Damage level prediction of non-reshaped berm breakwater using ANN, SVM and ANFIS models

Mandal, S.; Rao, Subba; Narayana, Harish; Lokesha,

doi:10.2478/ijnaoe-2013-0082

Cited by 22 publications

(5 citation statements)

References 26 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Prinsip klasifikasi SVM adalah dengan cara mencari fungsi pemisah (hyperplane) terbaik (Mandal et al, 2012), yaitu mengambil satu fungsi yang memiliki jarak yang secara maksimal dapat memisahkan dua kelas objek (Shahua, 2008). Proses pengolahan SVM pada perangkat lunak Python 3.8.2 (Figure 4).…”

Section: Pengolahan Data Hambur Balikunclassified

Pengukuran Dan Analisis Hambur Balik Akustik Menggunakan Teknologi Multibeam Echosounderuntuk Klasifikasi Sedimen Dasar Laut Teluk Palu

Farihah

Manik

Harsono³

2020

J. Ilmu dan Teknologi Kelautan Tropis

View full text Add to dashboard Cite

Nilai Hambur balik dapat menggambarkan kondisi sedimen di dasar perairan, termasuk ukuran butir dari sedimen dasar perairan. Tujuan penelitian ini untuk mendeteksi, mengklasifikasi dan memprediksi tipe dasar perairan berdasarkan nilai hambur balik menggunakan Angular Response Analysis (ARA) dan Support Vector Machine (SVM) sehingga didapatkan peta spasial sebaran sedimen di Teluk Palu. Data batimetri dan intensitas hambur balik diambil pada 5-9 Oktober 2018 menggunakan multibeam echosounder Kongsberg EM 302 dengan frekuensi 30 kHz dan 10 sampel sedimen tahun 2012 milik PUSHIDROSAL. Hasil penelitian menunjukkan sebaran sedimen dasar Teluk Palu dengan metode ARA didominasi oleh pasir (sand) dan lanau (silt) sedangkan dengan metode SVM didominasi oleh pasir berlanau (silty sand), lanau (silt) dan pasir (sand). Hasil uji akurasi untuk metode ARA sebesar 50% sedangkan hasil uji akurasi untuk metode SVM menghasilkan overall accuracy dengan nilai 60%. Prediksi tipe dasar perairan di Teluk Palu yang paling mendekati keadaan sebenarnya adalah hasil prediksi dengan metode SVM yaitu pasir berlanau, lanau dan pasir.

show abstract

Section: Pengolahan Data Hambur Balikunclassified

Pengukuran Dan Analisis Hambur Balik Akustik Menggunakan Teknologi Multibeam Echosounderuntuk Klasifikasi Sedimen Dasar Laut Teluk Palu

Farihah

Manik

Harsono³

2020

J. Ilmu dan Teknologi Kelautan Tropis

View full text Add to dashboard Cite

show abstract

“…Kemiringan di depan pemecah gelombang divariasikan menjadi 1:2 dan 1:1,5 kemudian dianalisis kemiringan lerengnya. Mandal et al (2012), menggunakan metode proyeksi dengan berbasis Artificial Neural Network (ANN), Support Vector Machine (SVM) dan Adaptive Neuro Fuzzi Inference System (ANFIS) untuk memperkirakan profil lereng hasil pemecah gelombang tipe berm yang diuji dengan dengan model pada flum dengan variasi tinggi gelombang, periode dan berat batuan. Upaya mereduksi ukuran batu dan merekonstruksi geometri struktur pemecah gelombang untuk mendapatkan keseimbangan profil stabil dinamis merupakan tantangan bagi peneliti/perencana mengingat belum adanya panduan baku mengenai perencanaan struktur dengan stabilitas dinamis, terlebih acuan desain yang ada sebagian besar membahas mengenai berm breakwater.…”

Section: Pendahuluanunclassified

Uji Model Pemecah Gelombang Rubble Mound Berbasis Rekayasa Profil Lereng

Fadly,

Arsyad Thaha,

Maricar

2018

SENSISTEK

View full text Add to dashboard Cite

Batuan pelindung pemecah gelombang rubble mound umumnya direncanakan dengan menggunakan konsep stabilstatis melalui persamaan Hudson, akan tetapi ukuran batuan yang diperoleh sangat besar dan sulit diperolehdilapangan. Penelitian ini bertujuan untuk mengetahui pengaruh kemiringan struktur (), tinggi gelombang (H),periode gelombang (T), dan kedalaman (d) terhadap pembentukan profil lereng yang stabil pada pemecah gelombangrubble mound yang menggunakan batu pecah berukuran kecil. Penelitian model fisik dengan skala 1:20 dilakukan diLaboratorium Hidrolika dan Teknik Pantai, Jurusan Sipil, Unhas. Model pemecah gelombang sisi miring dengankemiringan 1:1 dan 1:2 dibuat dari batu pecah dengan ukuran batu D50 = 0,33 cm dan D50 = 0,725 cm. Ukuran tersebutdiperkecil rata-rata 5,7 kali dan 3,2 kali dari perhitungan berdasarkan metode Hudson, disimulasikan dalam 2 macamkedalaman (d), dengan 24 macam tinggi dan periode gelombang (Hi & T) dengan jumlah gelombang 2000-4000. Hasilpenelitian menunjukkan lereng pemecah gelombang yang diuji mencapai kondisi stabil dengan profil persamaan y=-y1x³-y2x²+y3x+y4 dan faktor y1, y2, y3 dan y4 memiliki korelasi cukup, kuat dan sangat kuat terhadap bilangan takberdimensi H3 [dDgT2]-1[cot ]-1. Persamaan yang diperoleh dapat digunakan untuk memperkirakan profil lerengpemecah gelombang rubble mound dengan ukuran batuan yang telah diperkecil dalam rentang diameter tertentu.

show abstract

“…As result of comparisons that has been conducted in their study, the superiority of SVM has been emphasized. In the literature, this method is also applied to the areas of coastal engineering, such as prediction of wave transmission over a submerged reef [18], damage level prediction of non-reshaped berm breakwater [19][20][21], and wave transmission of floating pipe breakwater [22].…”

Section: Introductionmentioning

confidence: 99%

Least Squares Support Vector Mechanics to Predict the Stability Number of Rubble-Mound Breakwaters

Gedik

2018

Water

View full text Add to dashboard Cite

In coastal engineering, empirical formulas grounded on experimental works regarding the stability of breakwaters have been developed. In recent years, soft computing tools such as artificial neural networks and fuzzy models have started to be employed to diminish the time and cost spent in these mentioned experimental works. To predict the stability number of rubble-mound breakwaters, the least squares version of support vector machines (LSSVM) method is used because it can be assessed as an alternative one to diverse soft computing techniques. The LSSVM models have been operated through the selected seven parameters, which are determined by Mallows’ Cp approach, that are, namely, breakwater permeability, damage level, wave number, slope angle, water depth, significant wave heights in front of the structure, and peak wave period. The performances of the LSSVM models have shown superior accuracy (correlation coefficients (CC) of 0.997) than that of artificial neural networks (ANN), fuzzy logic (FL), and genetic programming (GP), that are all implemented in the related literature. As a result, it is thought that this study will provide a practical way for readers to estimate the stability number of rubble-mound breakwaters with more accuracy.

show abstract

Damage level prediction of non-reshaped berm breakwater using ANN, SVM and ANFIS models

Cited by 22 publications

References 26 publications

Pengukuran Dan Analisis Hambur Balik Akustik Menggunakan Teknologi Multibeam Echosounderuntuk Klasifikasi Sedimen Dasar Laut Teluk Palu

Pengukuran Dan Analisis Hambur Balik Akustik Menggunakan Teknologi Multibeam Echosounderuntuk Klasifikasi Sedimen Dasar Laut Teluk Palu

Uji Model Pemecah Gelombang Rubble Mound Berbasis Rekayasa Profil Lereng

Least Squares Support Vector Mechanics to Predict the Stability Number of Rubble-Mound Breakwaters

Contact Info

Product

Resources

About