基于机器学习的斜坡堤越浪量预测方法研究

针对斜坡堤越浪量预测方法,分别建立集成神经网络(ensemble neural network,ENN)、随机森林(random for-eset,RF)和支持向量回归机(suppport vector regression,SVR)3种机器学习模型对斜坡堤越浪量进行预测,并利用决定系数R2和均方根误差RMSE来评估模型性能.最后,对3种模型的性能进行分析.结果显示,集成神经网络模型的决定系数R2和均方根误差RM S E分别约为0.96和0.0018,随机森林模型的决定系数R2和均方根误差RMSE分别约为0.97和0.0014,支持向量回归机模型的决定系数R2和均方根误差RMSE分别约为0.94和0.002.对比发现,3种模型的决定系数都达到0.9以上,都具有较高的预测精度,随机森林相比其他两个模型精度更高.     

基于IMU惯性传感器的防波堤护面块体位姿变化测量研究

防波堤护面块体是防波堤上抵御波浪冲击的重要构件,受波浪冲击时会发生摇摆甚至造成破坏。采用IMU惯性传感器测量护面块体受波浪作用规律。根据惯性导航系统中坐标系转换原理,将IMU惯性传感器安放在护面块体上并放置在3种不同水线位置上进行试验,对IMU惯性传感器获取的角速度信号进行处理得到冲击速度、碰撞数。试验结果表明,在水线z/Dn =-2处的碰撞数要比在水线z/Dn=0和z/Dn=2要大,最大冲击速度发生在水线z/Dn=0处。通过以上测量参数可为块体防护提供定量评价。