view in publisher's site

A multi-layer perceptron approach for accelerated wave forecasting in Lake Michigan

Highlights•A multi-layer perceptron (MLP) model is developed for wave forecasting in Lake Michigan.•The MLP model is trained and tested using the wave simulations with ice-coverage from a physics-based SWAN wave model.•The MLP model is capable of predicting characteristic wave conditions in a comparable accuracy of SWAN wave model.•Extensive studies on the hyperparameters and regularization techniques in the MLP model is presented.•The MLP model forecast wave conditions in 1/20,000th-1/10,000th of the time to run the physics-based SWAN model.AbstractA machine learning framework based on a multi-layer perceptron (MLP) algorithm was established and applied to wave forecasting in Lake Michigan. The MLP model showed desirable performance in forecasting wave characteristics, including significant wave heights and peak wave periods, considering both wind and ice cover on wave generation. The structure of the MLP regressor was optimized by a cross-validated parameter search technique and consisted of two hidden layers with 300 neurons in each hidden layer. The MLP model was trained and validated using the wave simulations from a physics-based SWAN wave model for the period 2005–2014 and tested for wave prediction by using NOAA buoy data from 2015. Sensitivity tests on hyperparameters and regularization techniques were conducted to demonstrate the robustness of the model. The MLP model was computationally efficient and capable of predicting characteristic wave conditions with accuracy comparable to that of the SWAN model. It was demonstrated that this machine learning approach could forecast wave conditions in 1/20,000th to 1/10,000th of the computational time necessary to run the physics-based model. This magnitude of acceleration could enable efficient wave predictions of extremely large scales in time and space.

یک روش چند لایه پرسپترون برای پیش‌بینی موج سریع در دریاچه میشیگان

نکات مهم: یک مدل چند لایه پرسپترون (MLP)برای پیش‌بینی موج در دریاچه میشیگان توسعه داده شده‌است. مدل MLP آموزش‌دیده است و با استفاده از شبیه‌سازی‌های موج با پوشش یخی از مدل موج SWAN مبتنی بر فیزیک مورد آزمایش قرار گرفته‌است. مدل MLP قادر به پیش‌بینی شرایط موج ویژه در یک دقت قابل‌مقایسه با مدل موج SWAN است. مطالعات گسترده در مورد تکنیک‌های hyperparameters و تنظیم‌کننده در مدل MLP ارایه شده‌است. مدل MLP برای پیش‌بینی شرایط موج در ۱ / ۲۰، ۰۰۰th ۱ / ۱۰، هزارمین ثانیه برای اجرای چارچوب یادگیری ماشین - model.Abst مبتنی بر یک الگوریتم چند لایه پرسپترون (MLP)ایجاد و برای پیش‌بینی موج در دریاچه میشیگان بکار گرفته شد. مدل MLP عملکرد مطلوبی را در خصوصیات موج پیش‌بینی، از جمله ارتفاعات موج قابل‌توجه و دوره‌های موج پیک، با توجه به تغییرات باد و یخ در تولید موج نشان داد. ساختار of regressor به وسیله یک تکنیک جستجوی پارامتر با تایید متقابل بهینه‌سازی شد و متشکل از دو لایه پنهان با ۳۰۰ نورون در هر لایه پنهان بود. مدل MLP با استفاده از شبیه‌سازی‌های موج از مدل موج SWAN مبتنی بر فیزیک برای دوره ۲۰۰۵ - ۲۰۱۴ آموزش‌دیده و برای پیش‌بینی موج با استفاده از داده‌های شناور NOAA از سال ۲۰۱۵ مورد آزمایش قرار گرفت. آزمون‌های حساسیت بر تکنیک‌های hyperparameters و تنظیم‌کننده برای نشان دادن نیرومندی مدل انجام شد. مدل MLP از نظر محاسباتی کارآمد بوده و قادر به پیش‌بینی شرایط موج ویژه با دقت قابل‌مقایسه با مدل of می‌باشد. نشان داده شد که این روش یادگیری ماشین می‌تواند شرایط موجی را در ۱ / ۲۰، ۱ / ۱، هزارمین بار محاسباتی لازم برای اجرای مدل مبتنی بر فیزیک، پیش‌بینی کند. این شدت شتاب می‌تواند پیش‌بینی‌های موج کارآمد از مقیاس‌های بسیار بزرگ در زمان و فضا را ممکن سازد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Ocean Engineering
  • ترجمه مقاله Ocean Engineering
  • مقاله مهندسی اقیانوس
  • ترجمه مقاله مهندسی اقیانوس
  • مقاله Environmental Engineering
  • ترجمه مقاله Environmental Engineering
  • مقاله مهندسی محیط‌ زیست
  • ترجمه مقاله مهندسی محیط‌ زیست
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.