Process-based models have been widely used for storm surge predictions, but
their high computational demand is a major drawback in some applications such as rapid
forecasting. Few efforts have been made to employ previous databases of synthetic/real
storms and provide more efficient surge predictions (e.g. using storm similarity of an
individual storm to those in the database). Here, we develop an alternative efficient and
robust artificial intelligent model, which predicts the peak storm surge using the tropical
storm parameters: central pressure, radius to maximum winds, forward velocity, and storm
track. The US Army Corp of Engineers, North Atlantic Comprehensive Coastal Study, has
recently performed numerical simulations of 1050 synthetic tropical storms, which statistically
represent tropical storms, using a coupled high resolution wave–surge modeling
system for the east coast of the US, from Cape Hatteras to the Canadian border. This study
has provided an unprecedented dataset which can be used to train artificial intelligence
models for surge prediction in those areas. While numerical simulation of a storm surge at
this scale and resolution (over 6 million elements scaling from 20 m to more than 100 km)
is extremely expensive, the artificial intelligence takes the advantage of the previous

 The objective of this study is to employ support
vector machine as a machine learning technique to improve
flow discharge predictions in compound open channels.
Accurate estimation of channel conveyance is a major step
in prediction of the flow discharge in open-channel flow
computations (e.g., river flood simulations, design of
canals, and water surface profile computation). Common
methods to estimate the conveyance are highly simplified
and are a main source of uncertainty in compound channels,
since popular river/canal models still incorporate 1-D
hydrodynamic formulations. Further, the reliability of
using a specific method (e.g., vertical divided channel
method, the coherence method) over other methods for
different applications involving various geometric and
hydraulic conditions is questionable. Using available
experimental and field data, a novel method was developed,
based on SVM, to compute channel conveyance. The
data included 394 flow rating curves from 30 different
laboratory and natural compound channel sections which
were used for the training, and verification of the SVM
method. The data were limited to straight compound
channels. The performance of SVM was compared with
those from other commonly used methods, such as the
vertical divided channel method, the coherence method and
the Shiono and Knight model. Additionally, SVM estimations
were compared with available data for River Main
and River Severn, UK. Results indicated that SVM outperforms
traditional methods for both laboratory and field
data. It is concluded that the proposed SVM approach
could be applied as a reliable technique for the prediction
of flow discharge in straight compound channels. The
proposed SVM can be potentially incorporated into 1-D
river hydrodynamic models in future studies

در این مقاله توانایی روش آموزش ماشین upport Vector Machine  (svm) در پیش بینی حداکثر دبی خروجی
سیلاب ناشی از شکست سدهای خاکی بررسی شده است. پارامترهای ورودی مدل مورد نظر، دو پارامتر مخزن در زمان
شکست یعنی ارتفاع آب و حجم آب پشت سد انتخاب شد که برای آموزش این مدلها از داده های جمع آوری شده در
منابع مختلف استفاده شده است. از مجموع 112 داده، 70 درصد آن جهت آموزش مدلها و 30 درصد آن جهت
صحت سنجی، به نحویکه این دو زیرمجموعه از لحاظ آماری اختلاف معنی داری ندا شته با شند، انتخاب شد. بعد از
بررسی چهار مدل SVM ، مشخص شد که استفاده از کرنل تابع پایه شعاعی بهترین نتیجه را در تخمین این پدیده
حاصل مید هد . نتایج آ ماری این روش در تخمین پدیده مورد نظر با 96 / 0 = 2R ، 03 / 0 = RMSE و 94 / 0 = 2R و
05 / 0 = RMSE به ترتیب در فاز آموزش و آزمون  مقایسه هایی نیز بین 6 رابطه تجربی کلاسی و و مدل توصیه شده
صورت گرفت که نتایج نشانگر عملکرد ضعیف روابط تجربی در مقایسه با مدل پیشنهادی ا ست. در نهایت با توجه به
اهمیت مدیریت هنگام شکست سد استفاده از روش آموزش ما شین پیشنهادی برای تخمین مقدار ماکسیمم دبی
خروجی از سد پیشنهاد میشود.

حرکت رسوب با اهمیت فراوانی که در مهندسی و علم هیدرولیک دارد فیزیک کاملاً شناخته شده ای ندارد. نادیده گرفتن حرکت نوسانی و طبیعت ناپیوسته
انتقال بار بستر، کاربرد روابطی که بر این اساس برای تخمین بار انتقال رسوب ارائه شده اند را دچار چالش کرده است. این پژوهش سعی دارد حرکت غیر معلق)حرکت بار بستر( یک ذره با وزنهای متفاوت را در شرایط مختلف جریان با استفاده از تکنیکهای رهگیری ذره، مورد کاوش قرار دهد و آن را در قالب توابع توزیع احتمالاتی توصیف کند. با مشخص شدن رفتار آماری در رابطه با عامل یا عوامل مؤثر انتقال در رژیمهای مختلف انتقال رسوب، میتوان اظهار نظر دقیقتری داشت.
در این راستا با استفاده از تکنیک رهگیری ذره ) PTV (، موقعیت ذره در هر سری آزمایش مشخص شد. در نهایت با محاسبه سرعت لحظه ای ذره توابع توزیع
احتمالاتی مختلف بر داده ها برازش داده شد تا بهترین تابع با توجه به معیار سنجش آماری کولموگروف-اسمیرنوف )در سطح اطمینان 5 درصد( انتخاب شود. نتایج نشان داد که انتقال ذره در اعداد رینولدز پایین جریان از تابع توزیع لوگ-نرمال و در اعداد رینولدز جریان بالا از تابع توزیع نرمال تبعیت میکند. همچنین به وسیله این مشاهدات در رابطه با عامل حرکت در شرایط مختلف رژیم انتقال رسوب بحث شد که با توجه به ویژگیهای توابع توزیع احتمالاتی بدست آمده، انتقال رسوب در شرایط آستانه با عاملیت ارتباط ذره-بستر و در شرایط تعادلی تحت نیروهای سیال انجام میشود. در انتها با توجه به تفاوت رفتار حرکت رسوب در رژیم انتقال ضعیف و تعادلی میتوان دو پارامتر آستانه معرفی کرد. با توجه به اهمیت کاربرد نتایج در مهندسی، به دلیل اینکه قالب پژوهش، قالب آماری و توصیف پدیده تصادفی بوده است میتوان با در نظر گرفتن شرایط مختلف انتقال رسوب )با نمایندگی پارامتر عدد رینولدز ذره( احتمال وقوع سرعت ذرات را با استفاده از توابع توزیع ارائه شده، تخمین زد. همچنین نتایج این پژوهش در شرایط هیدرولیکی مشابه از جمله پژوهشهای اکو-هیدرولیک و تونل باد قابل استفاده میباشد.