Wave input reduction methods combining numerical modelling & machine learning for the prediction of the annual coastal bed morphological evolution

Abstract

The numerical prediction of coastal bed evolution has been at the forefront of coastal engineering research for several decades. Even though numerical models are capable of resolving in great detail the coastal processes driving the morphological bed evolution, they are associated with staggering computational burden, rendering a long-term prediction a tedious task. The burden further increases considering the vast amount of input wave characteristics that are used to force the models. To counterbalance this, various wave input reduction methods have been developed and employed in coastal engineering practice. Despite their widespread usage, a need to further accelerate the morphological simulations, while simultaneously improving the reliability of the wave input reduction methods was identified. This thesis undertakes a systematic effort to thoroughly evaluate various types of wave input reduction methods and provide practical guidelines on the optimal method selection and configuration. Two new wave binning wave input reduction methods were conceptualized and implemented in the coastal area of Rethymno, in Greece. These methods focus on thee limination of sea-states considered unable to initiate sediment motion, effectively reducing the length of the forcing timeseries. The newly developed methods produced reliable results compared to the widely used energy flux input reduction method but also achieved a significant model run time reduction of up to 62%, compared to a brute force simulation containing the full forcing timeseries. Additionally, the K-Means clustering algorithm was thoroughly evaluated as a viable alternative to the classical binning input reduction methods and several enhancements were proposed aiming to overturn the unsupervised nature of the clustering algorithm. Implementation of the configurations in the coastal area of Rethymno showcased that the default parametrization of the algorithm can produce satisfactory predictions of annual coastal bed evolution. All the proposed enhancements, exhibited a performance increase compared to the default parametrization, however they added a degree of complexity in the algorithm implementation. A systematic evaluation of the Representative Morphological Wave Height selection approaches was also carried out, with the development of three new alternative configurations. Notable was the training and validation of an Artificial Neural Network that is included in one of the methods and is tasked with the elimination of lowly energetic sea-states that have little to no effect in the morphological bed evolution. The three proposed enhancements provided a noteworthy performance increase compared to the traditional method, with the best performing one being the method incorporating the Artificial Neural Network. Last but not least, selected input reduction methods were compared with available field measurements at the coastal area of Eresos, Lesvos in Greece, in an attempt to investigate the reliability of wave input reduction methods in real-life settings. The numerical model forced with three selected input reduction methods reproduced the morphological bed evolution in a very satisfying manner, with the best performing being once again the one incorporating the Artificial Neural Network. This thesis provides a thorough evaluation of wave input reduction methods, testing several configurations and enhancements, validating their use against both benchmark numerical predictions and field measurements. The incorporation of machine learning in wave input reduction can further increase the reliability of model predictions, leading to a significant reduction of the required computational effort.

Η πρόβλεψη της εξέλιξης του παράκτιου πυθμένα μέσω μαθηματικής προσομοίωσης σε χρονικό ορίζοντα ενός έως δέκα ετών, βρίσκεται στο επίκεντρο της έρευνας της ακτομηχανικής εδώ και αρκετές δεκαετίες. Παρόλο που τα μαθηματικά μοντέλα είναι ικανά να περιγράψουν με μεγάλη λεπτομέρεια τις παράκτιες διεργασίες, εντούτοις συνδέονται με ιδιαίτερα υψηλές απαιτήσεις σε υπολογιστικό φόρτο, καθιστώντας τη μεσοπρόθεσμη πρόβλεψη την εξέλιξης του παράκτιου πυθμένα μια επίπονη διαδικασία. Ο υπολογιστικός φόρτος αυξάνεται περαιτέρω λαμβάνοντας υπόψη την πληθώρα των διαθέσιμων δεδομένων των κυματικών χαρακτηριστικών στα ανοιχτά που χρησιμοποιούνται σαν οριακές συνθήκες στις προσομοιώσεις. Για την αντιμετώπιση του προαναφερθέντος ζητήματος, διάφορες μέθοδοι σχηματοποίησης κυματικού κλίματος έχουν αναπτυχθεί και αξιοποιηθεί σε πολλές εφαρμογές της παράκτιας μηχανικής. Παρά την ευρεία εφαρμογή τους, στο πλαίσιο της παρούσας διατριβής εντοπίστηκε η ανάγκη περαιτέρω επιτάχυνσης των μορφολογικών προσομοιώσεων, επιζητώντας ταυτόχρονα την βελτίωση της αξιοπιστίας των τριών κυρίων κατηγοριών μεθόδων σχηματοποίησης κυματικού κλίματος που εντοπίζονται στη βιβλιογραφία: (α) Χωρισμός σε κλάσεις, (β) Αλγόριθμοι ομαδοποίησης, (γ) Ισοδύναμοι κυματισμοί). Επιπρόσθετα έγινε μια συστηματική αξιολόγηση διαφόρων τύπων μεθόδων σχηματοποίηση και την παροχή πρακτικών συστάσεων για την επιλογή των βέλτιστων μεθόδων σχηματοποίησης.Αρχικά, αναπτύχθηκαν δυο νέες μέθοδοι σχηματοποίησης χωρισμού σε κλάσεις και εφαρμόστηκαν στην παράκτια περιοχή του Ρεθύμνου στην Κρήτη. Οι μέθοδοι βασίζονται στην μείωση του πλήθους των δεδομένων εισόδου μιας ετήσιας χρονοσειράς ωριαίων δεδομένων κυματικών χαρακτηριστικών, με την απαλοιφή των θαλάσσιων καταστάσεων που δεν κρίνονται ικανές να πραγματοποιήσουν έναρξη κίνησης ιζήματος στα ρηχά νερά. Οι δύο νέες μέθοδοι που αναπτύχθηκαν απέδωσαν ιδιαίτερα ικανοποιητικά αποτελέσματα σε σύγκριση με την προσομοίωση αναφοράς που περιείχε την πλήρη ετήσια χρονοσειρά ενώ επετεύχθη μείωση του χρόνου προσομοίωσης της τάξης του 62 %. Στη συνέχεια, ο διαδεδομένος αλγόριθμος ομαδοποίησης K-Means αξιολογήθηκε ως μια βιώσιμη εναλλακτική λύση των κλασσικών μεθόδων σχηματοποίησης σε κλάσεις και εξετάστηκαν 5 εναλλακτικές τροποποιήσεις του αλγορίθμου με στόχο την βελτίωση της απόδοσης του μαθηματικού μοντέλου. Η εφαρμογή του αλγορίθμου στην παράκτια περιοχή του Ρεθύμνου έδειξε ότι η προεπιλεγμένη παραμετροποίηση του αλγορίθμου μπορεί να δώσει ικανοποιητική πρόβλεψη της ετήσιας εξέλιξης του παράκτιου πυθμένα. Οι προτεινόμενες βελτιώσεις παρουσίασαν αύξηση απόδοσης σε σύγκριση με την προεπιλεγμένη παραμετροποίηση, ωστόσο εισήγαγαν αυξημένο βαθμό πολυπλοκότητας στην υλοποίηση και εφαρμογή του αλγορίθμου. Πραγματοποιήθηκε επίσης αξιολόγηση και βελτίωση της μεθόδου σχηματοποίησης των ισοδύναμων κυματισμών, με την ανάπτυξη τριών νέων εναλλακτικών διαμορφώσεων και εφαρμογή στην παράκτια περιοχή του Ρεθύμνου. Αξιοσημείωτη ήταν η εκπαίδευση και η εφαρμογή ενός Τεχνητού Νευρωνικού Δικτύου, που περιλαμβάνεται στην τελευταία εναλλακτική διαμόρφωση της μεθόδου και επικεντρώνεται στην εξάλειψη θαλάσσιων καταστάσεων χαμηλού ενεργειακού περιεχομένου, που έχουν ασήμαντη επίδραση στη διαμόρφωση της μορφολογικής εξέλιξη του πυθμένα. Οι τρεις προτεινόμενες βελτιώσεις παρείχαν μια αξιοσημείωτη αύξηση της απόδοσης σε σύγκριση με την κλασσική μέθοδο, με την καλύτερη απόδοση να επιτυγχάνεται με τη μέθοδο που ενσωματώνει το Τεχνητό Νευρωνικό Δίκτυο. Τέλος, με βάση την ανάλυση που έγινε για την περιοχή του Ρεθύμνου επιλέχθηκε μια μέθοδος σχηματοποίησης από κάθε κατηγορία ως βέλτιστη, συνεκτιμώντας την ακρίβεια των αποτελεσμάτων και την ευκολία εφαρμογής της κάθε μεθόδου. Στη συνέχεια, οι τρεις βέλτιστες μέθοδοι σχηματοποίησης συγκρίθηκαν με διαθέσιμες μετρήσεις πεδίου (τοπογραφίας και βυθομετρίας) στην παράκτια περιοχή της Ερεσού, στη Λέσβο, σε μια προσπάθεια να διερευνηθεί περαιτέρω η αξιοπιστία των μεθόδων σχηματοποίησης κυματικού κλίματος. Τα αποτελέσματα των αριθμητικών προσομοιώσεων και για τις τρεις επιλεγμένες μεθόδους σχηματοποίησης αναπαρήγαγαν τη μορφολογική εξέλιξη του παράκτιου πυθμένα με πολύ ικανοποιητικό τρόπο, με την καλύτερη απόδοση να εντοπίζεται για τη μέθοδο των ισοδύναμων κυματισμών που ενσωματώνει το Τεχνητό Νευρωνικό Δίκτυο. Μέσω της ανάπτυξης νέων μεθόδων σχηματοποίησης κυματικού κλίματος και της αξιολόγησής που πραγματοποιήθηκε στο πλαίσιο της παρούσας διατριβής, επιβεβαιώθηκε η ικανότητα τους να προβλέψουν την ετήσια εξέλιξη του παράκτιου πυθμένα τόσο σε σύγκριση με αριθμητικές προσομοιώσεις αναφοράς όσο και με μετρήσεις πεδίου. Η ενσωμάτωση τεχνικών μηχανικής μάθησης στις μεθόδους σχηματοποίησης κυματικού κλίματος αυξάνει περαιτέρω την αξιοπιστία των αποτελεσμάτων των μαθηματικών μοντέλων επιτυγχάνοντας παράλληλα αξιοσημείωτη μείωση του χρόνου προσομοίωσης.