基于机器学习的内孤立波波要素关系研究

摘要

内孤立波在海洋中的传播会携带能量和动量,不同振幅的内孤立波对海洋中的能量交换及海上工程等影响也不同,因此,研究内孤立波振幅与半波宽度、水深、分层条件、密度等水文特征参量之间的关系显得尤为重要.以往在研究中建立内孤立波振幅与它们之间的关系时,会受到不同理论有效适用范围的限制.本文借助实验室的水槽方法,设计了不同的水深、分层及密度条件下的内孤立波系列综合实验,发现内孤立波的振幅与半波宽度、水深、分层条件以及水体密度等参量之间并非简单线性关系.因此,利用机器学习的方法建立内孤立波振幅与上述参量之间的非线性关系,建立了支持向量机(SVM)和随机森林(RF)两种机器学习模型.将1266组实验数据建立样本库,其中包含训练集970组,测试集296组,对模型进行参数调优,最终通过测试集验证,SVM模型的平均相对误差为17.3％,RF模型的平均相对误差为15.5％.该方法适用于多种不同的水文条件,有效解决先前理论存在的适用性问题.