基于BP神经网络优化珊瑚礁地形Boussinesq模型的波浪破碎判据研究及其工程应用价值

本文创新性地将BP神经网络引入FUNWAVE-TVD模型，通过动态预测波浪破碎判据（）优化Boussinesq类模型在珊瑚礁地形中的模拟性能。研究利用五个关键水动力参数（h, H0, T, hr, ）训练神经网络，使模型拟合优度（R2）从0.63显著提升至0.87，为岛礁工程安全评估提供了突破性技术路径。

　　

Highlight

模型性能与创新

通过四种不同波浪条件和地形的物理模型实验对比分析，我们发现传统固定破碎判据（$$）不适用于珊瑚礁独特地形——特别是在前礁坡和礁坪区域，使用该固定值的模拟结果与实测数据的拟合优度显著降低。这表明差异的主要原因是模型无法准确捕捉破碎起始过程...

结论

本研究开发并验证了使用反向传播（BP）神经网络动态预测珊瑚礁上波浪破碎判据（$$）的方法，从而提高了FUNWAVE-TVD等Boussinesq型模型的精度。主要结论如下：

模型精度显著提升：通过纳入五个关键水文地貌参数作为输入，BP神经网络生成可根据当地条件动态调整的$$值。当该值被纳入FUNWAVE-TVD模型时，显著改善了波浪破碎过程的模拟，平均拟合优度（R²）从0.63提高到0.87...

结论

（注：根据要求翻译至第二个Conclusion前的内容，实际原文中第二个Conclusion应为CRediT authorship部分前的Conclusion章节）