14960

بررسي تاثير راه حل تركيبي سازه حفاظت ساحلي با مانگروها براي كاهش اثر تسونامي

1400

دكتر عباس يگانه بختياري-دكتر ناصر شابختي

پوشش گياهي ساحلي، به ويژه جنگل‌هاي مانگرو، به عنوان يك راهكار طبيعي مؤثر در كاهش انرژي امواج مخرب مانند سونامي شناخته مي‌شود. با اين حال، كمي‌سازي مقاومت هيدروديناميكي اين پوشش‌ها، كه توسط ضريب پسا نمايندگي مي‌شود، به دليل پيچيدگي اندركنش بين جريان و ساختار گياهي، همچنان يك چالش علمي باقي مانده است. اغلب مطالعات پيشين در اين حوزه، استخراج دانش را به يك مجموعه آزمايشي منفرد محدود كرده‌اند كه اين امر مي‌تواند منجر به سوگيري در نتايج و كاهش قابليت تعميم‌پذيري مدل‌هاي ارائه شده گردد. اين پژوهش با يكپارچه‌سازي داده‌هاي دو منبع مستقل كه شامل سيستم‌هاي حفاظتي متنوعي از جمله درخت تنها، و سيستم‌هاي هيبريدي با ريف بال و لوله سوراخ‌دار مي‌باشند، به دنبال كاهش اين سوگيري‌هاي احتمالي و توسعه يك مدل مهندسي دقيق و تفسيرپذير براي پيش‌بيني ضريب پسا با استفاده از تكنيك‌هاي پيشرفته يادگيري ماشين است. در اين راستا، يك مجموعه داده جامع شامل 126 نمونه آزمايشگاهي از دو مطالعه مستقل و ناهمگون گردآوري گرديد. بر اساس اصول مكانيك سيالات و تئوري تشابه، 11 پارامتر بي‌بُعد فيزيكي تعريف شد كه جنبه‌هاي مختلف جريان ورودي، مشخصات ساختاري پوشش گياهي و اندركنش بين آنها را توصيف مي‌كردند. به منظور شناسايي مؤثرترين و كم‌افزونگي‌ترين متغيرها، يك چارچوب انتخاب ويژگي چهار مرحله‌اي شامل حذف ويژگي ها با واريانس پايين، تحليل همبستگي، تحليل اطلاعات متقابل و حذف بازگشتي ويژگي پياده‌سازي گرديد كه در نهايت منجر به انتخاب يك زيرمجموعه بهينه شامل 5 پارامتر كليدي شد. در ادامه، عملكرد شش مدل يادگيري ماشين از خانواده‌هاي مختلف (رگرسيون خطي (LinearRegression)، ماشين بردار پشتيبان (Support Vector Machine)، شبكه عصبي (Neural Network)، جنگل تصادفي (Random Forest)، ايكس‌جي‌بوست (XGBoost) و كت‌بوست (CatBoost)) بر روي داده‌هاي تركيبي مقايسه شد. نتايج ارزيابي بر روي مجموعه تست نشان مي‌دهد كه مدل ايكس جي بوست با عملكردي برتر (ضريب تعيين 9526/0 ، ميانگين قدرمطلق خطاي برابر با 3667/0 و ريشه ميانگين مربعات خطاي برابر با 2903/0)، به طور قابل توجهي عملكرد بهتري نسبت به ساير مدل‌ها دارد كه اين موضوع، ماهيت غيرخطي و پيچيده پديده را تأييد مي‌كند. استحكام و قابليت اطمينان نتايج با استفاده از اعتبارسنجي متقابل و تحليل عدم قطعيت بوت‌استرپ (Bootstrap) تأييد گرديد. در نهايت، با استفاده از تحليل شپ (SHapley Additive exPlanations)، مدل ايكس جي بوست به عنوان يك "جعبه شيشه‌اي" (Glass-Box) مورد بررسي قرار گرفت و اهميت، جهت تأثير و اندركنش‌هاي غيرخطي بين پارامترهاي فيزيكي كليدي و ضريب پسا آشكارسازي شد. اين پژوهش نشان مي‌دهد كه چگونه مي‌توان با يكپارچه‌سازي داده‌هاي ناهمگون و بهره‌گيري از مدل‌هاي پيشرفته، يك ابزار مهندسي دقيق براي پيش‌بيني ضريب پسا ارائه داد. همچنين، با شناسايي مهم‌ترين پارامترهاي تأثيرگذار، به درك عميق‌تر فيزيك حاكم بر اندركنش امواج سونامي و پوشش گياهي ساحلي كمك شاياني مي‌نمايد.

1/1/1900 12:00:00 AM

87247

1404/06/19

ضريب پسا , مانگرو , يادگيري ماشين , تفسير پذيري

Drag Coefficient , Mangrove , Machine Learning , Interpretation