Morse, B. et Hessami, M. et Bourel, C. (2003). Mapping environmental conditions in the St. Lawrence River onto ice parameters using artificial neural networks to predict ice jams. Canadian Journal of Civil Engineering , 30 . pp. 758-765. DOI: doi: 10.1139/L03-025.
Ce document n'est pas hébergé sur Bibliothèque Électronique Lac Saint-Pierre.Résumé
Cet article évalue le potentiel d’utiliser les réseaux neuraux artificiels pour modéliser les paramètres de glace ayant trait aux embâcles dans le chenal maritime du Saint-Laurent à la hauteur du lac Saint-Pierre. Les réseaux neuraux artificiels ont mis en correspondance les conditions environnementales et les paramètres de glace par l’utilisation de réseaux multicouches à rétropropagation. Les paramètres comprennent la vitesse, l’épaisseur, la concentration et le débit unitaire de la glace. L’intrant du réseau est basé sur deux paramètres météorologiques : la vitesse du vent et la température de l’air. Afin d’entraîner le réseau rétropropagateur, l’algorithme Levenberg-Marquardt est utilisé avec la régularisation de Bayes. Les réseaux neuraux artificiels modélisent adéquatement les paramètres de glace. La prédiction de la vitesse, de l’épaisseur et du débit unitaire de la glace était très satisfaisante, mais la concentration de la glace ne l’était pas. Des méthodes pour améliorer la prédiction (plus spécifiquement la concentration de la glace) sont suggérées.
This paper evaluates the potential of using artificial neural networks to model ice parameters related to ice jams in the St. Lawrence River navigation channel through Lake St. Pierre. The artificial neural networks mapped environmental conditions onto ice parameters through multilayer feed-forward networks. The ice parameters include velocity, thickness, concentration, and unit discharge. The input to the network is based on two meteorological parameters: wind velocity and air temperature. The Levenberg–Marquardt algorithm with Bayesian regularization is used to train the feed-forward network. The artificial neural networks adequately modelled the ice parameters. The predicted ice velocity, thickness, and unit discharge were very satisfactory, but ice concentration was not. Methods to improve forecasting (particularly of ice concentration) are suggested.
| Type de document: | Article scientifique |
|---|---|
| Statut du texte intégral: | Autre |
| Mots-clés libres: | Ice parameters, Ice jam, Artificial neural network, ADCP, IPS // Paramètres de glace, Embâcle, Réseau neural artificiel, ADCP, IPS |
| Sujets: | 2. Milieu physique > 2.4. Hydrologie 8. Impacts et monitoring |
| Date de dépôt: | 17 août 2016 18:22 |
| Dernière modification: | 17 août 2016 18:22 |
| URI: | https://belsp.uqtr.ca/id/eprint/437 |
Gestion Actions (Identification requise)
 |
Dernière vérification avant le dépôt |
