一种融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法专利检索-人工神经网络人工智能专利检索查询-专利查询网

一种融合 人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法

阅读：555发布：2020-05-14

专利汇可以提供一种融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法专利检索，专利查询，专利分析的服务。并且本发明公开一种融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法,是以河段蓄水量、冲淤量、上边界含沙量和上边界流量作为输入因子，以河段下边界流量、下边界含沙量作为输出因子，对M个河段构建M个神经网络模型；对M个河段神经网络模型训练；用训练好河段神经网络模型计算河段下边界流量和含沙量：基于水流连续方程和泥沙连续方程，利用各个河段上边界流量和含沙量及下边界流量和含沙量，在ΔT时间范围内计算各个河段的蓄水变化量和冲淤变化量，并计算ΔT时间后各个河段蓄水量和冲淤量。本发明采用人工神经网络技术，融合河道水沙传输机制，对神经网络模型赋予实际物理意义，实现河道冲淤演变快速智能模拟。，下面是一种融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法专利的具体信息内容。

权利要求

1.一种融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法，其特征在于，包括：
S1，基于人工神经网络技术，以河段蓄水量、冲淤量、上边界含沙量和上边界流量作为输入因子，以河段下边界流量、下边界含沙量作为输出因子，对M个河段分别构建M个神经网络模型；
S2，利用河道实测水沙数据或河道水沙数值模型模拟数据，对已构建M个河段神经网络模型进行训练；
S3，利用训练好河段神经网络模型计算河段下边界流量和含沙量：
S4，基于水流连续方程和泥沙连续方程，利用各个河段上边界流量和含沙量以及下边界流量和含沙量，在ΔT时间范围内计算各个河段的蓄水变化量和冲淤变化量，并计算ΔT时间后各个河段蓄水量和冲淤量；
重复S3-S4，计算下一时刻河段下边界流量、含沙量以及河段蓄水量、冲淤量,直到模拟结束。
2.根据权利要求1所述融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法，其特征在于，河段下边界流量表示为：
式中，Qi|T为第T时刻第i个河段的下边界流量；Si|T为第T时刻第i个河段的下边界含沙量；为第T时刻第i+1个河段的蓄水量；为第T时刻第i+1个河段的泥沙冲淤量；
河段下边界含沙量表示为：
式中，gi()表示第i个河段的下边界含沙量函数关系式。
3.根据权利要求1所述融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法，其特征在于，其中，在ΔT时间范围内对于各个河段，流量流入量与流量流出量之差等于蓄水量变化量；水流连续方程如下所示：
式中，为第i+1个河段的蓄水量，Qi为第i个河段的流出量，T为时间；
在ΔT时间范围内对于各个河段，泥沙流入量与泥沙流出量之差等于冲淤变化量，泥沙连续方程如下所示：
式中，为第i+1个河段的泥沙冲淤量，Si为第i个河段的含沙量；
其中，对于某一确定河段，假定河段上边界流量、下边界流量在ΔT时间范围内保持不变，第T+ΔT时刻河段蓄水量表示为：
对于某一确定河段，假定河段上边界含沙量、下边界含沙量在ΔT时间范围内保持不变，第T+ΔT时刻河段泥沙冲淤量表示为：
4.根据权利要求1所述融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法，其特征在于，其中，利用训练好河段神经网络模型计算河段下边界流量和含沙量的步骤如下：
在ΔT时间范围内对于第1个河段，将整个河道上边界流量、含沙量以及河段冲淤量、蓄水量作为模型的输入因子，通过河段神经网络模型计算河段下边界流量和含沙量；
在ΔT时间范围内对于第i个河段，1＜i≤M，第i-1个河段的下边界流量、含沙量等于第i个河段的上边界流量、含沙量，将第i个河段蓄水量、冲淤量、上边界流量、上边界含沙量作为输入因子，通过河段神经网络模型计算河段下边界流量和含沙量。

说明书全文

一种融合 人工神经网络与水沙传输机制的河道水沙冲淤演变

模拟方法

技术领域

[0001] 本发明涉及河道水沙冲淤演变模拟方法，特别是涉及一种融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法。

背景技术

[0002] 河道冲淤演变模拟是分析河道泥沙冲淤情况、研究河床演变规律的基础技术手段，也是降低水沙灾害损失的重要非工程措施之一。河道冲淤演变模拟在防汛减灾、河道整治工程建设等领域都有广泛的应用，为江河泥沙治理提供了一定科学技术支持。

[0003] 目前，针对泥沙复杂运动规律的研究仍有不足之处，当前河道冲淤演变模拟不能严格反映河道水沙传输规律，模拟计算需要多种实际水沙资料支撑，运算步骤繁琐复杂，并且模拟计算误差难以进一步缩小，因此其在实际应用过程中存在一定问题。

[0004] 近年来，人工神经网络技术突破了以往传统数值模型的思维与处理方法，为河道冲淤演变模拟提供了一种新思路。然而神经网络模型内部参数缺少明确物理意义，有必要开发具有实际物理机制的神经网络模型。本文融合人工神经网络与水沙传输机制，提出了一种新型河道水沙冲淤演变模拟方法。

发明内容

[0005] 本发明的目的是针对现有技术中存在的技术缺陷，而提供一种融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法,解决现有河道冲淤演变模拟方法存在的运算过程复杂、模拟精度偏低的问题。

[0006] 为实现本发明的目的所采用的技术方案是：

[0007] 一种融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法，包括：

[0008] S1，基于人工神经网络技术，以河段蓄水量、冲淤量、上边界含沙量和上边界流量作为输入因子，以河段下边界流量、下边界含沙量作为输出因子，对M个河段分别构建M个神经网络模型；

[0009] S2，利用河道实测水沙数据或河道水沙数值模型模拟数据，对已构建M个河段神经网络模型进行训练；

[0010] S3，利用训练好河段神经网络模型计算河段下边界流量和含沙量：

[0011] S4，基于水流连续方程和泥沙连续方程，利用各个河段上边界流量和含沙量以及下边界流量和含沙量，在ΔT时间范围内计算各个河段的蓄水变化量和冲淤变化量，并计算ΔT时间后各个河段蓄水量和冲淤量；

[0012] 重复S3-S4，计算下一时刻河段下边界流量、含沙量以及河段蓄水量、冲淤量,直到模拟结束。

[0013] 本发明采用人工神经网络技术，融合河道水沙传输机制，对神经网络模型赋予实际物理意义，实现河道冲淤演变快速智能模拟，提高河道冲淤演变模拟精度，可为流域应急防汛减灾、河道防护工程建设等提供技术支持。附图说明

[0014] 图1为融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法流程示意图。

具体实施方式

[0015] 以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0016] 如图1所示，本发明融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法，其步骤如下：

[0017] 步骤一，将河道概化为若干河段：

[0018] 将河道概化为M个相互连接的河段，第i个河段的流量流出量等于第i+1个河段的流量流入量，第i个河段的泥沙输出量等于第i+1个河段的泥沙输入量，假定各个河段及整个河道的总水量和总沙量保持守恒。

[0019] 步骤二，构建河段神经网络模型：

[0020] 基于人工神经网络技术，以河段蓄水量、冲淤量、上边界含沙量和上边界流量作为输入因子，以河段下边界流量、下边界含沙量作为输出因子，对M个河段分别构建M个神经网络模型。

[0021] 其中，以河段蓄水量、冲淤量、上边界含沙量和上边界流量作为模型输入因子，以河段下边界流量作为模型输出因子，针对各个河段建立“河段-产流”非线性映射关系，河段下边界流量表示为：

[0022]

[0023] 式中：Qi|T为第T时刻第i个河段的下边界流量；Si|T为第T时刻第i个河段的下边界含沙量；为第T时刻第i+1个河段的蓄水量；为第T时刻第i+1个河段的泥沙冲淤量。

[0024] 以河段蓄水量、冲淤量、上边界含沙量和上边界流量作为模型输入因子，以河段下边界含沙量作为模型输出因子，针对各个河段建立“河段-产沙”非线性映射关系，河段下边界含沙量表示为：

[0025]

[0026] 式中，gi()表示第i个河段的下边界含沙量函数关系式，

[0027] 步骤三，训练河段神经网络模型：

[0028] 利用河道实测水沙数据或河道水沙数值模型模拟数据，对已构建M个河段神经网络模型进行训练，并通过测试集进行模拟精度测试。

[0029] 步骤四，计算河段下边界流量和含沙量：

[0030] 在ΔT时间范围内对于第1个河段，将整个河道上边界流量、含沙量以及河段冲淤量、蓄水量作为模型的输入因子，通过河段神经网络模型计算河段下边界流量和含沙量。

[0031] 在ΔT时间范围内对于第i个河段(1＜i≤M)，第i-1个河段的下边界流量、含沙量等于第i个河段的上边界流量、含沙量，将第i个河段蓄水量、冲淤量、上边界流量、上边界含沙量作为输入因子，通过河段神经网络模型计算河段下边界流量和含沙量。

[0032] 步骤五：计算河段蓄水量和冲淤量：

[0033] 基于水流的连续方程和泥沙连续方程，利用各个河段上边界流量和含沙量以及下边界流量和含沙量，在ΔT时间范围内计算各个河段的蓄水变化量和冲淤变化量，并计算ΔT时间后各个河段蓄水量和冲淤量。

[0034] 其中，在ΔT时间范围内对于各个河段，流量流入量与流量流出量之差等于蓄水量变化量；

[0035] 水流连续方程如所示：

[0036]

[0037] 式中：为第i+1个河段的蓄水量；Qi为第i个河段的流出量；T为时间。

[0038] 在ΔT时间范围内对于各个河段，泥沙流入量与泥沙流出量之差等于冲淤变化量。

[0039] 泥沙连续方程如所示：

[0040]

[0041] 式中：为第i+1个河段的泥沙冲淤量；Si为第i个河段的含沙量。

[0042] 其中，对于某一确定河段，假定河段上边界流量、下边界流量在ΔT时间范围内保持不变，将水流连续方程式(3)转为差分格式，第T+ΔT时刻河段蓄水量可以表示为：

[0043]

[0044] 对于某一确定河段，假定河段上边界含沙量、下边界含沙量在ΔT时间范围内保持不变，将泥沙连续方程式(4)转为差分格式，第T+ΔT时刻河段泥沙冲淤量可以表示为：

[0045]

[0046] 步骤六：迭代运算：

[0047] 利用步骤四和步骤五，计算下一时刻河段下边界流量、含沙量以及河段蓄水量、冲淤量，重复上述过程直到模拟结束。

[0048] 传统神经网络模型是一种“黑箱”模型，内部参数没有明确物理意义，也很难表示内部参数与模型输出因子之间的物理关系。而本发明基于神经网络技术，融合水流运动的连续方程和泥沙连续方程，建立了能反映水沙基本规律的河道神经网络模型，对神经网络模型赋予实际物理意义，实现河道冲淤演变快速智能模拟，提高河道冲淤演变模拟精度，可为流域应急防汛减灾、河道防护工程建设等提供技术支持。

[0049] 以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

标题	发布/更新时间	阅读量
用于矫正诊断的牙科影像分析方法及利用其的装置	2020-05-08	732
一种传感元件与忆阻器结合的多模态智能传感器	2020-05-11	508
一种智慧园区多能协同供电方法及其系统、终端设备	2020-05-14	469
基于人工神经网络的电力工程造价预测模型	2020-05-14	704
用于求取车辆的车灯的状态的方法和设备	2020-05-08	170
片上网络处理系统和片上网络数据处理方法	2020-05-11	897
一种基于神经网络的往复式压缩机故障诊断方法	2020-05-12	551
一种复合材料异形壳的纤维路径与几何形状一体化设计方法	2020-05-12	399
数据流重构方法及可重构数据流处理器	2020-05-08	793
用于人工智能的并行神经处理器	2020-05-11	249

一种融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法

一种融合人工神经网络与水沙传输机制的河道水沙冲淤演变

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：