, “Ứng dụng mạng nơ ron nhận tạo để dự báo mưa và dòng chảy làm cơ sở cho công tác phòng trành và giảm nhẹ thiên tai hạn hán trên một số lưu vực sông thuộc vùng Tây nguyên Việt Nam”, Tạp chí Khoa học Kỹ thuật Thủy lợi và Môi trường, Số 22, (2008).
[9]. Đặng Văn Tỏ, “Phục hồi dữ liệu sóng biển bằng mạng nơ-ron nhân tạo”, Tạp chí Khoa học và Công nghệ biển T10, Số 1. Tr 17 – 25, (2010).
[10]. Trần Hồng Thái, Mai Văn Khiêm, Nguyễn Bá Thủy, Bùi Mạnh Hà, Phạm Khánh Ngọc, “Xây dựng mô hình mạng nơ ron hồi quy dự báo độ cao sóng có nghĩa tại trạm Cồn Cỏ, Quảng Trị, Việt Nam”, Tạp chí Khí tượng Thủy văn, Tập. 4 Số. 736(1), Tr 73-84, (2022). DOI: https://doi.org/10.36335/VNJHM.2022(EME4).73-84
