CN109858130A - 一种基于人工智能和数值模型的波浪模拟方法 - Google Patents
一种基于人工智能和数值模型的波浪模拟方法 Download PDFInfo
- Publication number
- CN109858130A CN109858130A CN201910065902.6A CN201910065902A CN109858130A CN 109858130 A CN109858130 A CN 109858130A CN 201910065902 A CN201910065902 A CN 201910065902A CN 109858130 A CN109858130 A CN 109858130A
- Authority
- CN
- China
- Prior art keywords
- wave
- formula
- model
- individual
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于人工智能和数值模型的波浪模拟方法,包括以下步骤:步骤1:确定波浪模型结构;步骤2:初始化波浪模型参数;步骤3:输出初始条件,计算波浪模型适应度值;步骤4:选择操作;步骤5:交叉操作;步骤6:变异操作;步骤7:计算适应度;步骤8:判断是否满足结束条件,若满足,则进入步骤9;若不满足,则返回步骤4;步骤9:获取最优参数组合;步骤10:将步骤9得到的参数重新代入步骤(1)的公式的模型中再次计算模拟波浪。本发明奖人工智能技术与波浪模型相结合,实现对波浪模型参数的自动选择;根据输入的风速条件和地形条件能够自动选取更符合实际的浪模型参数,提高模拟精确度。
Description
技术领域
本发明涉及海洋资源的开发和波浪要素的研究技术领域,尤 其涉及一种基于人工智能和数值模型的波浪模拟方法。
背景技术
自上世纪五十年代计算机技术飞速发展以来,谱方程的波浪模拟方法自 出现至今经历了极大的改进。我国沿海海岸线长达1.8万公里,尤其是东南 沿海地区经常遭受台风和海浪的侵害,对人民的生产生活都造成了极大的威 胁。近年来,由于气候变化的影响,极端恶劣天气状况的增加使得台风、极 端海浪等要素出现的频率增加,导致人们对于波浪的模拟到达了一定的瓶颈 期,加之海洋状况的复杂,谱方程参数的估计方法和波浪模拟效果都没有达 到很理想的效果。目前国际上较为成熟、应用较广的波浪场计算模型主要有:能量平衡方程模型、Boussinesq方程模型、基于势波理论的缓坡方程模型和 基于N-S方程的非静压模型。其中基于能量平衡方程的波浪模型主要有 WAVEWATCH、WAM、SWAN等,此类模型主要从宏观上模拟波浪的能量、 波长、波高和频率等特性的变化,其中SWAN波浪模型采用了基于欧拉近似 的作用量谱平衡方程,能够同时考虑风浪的成长、消散、波浪破碎、海底摩 擦、三波相互作用和四波相互作用等物理过程,得到了广泛应用。
然而,由于海洋状况和水深地形的影响,现有的基于谱平衡 方程的波浪数值模型对于每个地区的适用度差异很大,对不同海 域的波浪模拟效果也大不相同,对于复杂海况海域的波浪场模拟 效果并不好。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷,提供一种 基于人工智能和数值模型的波浪模拟方法。
一种基于人工智能和数值模型的波浪模拟方法,包括以下步 骤:
步骤1:确定波浪模型结构;
所述波浪模型结构为:
其中,式中,N表示谱密度,其值为能谱密度E与波浪相对频 率σ的比值;Cx和Cy表示波浪在x方向和y方向的空间传播速度;Cσ 和Cθ表示波浪在σ方向和θ方向的传播速度;方程左边第1项表示N 在时间上的变化率,第2、3项表示N在地理空间x方向和y方向上 的传播,第4、5项表示波浪受地形及水流作用在σ方向和θ方向的传 播变形;方程右边Stot代表控制物理过程的源函数项;
步骤2:初始化波浪模型参数;
所述波浪模型参数包括:风的拖曳系数、三波相互作用系数、 四波相互作用系数、白冠系数、底摩擦系数和破碎系数;
步骤3:输出初始条件,计算波浪模型适应度值;
计算公式如下所示:
式中,Fi为第i个个体的适应度值;Ei为第i个个体的误差平方和;yj、 oj分别为第j组波浪数据的期望输出、预测输出;m为波浪数据个数; k为系数,取0.5;
步骤4:选择操作:选择操作是指从父代群体中以一定概率选择 个体到子代群体中,个体被选中的概率跟适应度值有关,适应度值大 的个体被选中的概率也越大;使用轮盘赌法作为选择算法,其公式如 下所示:
式中,pi为每个个体被选中的概率;
步骤5:交叉操作:所述交叉操作算法采用实数交叉法,其公式 如下所示:
式中,akj为k个个体的j位的实数编码(基因);alj为l个个体的j位的 实数编码(基因);b为[0,1]之间的随机数;
步骤6:变异操作,按下式进行变异操作:
式中,aij为第i个个体amax为基因aij的上界;amin为基因aij的下界; f(g)=r2(1-g/Gmax);r2为一个随机数;g为当前遗传代数;Gmax为最大遗 传代数;r为[0,1]之间随机数;
步骤7:计算适应度;
步骤8:判断是否满足结束条件,若满足,则进入步骤9;若 不满足,则返回步骤4;
步骤9:获取最优参数组合;
步骤10:将步骤9得到的参数重新代入步骤(1)的公式的模 型中再次计算模拟波浪。
进一步地,如上所述的基于人工智能和数值模型的波浪模拟 方法,步骤(1)中波浪在各个方向上的传播速度,表达式分别为:
式中,s表示与能量传播方向相同的方向向量,m表示与s向量 垂直的方向向量,向量k表示波数,向量U表示海流速度,d表示水 深。
有益效果:
本发明基于人工智能技术,实现根据海洋状况进行波浪模型 自动选择、校核谱平衡方程的参数和波浪相关特性参数,在此基 础上进行波浪场模拟,达到波浪模型对所有地区都能相对适应的 效果,更加准确的模拟复杂海况的海域波浪。
附图说明
图1为本发明基于人工智能和数值模型的波浪模拟方法流程 图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面本发明 中的技术方案进行清楚、完整地描述,显然,所描述的实施例是 本发明一部分实施例,而不是全部的实施例。基于本发明中的实 施例,本领域普通技术人员在没有作出创造性劳动前提下所获得 的所有其他实施例,都属于本发明保护的范围。
本发明波浪模型结构为以下所述谱平衡方程波浪模型
谱平衡方程波浪模型在直角坐标系下的表达式为
式中,N表示谱密度,其值为能谱密度E与波浪相对频率σ的比 值;Cx和Cy表示波浪在x方向和y方向的空间传播速度;Cσ和Cθ表 示波浪在σ方向和θ方向的传播速度;方程左边第1项表示N在时间 上的变化率,第2、3项表示N在地理空间x方向和y方向上的传播, 第4、5项表示波浪受地形及水流作用在σ方向和θ方向的传播变形; 方程右边Stot代表控制物理过程的源函数项。
根据线性波理论可以得到波浪在各个方向上的传播速度,表达式 分别为:
式中,s表示与能量传播方向相同的方向向量,m表示与s向量 垂直的方向向量,向量k表示波数,向量U表示海流速度,d表示水 深。
总方程中Stot代表控制物理过程的源函数项,可表示为:
Stot=Sin+Snl3+Snl4+Sds,w+Sds,b+Sds,br (6)
式中,源函数项分别代表:Sin表示风能输入作用,Snl3表示三波 相互作用,Snl4表示四波相互作用,Sds,w表示白冠耗散作用,Sds,b表示 底摩擦作用,Sds,br表示水深导致的波浪破碎作用。
对于不同海洋状况来说,风能输入、三波相互作用、四波相互 作用、白冠耗散作用、底摩擦作用和水深变浅导致的破碎作用都是不 同的,因此,将上述6项作用的影响系数作为人工智能自动选择的计 算参数,即风的拖曳系数、三波相互作用系数、四波相互作用系数、 白冠系数、底摩擦系数和破碎系数。
人工智能模型的结合:
遗传算法(Genetic Algorithms)是1962年由美国Michigan大学 Holland教授提出的模拟自然界遗传机制和生物进化论而成的一种并 行随机搜索最优解的方法。它以达尔文的“物竞天择,适者生存”的生 物进化论为原理,并将其引入优化参数形成的编码串联群体中,按照 适应度函数评估每个个体的适应度,并通过遗传中的选择、交叉和变 异操作对个体进行筛选,使适应度值较好的个体被保留,适应度较差 的个体逐渐被淘汰,新产生的群体在保留上一代的信息的基础上又要 优于上一代。如此循环往复,直至满足要求。遗传算法基本的操作分 为三个部分:即选择操作、交叉操作及变异操作。
如图1所示,本发明提供的基于人工智能和数值模型的波浪模 拟方法包括以下步骤:
步骤1:确定波浪模型结构;
所述波浪模型结构为:
步骤2:初始化波浪模型参数;
所述波浪模型参数包括:风的拖曳系数、三波相互作用系数、 四波相互作用系数、白冠系数、底摩擦系数和破碎系数;
具体的,每一个体均为一个由6个系数组成的取值组合,即个 体长度为6;根据个体长度及种群的规模对种群进行初始化操作,即 生产一S×6的二维随机数组储存每个网络的权值、阈值作为初始种群, 其中S为种群个数;
步骤3:输出初始条件,计算波浪模型适应度值;
根据每一个体的初始权值和阈值,用训练数据训练波浪模型, 以预测输出和期望输出之间的误差平方和的倒数作为个体适应度值, 计算公式如式(7)所示:
式中,Fi为第i个个体的适应度值;Ei为第i个个体的误差平方和;yj、 oj分别为第j组波浪数据的期望输出、预测输出;m为波浪数据个数; k为系数,取0.5。
步骤4:选择操作:选择操作是指从父代群体中以一定概率选择 个体到子代群体中,个体被选中的概率跟适应度值有关,适应度值大 的个体被选中的概率也越大。为确保性能优良的个体能够遗传到下一 代中,本发明使用轮盘赌法作为选择算法,其公式如式(8)所示:
式中,pi为每个个体被选中的概率;其余符号含义与上文相同。
步骤5:交叉操作:交叉操作为遗传算法中最重要的操作。种群 中个体间通过交叉产生新的个体,可逐渐扩展搜索空间,提高全局搜 索的能力。本发明交叉操作算法采用实数交叉法,该方法可确保父代 的优良基因模式基本不发生破坏,提高种群的平均适应度。
式中,akj为k个个体的j位的实数编码(基因);alj为l个个体的j位的 实数编码(基因);b为[0,1]之间的随机数。
具体地,本发明提供的遗传算法的交叉操作,是指对两个相 互配对的染色体按某种方式相互交换其部分基因,从而形成两个 新的个体。具体就是将步骤4选择出来的个体,进行个体与个体 之间参数互换,形成更多新个体。
步骤6:变异操作:变异操作是遗传变化的主要根源,是摆脱遗 传算法的局部收敛的最有效方法。本发明按式(5)进行变异操作,该算 法随着遗传代数的增加而逐渐减少变异操作,可保护优良的基因模式, 利于趋向最优解。
式中,aij为第i个个体amax为基因aij的上界;amin为基因aij的下界; f(g)=r2(1-g/Gmax);r2为一个随机数;g为当前遗传代数;Gmax为最大遗 传代数;r为[0,1]之间随机数。
具体地,遗传算法中的变异运算,是指将个体染色体编码串 中的某些基因座上的基因值用该基因座上的其它等位基因来替换, 从而形成以给新的个体。同前两个步骤的关系,就是将之前形成 的个体,进行参数随机变异,形成更多新个体。步骤5、6的目的 都是尽可能使形成的个体更加随机。
步骤7:计算适应度;
适应度指的是误差的倒数,即误差越小,表明最后得到的个 体越适应环境,即越满足要求。
步骤8:判断是否满足结束条件,若满足,则进入步骤9;若 不满足,则返回步骤4;
具体地,是否满足条件,就是遗传算法得到的模型与实测数 据的误差是否在接受范围之内。
步骤9:获取最优参数组合;
最优参数组合指的就是最后得到的满足要求的结果,即6个 参数的组合。
步骤10:波浪模拟计算。
具体地,波浪模拟计算就是将得到的6个参数重新代入式(1) 的模型中再次计算模拟波浪。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而 非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领 域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技 术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修 改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方 案的精神和范围。
Claims (2)
1.一种基于人工智能和数值模型的波浪模拟方法,其特征在于,包括以下步骤:
步骤1:确定波浪模型结构;
所述波浪模型结构为:
其中,式中,N表示谱密度,其值为能谱密度E与波浪相对频率σ的比值;Cx和Cy表示波浪在x方向和y方向的空间传播速度;Cσ和Cθ表示波浪在σ方向和θ方向的传播速度;方程左边第1项表示N在时间上的变化率,第2、3项表示N在地理空间x方向和y方向上的传播,第4、5项表示波浪受地形及水流作用在σ方向和θ方向的传播变形;方程右边Stot代表控制物理过程的源函数项;
步骤2:初始化波浪模型参数;
所述波浪模型参数包括:风的拖曳系数、三波相互作用系数、四波相互作用系数、白冠系数、底摩擦系数和破碎系数;
步骤3:输出初始条件,计算波浪模型适应度值;
计算公式如下所示:
式中,Fi为第i个个体的适应度值;Ei为第i个个体的误差平方和;yj、oj分别为第j组波浪数据的期望输出、预测输出;m为波浪数据个数;k为系数,取0.5;
步骤4:选择操作:选择操作是指从父代群体中以一定概率选择个体到子代群体中,个体被选中的概率跟适应度值有关,适应度值大的个体被选中的概率也越大;使用轮盘赌法作为选择算法,其公式如下所示:
式中,pi为每个个体被选中的概率;
步骤5:交叉操作:所述交叉操作算法采用实数交叉法,其公式如下所示:
式中,akj为k个个体的j位的实数编码(基因);alj为l个个体的j位的实数编码(基因);b为[0,1]之间的随机数;
步骤6:变异操作,按下式进行变异操作:
式中,aij为第i个个体amax为基因aij的上界;amin为基因aij的下界;f(g)=r2(1-g/Gmax);r2为一个随机数;g为当前遗传代数;Gmax为最大遗传代数;r为[0,1]之间随机数;
步骤7:计算适应度;
步骤8:判断是否满足结束条件,若满足,则进入步骤9;若不满足,则返回步骤4;
步骤9:获取最优参数组合;
步骤10:将步骤9得到的参数重新代入步骤(1)的公式的模型中再次计算模拟波浪。
2.根据权利要求1所述的基于人工智能和数值模型的波浪模拟方法,其特征在于,步骤(1)中波浪在各个方向上的传播速度,表达式分别为:
式中,s表示与能量传播方向相同的方向向量,m表示与s向量垂直的方向向量,向量k表示波数,向量U表示海流速度,d表示水深。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910065902.6A CN109858130A (zh) | 2019-01-24 | 2019-01-24 | 一种基于人工智能和数值模型的波浪模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910065902.6A CN109858130A (zh) | 2019-01-24 | 2019-01-24 | 一种基于人工智能和数值模型的波浪模拟方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109858130A true CN109858130A (zh) | 2019-06-07 |
Family
ID=66895828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910065902.6A Pending CN109858130A (zh) | 2019-01-24 | 2019-01-24 | 一种基于人工智能和数值模型的波浪模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858130A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532655A (zh) * | 2019-08-17 | 2019-12-03 | 中国海洋大学 | 一种基于人工智能和数值模型的风暴潮计算方法 |
CN112091950A (zh) * | 2020-08-21 | 2020-12-18 | 华南理工大学 | 基于混合遗传模拟退火算法的机器人运动学参数辨识方法 |
CN112109083A (zh) * | 2020-08-21 | 2020-12-22 | 华南理工大学 | 基于遗传禁忌搜索算法的机器人运动学参数辨识方法 |
CN112326194A (zh) * | 2020-11-06 | 2021-02-05 | 中国船舶科学研究中心 | 一种基于波能通量推算实测波浪摩擦系数的测量分析方法 |
CN112949188A (zh) * | 2021-03-05 | 2021-06-11 | 中国海洋大学 | 一种波浪能装置参数配置的寻优系统及方法 |
CN114676600A (zh) * | 2022-05-27 | 2022-06-28 | 中交第四航务工程勘察设计院有限公司 | 全球波浪数学模型中边界处波浪的联通方法和装置 |
CN116611270A (zh) * | 2023-07-20 | 2023-08-18 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种台风浪实时集合预报方法、介质及系统 |
CN116842331A (zh) * | 2023-09-01 | 2023-10-03 | 中国海洋大学 | 非线性聚焦波浪合成计算方法及闭环信号处理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498688A (zh) * | 2009-02-25 | 2009-08-05 | 中国海洋大学 | 基于结构振动的海洋平台整体无损检测方法 |
US8000945B2 (en) * | 2008-08-08 | 2011-08-16 | The United States Of America Represented By The Secretary Of The Navy | Method for determining heterogeneous bottom friction distributions using a numerical wave model |
CN102789134A (zh) * | 2011-05-18 | 2012-11-21 | 上海微电子装备有限公司 | 一种优化曝光系统性能的方法 |
CN104331599A (zh) * | 2014-09-30 | 2015-02-04 | 江苏省交通规划设计院股份有限公司 | 一种非结构化网格嵌套波浪数值模拟方法 |
-
2019
- 2019-01-24 CN CN201910065902.6A patent/CN109858130A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8000945B2 (en) * | 2008-08-08 | 2011-08-16 | The United States Of America Represented By The Secretary Of The Navy | Method for determining heterogeneous bottom friction distributions using a numerical wave model |
CN101498688A (zh) * | 2009-02-25 | 2009-08-05 | 中国海洋大学 | 基于结构振动的海洋平台整体无损检测方法 |
CN102789134A (zh) * | 2011-05-18 | 2012-11-21 | 上海微电子装备有限公司 | 一种优化曝光系统性能的方法 |
CN104331599A (zh) * | 2014-09-30 | 2015-02-04 | 江苏省交通规划设计院股份有限公司 | 一种非结构化网格嵌套波浪数值模拟方法 |
Non-Patent Citations (3)
Title |
---|
周德红 等: "遗传算法优化的BP神经网络在地震死亡人数评估中的应用", 《安全与环境学报》 * |
尹洪强: "基于SWAN模式下南海台风浪的推算", 《中国优秀硕士学位论文全文数据库 基础科技辑》 * |
郑威 等: "基于COS-2S模型的ADCP海浪方向谱估计", 《海洋测绘》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532655A (zh) * | 2019-08-17 | 2019-12-03 | 中国海洋大学 | 一种基于人工智能和数值模型的风暴潮计算方法 |
CN110532655B (zh) * | 2019-08-17 | 2023-10-13 | 中国海洋大学 | 一种基于人工智能和数值模型的风暴潮计算方法 |
CN112091950A (zh) * | 2020-08-21 | 2020-12-18 | 华南理工大学 | 基于混合遗传模拟退火算法的机器人运动学参数辨识方法 |
CN112109083A (zh) * | 2020-08-21 | 2020-12-22 | 华南理工大学 | 基于遗传禁忌搜索算法的机器人运动学参数辨识方法 |
CN112326194B (zh) * | 2020-11-06 | 2022-07-26 | 中国船舶科学研究中心 | 一种基于波能通量推算实测波浪摩擦系数的测量分析方法 |
CN112326194A (zh) * | 2020-11-06 | 2021-02-05 | 中国船舶科学研究中心 | 一种基于波能通量推算实测波浪摩擦系数的测量分析方法 |
CN112949188A (zh) * | 2021-03-05 | 2021-06-11 | 中国海洋大学 | 一种波浪能装置参数配置的寻优系统及方法 |
CN114676600A (zh) * | 2022-05-27 | 2022-06-28 | 中交第四航务工程勘察设计院有限公司 | 全球波浪数学模型中边界处波浪的联通方法和装置 |
CN114676600B (zh) * | 2022-05-27 | 2022-08-23 | 中交第四航务工程勘察设计院有限公司 | 全球波浪数学模型中边界处波浪的联通方法和装置 |
CN116611270A (zh) * | 2023-07-20 | 2023-08-18 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种台风浪实时集合预报方法、介质及系统 |
CN116611270B (zh) * | 2023-07-20 | 2023-10-03 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种台风浪实时集合预报方法、介质及系统 |
CN116842331A (zh) * | 2023-09-01 | 2023-10-03 | 中国海洋大学 | 非线性聚焦波浪合成计算方法及闭环信号处理系统 |
CN116842331B (zh) * | 2023-09-01 | 2023-11-28 | 中国海洋大学 | 非线性聚焦波浪合成计算方法及闭环信号处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858130A (zh) | 一种基于人工智能和数值模型的波浪模拟方法 | |
Akbarifard et al. | Predicting sea wave height using Symbiotic Organisms Search (SOS) algorithm | |
Haley Jr et al. | Forecasting and reanalysis in the Monterey Bay/California current region for the autonomous ocean sampling network-II experiment | |
CN111144666B (zh) | 一种基于深度时空残差网络的海洋温跃层预测方法 | |
Luo et al. | Prediction of significant wave height in hurricane area of the Atlantic Ocean using the Bi-LSTM with attention model | |
CN117198330B (zh) | 一种声源识别方法、系统及电子设备 | |
Umesh et al. | On the improvements in nearshore wave height predictions using nested SWAN-SWASH modelling in the eastern coastal waters of India | |
Sylaios et al. | A fuzzy inference system for wind-wave modeling | |
Viitak et al. | Evaluating wind datasets for wave hindcasting in the NW Iberian Peninsula coast | |
Sannasiraj et al. | Enhancing tidal prediction accuracy in a deterministic model using chaos theory | |
Inghilesi et al. | Implementation and validation of a coastal forecasting system for wind waves in the Mediterranean Sea | |
CN114004158A (zh) | 基于遗传算法优化支持向量机的海面电磁散射预测方法 | |
CN110532655B (zh) | 一种基于人工智能和数值模型的风暴潮计算方法 | |
Kanbua et al. | Ocean wave forecasting in the Gulf of Thailand during Typhoon Linda 1997: WAM and neural network approaches | |
Charhate et al. | Soft and hard computing approaches for real-time prediction of currents in a tide-dominated coastal area | |
Group et al. | A shallow water intercomparison of three numerical wave prediction models (SWIM) | |
Reikard | Wave energy forecasting | |
Muslim et al. | Performance of Multi-Layer Perceptron-Neural Network versus Random Forest Regression for Sea Level Rise Prediction. | |
Sztobryn | Application of artificial neural network into the water level modeling and forecast | |
Herborg et al. | Identifying suitable habitat for invasive species using ecological niche models and the policy implications of range forecasts | |
Sannasiraj et al. | Local model approximation in the real time wave forecasting | |
Zhang et al. | Triple-layered chaotic differential evolution algorithm for layout optimization of offshore wave energy converters | |
CN117471575B (zh) | 基于bo-lstm神经网络模型的台风浪波高预报方法 | |
Liu et al. | Improved Whale Optimization Algorithm Combined with the Equiangular Spiral Bubble Net Predation | |
Cornejo-Bueno | New hybrid neuro-evolutionary algorithms for renewable energy and facilities management problems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |
|
RJ01 | Rejection of invention patent application after publication |