CN102662039A - 一种基于bp神经网络的水体溶解氧饱和度预测方法 - Google Patents
一种基于bp神经网络的水体溶解氧饱和度预测方法 Download PDFInfo
- Publication number
- CN102662039A CN102662039A CN2012101139559A CN201210113955A CN102662039A CN 102662039 A CN102662039 A CN 102662039A CN 2012101139559 A CN2012101139559 A CN 2012101139559A CN 201210113955 A CN201210113955 A CN 201210113955A CN 102662039 A CN102662039 A CN 102662039A
- Authority
- CN
- China
- Prior art keywords
- dissolved oxygen
- downstream
- neural network
- dam
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Barrages (AREA)
Abstract
本发明涉及高坝下游水体溶解氧饱和度预测方法，是一种基于BP神经网络的水体溶解氧饱和度预测方法，建立三层BP神经网络模型对高坝下游定点区域溶解氧饱和度进行预测，主要步骤：㈠确定高坝下游溶解氧饱和度主要影响因素，以此为BP模型输入变量；㈡样本数据采集：利用高坝下游定点区域监测数据作为学习样本；㈢BP网络训练：将步骤㈡中的样本数据输入三层BP网络进行训练，并将网络输出值与实际监测值比较，直到网络训练的均方差达到要求，确定网络的权值和阈值；㈣利用通过测试的BP神经网络进行下游定点区域溶解氧饱和度预测。本发明将神经网络技术应用于高坝下游定点区域水体溶解氧饱和度预测中，解决了高坝下游定点区域溶解氧快速预测的问题。
Description
技术领域
本发明涉及高坝下游水体溶解氧饱和度预测方法，具体的说是一种基于BP神经网络模型的高坝泄流下游近坝区定点区域水体溶解氧饱和度预测方法。
背景技术
当水库上游来流溶解气体浓度接近饱和时，水库通过闸坝泄水，巨大的洪水卷吸空气中的大量气体直泻到下游河床，造成下游河道特别是近坝区域溶解气体浓度超饱和，直接导致鱼类等水生动物因患气泡病而死亡，如美国哥伦比亚河上的梯级电站开闸泄流、浙江省新安江水库开闸泄流以及加拿大大马克塔夸克水电站下游河段等都有不同程度的幼鱼出现气泡病而死亡的现象。为了有效地保护水生环境并制定相应的保护措施，必须对不同水力条件下高坝泄洪时下游水体溶解气体饱和度进行准确而快速地计算或预测。
目前国内外对于高坝泄流下游区域溶解氧饱和度计算和预测方法主要是采用经验公式、机理模型和基于动力学模型的数值模拟计算。经验公式主要由美国陆军工程兵团水道实验站（Waterways Experiment Station, WES）基于一些大坝泄流的观测数据提出，这类公式没有确定的理论基础，但是可以对气体饱和度与泄流量的关系进行较好的描述，其中经验系数需要根据不同的大坝重新率定。大坝泄流气体过饱和的机理模型主要通过与更多的坝上坝下指标(包括1个大气压下溶解气体饱和度、坝前总溶解气体饱和度、泄流量、消力池长度以及消力池平均静水压力等)建立关系来完成对大坝泄水气体过饱和的模拟，对于大坝泄流掺气的物理过程并没有准确描述。这种模型目前主要应用在美国哥伦比亚河的鱼道模拟软件CRiSP中，其适用性有限。大坝泄流气体过饱和的动力学模型是从大坝泄流的动力过程考虑，一般采用气液两相流的方式进行模拟。其模型是基于流体Navier-Stokes方程及气液两相的传质过程得到的，通过运用有限体积计算方法模拟各种工况大坝泄流时坝下水气混掺过程。但由于对气泡动力学认识不够，气泡数量、气泡尺寸、含气率和气泡速度的求解上仍存在诸多假设和尚需实验验证的系数，因此动力学模型仍需要根据具体工程的实测参数进行模型参数的率定，计算程序复杂、计算时间长、计算效率低。
发明内容
本发明所要解决的技术问题是，避免经验公式、机理模型和动力学模型预测高坝泄流坝下河道溶解氧饱和度的缺陷和不足，提供一种基于BP神经网络的水体溶解氧饱和度预测方法，能快速和准确的预测高坝泄流下游近坝区定点区域水体溶解氧饱和度。
本发明解决以上技术问题的技术方案是：
一种基于BP神经网络的水体溶解氧饱和度预测方法，选用三层BP神经网络模型为原型，建立一个三层BP神经网络模型对高坝下游定点区域溶解氧饱和度进行预测，主要步骤为：
㈠确定高坝下游定点区域溶解氧饱和度的主要影响因素：通过资料收集及调查研究得出高坝下游近坝区定点区域溶解氧饱和度的影响因子主要为：坝前水体溶解氧饱和度、单宽流量、大坝泄流方式、水垫塘下游尾水渠水深、水电站泄水量、坝下游水体的紊动强度、大气压和水温，将以上影响因子作为BP神经网络模型的输入变量；
㈡样本数据采集：根据步骤㈠得出的高坝下游溶解氧饱和度主要影响因素，针对特定大坝工程进行相关影响因素实测资料的收集，以此作为BP神经网络模型的学习样本；
㈢BP网络训练：将步骤㈡中的样本数据输入三层BP 网络进行训练，并将网络输出的溶解氧饱和度与对应区域的实际监测值进行比较，直到网络训练的均方差达到要求，确定BP网络的权值和阈值；
㈣向通过测试的BP神经网络输入不同高坝泄流工况下的各影响因子相关参数，预测对应工况下下游近坝区定点区域溶解氧饱和度。
本发明进一步限定的技术方案是：
前述的基于BP神经网络的水体溶解氧饱和度预测方法，由于影响因子之间量纲不同，为避免造成过大误差，学习样本输入BP模型之前需进行归一化处理，采用线性函数转换方法对学习样本数据进行归一化处理，具体处理方法为：
首先给定每个影响因子的理论最大值和最小值，根据以下线性函数进行数据归一化处理：
其中，为样本数据值，
为样本数据理论最大值，
为样本数据理论最小值，
为归一化样本数据值；
其次，将通过BP神经网络训练后得到输出值，进行反归一化处理得到训练值：
前述的基于BP神经网络的水体溶解氧饱和度预测方法， BP神经网络结构包含一个输入层、一个隐含层和一个输出层，输入层神经元个数根据影响因子量化的输入变量确定，隐含层神经元个数以样本训练误差为控制条件进行试算确定，输出层神经元个数根据需预测溶解氧区域个数确定；输入层到隐含层以及隐含层到输出层的传递函数均采用logsig函数。
本发明的有益效果是：人工神经网络与以上方法相比，具有较大的优越性。它可以逼近任意非线性函数，当常规方法无法解决或效果不佳时，尤其是当对问题的机理等规律不甚了解，或不能用数学模型表示的系统，神经网络往往是最有力的工具。另一方面，神经网络对处理大量原始数据而不能用规则或公式描述的问题，表现出极大的灵活性和自适应性。基于BP神经网络的高坝泄流下游定点区域溶解氧饱和度预测方法仅需对有限的样本数据训练后，就能准确、快速地对高坝泄流工况下的下游定点区域溶解氧饱和度进行预测，计算程序简单、计算时间短、效率高。
本发明为一种基于BP神经网络的溶解氧饱和度预测方法，解决了在给定大坝泄流工况相关参数下准确、快速预测大坝下游近坝区定点区域溶解氧饱和度的问题。利用本发明，只需要进行有限次学习训练，就可以建立下游定点区域溶解氧饱和度预测模型，在不同大坝泄流工况下进行下游定点区域溶解氧饱和度预测。
附图说明
图1是本发明实施例1的BP神经网络结构图。
图2是本发明实施例1的流程图。
图3 BP定点区域溶解氧饱和度网络训练值与实测值比较的相对误差图。
具体实施方式
实施例1
采用三峡大坝泄流下游黄陵庙江段、庙咀江段及葛洲坝坝前水域溶解氧饱和度预测作为本发明的实施例，结合实施例对一种基于BP神经网络的溶解氧饱和度预测方法进行详细说明。
本实施例为一种基于BP神经网络的溶解氧饱和度预测方法，BP神经网络结构如图1所示，流程如图2所示，包括以下步骤：
（1）确定高坝下游定点区域溶解氧饱和度的主要影响因素。
本实施例中确定的高坝泄流下游河道溶解氧饱和度影响因子经过量化后为x1三峡坝上溶解氧饱和度、x2三峡上游来流量、x3三峡底孔泄洪流量，x4三峡中孔泄洪流量，x5三峡表孔泄洪流量，x6三峡泄洪孔总泄流量，x7三峡水电站泄流量，x8葛洲坝二江泄水闸泄洪量，x9葛洲坝大江泄水闸泄洪量，x10葛洲坝泄水闸总泄水量，x11葛洲坝水电站泄流量，x12三峡上游水位，x13三峡下游水位，x14葛洲坝下游水位。x1反映坝前水体溶解氧饱和度影响因子；x3～ x5、x8～x9反映泄洪方式影响因子；x6、x10反映泄洪建筑物总泄水量影响因子。x7、x11反映水电站运行对坝下溶解氧饱和度影响；x13～x14反映下游水垫塘水深对溶解氧饱和度影响。
（2）样本数据采集：根据所述步骤（1）所述的影响因子，收集22种不同大坝泄流工况下各影响因子相关参数以及黄陵庙江段、庙咀江段、葛洲坝坝前水域实测溶解氧饱和度，作为BP神经网络模型的学习样本。利用线性函数转换方法对采集到的样本数据进行归一化处理，使样本数据取值范围为-1～+1。
（3）BP网络训练：将步骤（2）中的样本数据输入三层BP 网络进行训练，并将网络输出的溶解氧饱和度与对应区域的实际监测值进行比较，直到网络训练的均方差达到要求，确定BP网络的权值和阈值。在本发明实施例中输入层有14个神经元，分别对应x1三峡坝上溶解氧饱和度、x2三峡上游来流量、x3三峡底孔泄洪流量，x4三峡中孔泄洪流量，x5三峡表孔泄洪流量，x6三峡泄洪孔总泄流量，x7三峡水电站泄流量，x8葛洲坝二江泄水闸泄洪量，x9葛洲坝大江泄水闸泄洪量，x10葛洲坝泄水闸总泄水量，x11葛洲坝水电站泄流量，x12三峡上游水位，x13三峡下游水位，x14葛洲坝下游水位。隐含层神经元数目比较难确定，但对模型的精确度和准确度的影响却很大，通过设置一个较小的初始值，并反复试算，然后通过比较不同隐含层节点数下的网络的输出结果，最终确定隐含层神经元数为19；网络输出层为3个神经元，分别为三峡下游黄陵庙、葛洲坝坝下庙咀、葛洲坝坝前的溶解氧饱和度。隐含层神经元和输出层神经元的传递函数都采用logsig函数。
logsig函数表达式：
本实施例将样本数据分成两部分，前1～14个工况作为训练样本数据，后15～22个工况作为测试样本数据。样本训练时，当BP网络输出值与实测值误差小于0.001时，停止训练，得到网络参数：权值和阈值。
（4）向通过测试的BP神经网络输入不同高坝泄流工况下的各影响因子相关参数，预测对应工况下下游近坝区定点区域溶解氧饱和度。
如图3所示，本实施例利用工况15～22大坝泄流相关参数进行BP网络测试，将工况15～22归一化后的影响因子变量参数输入训练好的BP网络模型，得出相应工况下三峡下游黄陵庙江段、葛洲坝下游庙咀江段、葛洲坝坝前水域溶解氧饱和度预测值，将BP网络预测值与实测值对比，得出测试样本的最大相对误差为13%，低于规定误差水平，建立的BP网络可用下游定点区域溶解氧饱和度预测。
本实施例表明，本发明能够准确、快速地预测高坝泄流下游定点区域溶解氧饱和度，为评估大坝运行对下游河道水生生物的影响做出参考，具有广阔的应用前景。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。
Claims (3)
1.一种基于BP神经网络的水体溶解氧饱和度预测方法，其特征在于：选用三层BP神经网络模型为原型，建立一个三层BP神经网络模型对高坝下游定点区域溶解氧饱和度进行预测，主要步骤为：
㈠确定高坝下游定点区域溶解氧饱和度的主要影响因素：通过资料收集及调查研究得出高坝下游近坝区定点区域溶解氧饱和度的影响因子主要为：坝前水体溶解氧饱和度、单宽流量、大坝泄流方式、水垫塘下游尾水渠水深、水电站泄水量、坝下游水体的紊动强度、大气压和水温，将以上影响因子作为BP神经网络模型的输入变量；
㈡样本数据采集：根据步骤㈠得出的高坝下游溶解氧饱和度主要影响因素，针对特定大坝工程进行相关影响因素实测资料的收集，以此作为BP神经网络模型的学习样本；
㈢BP网络训练：将步骤㈡中的样本数据输入三层BP 网络进行训练，并将网络输出的溶解氧饱和度与对应区域的实际监测值进行比较，直到网络训练的均方差达到要求，确定BP网络的权值和阈值；
㈣向通过测试的BP神经网络输入不同高坝泄流工况下的各影响因子相关参数，预测对应工况下下游近坝区定点区域溶解氧饱和度。
2.如权利要求1所述的基于BP神经网络的水体溶解氧饱和度预测方法，其特征在于：所述学习样本输入BP模型之前需进行归一化处理，采用线性函数转换方法对学习样本数据进行归一化处理，具体处理方法为：
首先给定每个影响因子的理论最大值和最小值，根据以下线性函数进行数据归一化处理：
其中，
为样本数据值，
为样本数据理论最大值，
为样本数据理论最小值，
为归一化样本数据值；
其次，将通过BP神经网络训练后得到输出值，进行反归一化处理得到训练值：
3.如权利要求1所述的基于BP神经网络的水体溶解氧饱和度预测方法，其特征在于：所述BP神经网络结构包含一个输入层、一个隐含层和一个输出层，输入层神经元个数根据影响因子量化的输入变量确定，隐含层神经元个数以样本训练误差为控制条件进行试算确定，输出层神经元个数根据需预测溶解氧区域个数确定；输入层到隐含层以及隐含层到输出层的传递函数均采用logsig函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012101139559A CN102662039A (zh) | 2012-04-17 | 2012-04-17 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012101139559A CN102662039A (zh) | 2012-04-17 | 2012-04-17 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102662039A true CN102662039A (zh) | 2012-09-12 |
Family
ID=46771570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2012101139559A Pending CN102662039A (zh) | 2012-04-17 | 2012-04-17 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102662039A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103064290A (zh) * | 2013-01-01 | 2013-04-24 | 北京工业大学 | 基于自组织径向基神经网络的溶解氧模型预测控制方法 |
| CN103197544A (zh) * | 2013-02-25 | 2013-07-10 | 北京工业大学 | 基于非线性模型预测的污水处理过程多目标控制方法 |
| CN104089979A (zh) * | 2014-07-17 | 2014-10-08 | 温州大学 | 一种海涂围堤堤身内部缺陷程度识别方法 |
| CN104268625A (zh) * | 2014-10-09 | 2015-01-07 | 哈尔滨工程大学 | 一种基于海洋环境信息的自主式水下潜器航迹预测方法 |
| CN105531724A (zh) * | 2013-08-13 | 2016-04-27 | 高通股份有限公司 | 用于调制神经设备的训练的方法和装置 |
| CN105547927A (zh) * | 2015-12-09 | 2016-05-04 | 辽宁工程技术大学 | 一种基于bp人工神经网络的煤尘润湿接触角估算方法 |
| CN105956702A (zh) * | 2016-04-29 | 2016-09-21 | 中国农业大学 | 一种基于数据融合的水产养殖水质溶解氧预测方法 |
| CN105989407A (zh) * | 2015-02-12 | 2016-10-05 | 中国人民解放军信息工程大学 | 一种基于神经网络的短波中值场强预测系统、方法及装置 |
| CN106198909A (zh) * | 2016-06-30 | 2016-12-07 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
| CN107300855A (zh) * | 2017-06-27 | 2017-10-27 | 重庆科技学院 | 一种共享直饮水机水质保障管理控制方法及系统 |
| CN109738604A (zh) * | 2019-01-14 | 2019-05-10 | 北京工商大学 | 一种基于空间权重矩阵的水域特征模型建立方法 |
| CN110632067A (zh) * | 2019-10-29 | 2019-12-31 | 饶宾期 | 基于机器视觉的水体溶解氧检测方法 |
| CN110751261A (zh) * | 2018-07-23 | 2020-02-04 | 第四范式（北京）技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
| CN111882119A (zh) * | 2020-07-10 | 2020-11-03 | 南通大学 | 基于sa-bp神经网络的电池soh预测优化方法 |
| CN113065687A (zh) * | 2021-03-16 | 2021-07-02 | 西南民族大学 | 基于溶解氧预测的水产养殖方法及系统 |
| CN117152633A (zh) * | 2023-09-06 | 2023-12-01 | 广东海洋大学 | 一种基于Argo浮标和遥感数据反演低氧区氧跃层的方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030234218A1 (en) * | 2002-06-21 | 2003-12-25 | H2L Co., Ltd. | System and method for AI controlling waste-water treatment by neural network and back-propagation algorithm |
| CN1963824A (zh) * | 2006-11-17 | 2007-05-16 | 东华大学 | 基于神经网络的聚合物挤出法非织造布纤维直径预测方法 |
| CN101158674A (zh) * | 2007-11-15 | 2008-04-09 | 天津市市政工程设计研究院 | 基于BP神经网络的水体中叶绿素a浓度预测方法 |
| CN101504443A (zh) * | 2008-02-05 | 2009-08-12 | 比亚迪股份有限公司 | 一种锂离子电池放电容量的预测方法 |
| CN101566612A (zh) * | 2009-05-27 | 2009-10-28 | 复旦大学 | 一种污水化学需氧量软测量方法 |
| CN101775434A (zh) * | 2010-04-02 | 2010-07-14 | 天津大学 | 基于bp神经网络的饮用水管网细菌总数快速预测方法 |
| CN101796928A (zh) * | 2009-07-14 | 2010-08-11 | 大连水产学院 | 养殖水体水质参数对养殖生物生长状态影响的预测方法 |
| CN101819407A (zh) * | 2010-04-02 | 2010-09-01 | 杭州电子科技大学 | 基于神经网络的污水泵站水位预测方法 |
| CN102279976A (zh) * | 2011-09-22 | 2011-12-14 | 河南工业大学 | 不同糙米籽粒识别的bp神经网络构建及识别方法 |
| CN102393884A (zh) * | 2011-10-12 | 2012-03-28 | 杭州电子科技大学 | 基于bp神经网络的热连轧电磁感应加热温度预测方法 |
-
2012
- 2012-04-17 CN CN2012101139559A patent/CN102662039A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030234218A1 (en) * | 2002-06-21 | 2003-12-25 | H2L Co., Ltd. | System and method for AI controlling waste-water treatment by neural network and back-propagation algorithm |
| CN1963824A (zh) * | 2006-11-17 | 2007-05-16 | 东华大学 | 基于神经网络的聚合物挤出法非织造布纤维直径预测方法 |
| CN101158674A (zh) * | 2007-11-15 | 2008-04-09 | 天津市市政工程设计研究院 | 基于BP神经网络的水体中叶绿素a浓度预测方法 |
| CN101504443A (zh) * | 2008-02-05 | 2009-08-12 | 比亚迪股份有限公司 | 一种锂离子电池放电容量的预测方法 |
| CN101566612A (zh) * | 2009-05-27 | 2009-10-28 | 复旦大学 | 一种污水化学需氧量软测量方法 |
| CN101796928A (zh) * | 2009-07-14 | 2010-08-11 | 大连水产学院 | 养殖水体水质参数对养殖生物生长状态影响的预测方法 |
| CN101775434A (zh) * | 2010-04-02 | 2010-07-14 | 天津大学 | 基于bp神经网络的饮用水管网细菌总数快速预测方法 |
| CN101819407A (zh) * | 2010-04-02 | 2010-09-01 | 杭州电子科技大学 | 基于神经网络的污水泵站水位预测方法 |
| CN102279976A (zh) * | 2011-09-22 | 2011-12-14 | 河南工业大学 | 不同糙米籽粒识别的bp神经网络构建及识别方法 |
| CN102393884A (zh) * | 2011-10-12 | 2012-03-28 | 杭州电子科技大学 | 基于bp神经网络的热连轧电磁感应加热温度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 戴会超等: "基于误差修正的BP神经网络模型在河道洪水预报中的应用", 《水电能源科学》 * |
| 王煜等: "大坝下游定点区域溶解氧饱和度预测", 《长江流域资源与环境》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103064290A (zh) * | 2013-01-01 | 2013-04-24 | 北京工业大学 | 基于自组织径向基神经网络的溶解氧模型预测控制方法 |
| CN103064290B (zh) * | 2013-01-01 | 2015-06-17 | 北京工业大学 | 基于自组织径向基神经网络的溶解氧模型预测控制方法 |
| CN103197544A (zh) * | 2013-02-25 | 2013-07-10 | 北京工业大学 | 基于非线性模型预测的污水处理过程多目标控制方法 |
| CN103197544B (zh) * | 2013-02-25 | 2015-06-17 | 北京工业大学 | 基于非线性模型预测的污水处理过程多目标控制方法 |
| CN105531724B (zh) * | 2013-08-13 | 2018-09-11 | 高通股份有限公司 | 用于调制神经设备的训练的方法和装置 |
| CN105531724A (zh) * | 2013-08-13 | 2016-04-27 | 高通股份有限公司 | 用于调制神经设备的训练的方法和装置 |
| CN104089979A (zh) * | 2014-07-17 | 2014-10-08 | 温州大学 | 一种海涂围堤堤身内部缺陷程度识别方法 |
| CN104268625A (zh) * | 2014-10-09 | 2015-01-07 | 哈尔滨工程大学 | 一种基于海洋环境信息的自主式水下潜器航迹预测方法 |
| CN104268625B (zh) * | 2014-10-09 | 2017-06-20 | 哈尔滨工程大学 | 一种基于海洋环境信息的自主式水下潜器航迹预测方法 |
| CN105989407A (zh) * | 2015-02-12 | 2016-10-05 | 中国人民解放军信息工程大学 | 一种基于神经网络的短波中值场强预测系统、方法及装置 |
| CN105547927A (zh) * | 2015-12-09 | 2016-05-04 | 辽宁工程技术大学 | 一种基于bp人工神经网络的煤尘润湿接触角估算方法 |
| CN105547927B (zh) * | 2015-12-09 | 2018-04-27 | 辽宁工程技术大学 | 一种基于bp人工神经网络的煤尘润湿接触角估算方法 |
| CN105956702A (zh) * | 2016-04-29 | 2016-09-21 | 中国农业大学 | 一种基于数据融合的水产养殖水质溶解氧预测方法 |
| CN106198909A (zh) * | 2016-06-30 | 2016-12-07 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
| CN106198909B (zh) * | 2016-06-30 | 2019-05-10 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
| CN107300855A (zh) * | 2017-06-27 | 2017-10-27 | 重庆科技学院 | 一种共享直饮水机水质保障管理控制方法及系统 |
| CN110751261A (zh) * | 2018-07-23 | 2020-02-04 | 第四范式（北京）技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
| CN110751261B (zh) * | 2018-07-23 | 2024-05-28 | 第四范式（北京）技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
| CN109738604A (zh) * | 2019-01-14 | 2019-05-10 | 北京工商大学 | 一种基于空间权重矩阵的水域特征模型建立方法 |
| CN109738604B (zh) * | 2019-01-14 | 2021-04-27 | 北京工商大学 | 一种基于空间权重矩阵的水域特征模型建立方法 |
| CN110632067A (zh) * | 2019-10-29 | 2019-12-31 | 饶宾期 | 基于机器视觉的水体溶解氧检测方法 |
| CN110632067B (zh) * | 2019-10-29 | 2021-12-24 | 中国计量大学 | 基于机器视觉的水体溶解氧检测方法 |
| CN111882119A (zh) * | 2020-07-10 | 2020-11-03 | 南通大学 | 基于sa-bp神经网络的电池soh预测优化方法 |
| CN113065687A (zh) * | 2021-03-16 | 2021-07-02 | 西南民族大学 | 基于溶解氧预测的水产养殖方法及系统 |
| CN113065687B (zh) * | 2021-03-16 | 2023-09-05 | 西南民族大学 | 基于溶解氧预测的水产养殖方法及系统 |
| CN117152633A (zh) * | 2023-09-06 | 2023-12-01 | 广东海洋大学 | 一种基于Argo浮标和遥感数据反演低氧区氧跃层的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102662039A (zh) | 一种基于bp神经网络的水体溶解氧饱和度预测方法 | |
| CN102289570B (zh) | 基于降雨-径流-洪水演进计算的洪水预报方法 | |
| CN101819407B (zh) | 基于神经网络的污水泵站水位预测方法 | |
| CN109657418A (zh) | 一种基于mike21的湖泊水环境容量计算方法 | |
| Wu et al. | A depth-averaged 2D shallow water model for breaking and non-breaking long waves affected by rigid vegetation | |
| CN104392111A (zh) | 基于水位样本的洪水预报方法 | |
| CN106777775A (zh) | 一种基于多断面水位预测河流流量的神经网络方法 | |
| CN109460605B (zh) | 一种预测大型低扬程水泵流量的方法 | |
| Qiu et al. | Seepage Monitoring Models Study of Earth‐Rock Dams Influenced by Rainstorms | |
| Firoozi et al. | Developing a framework for assessment of climate change impact on thermal stratification of dam reservoirs | |
| Wang et al. | Integrated simulation and assessment of water quantity and quality for a river under changing environmental conditions | |
| Wang et al. | Numerical study of solitary wave interaction with a vegetated platform | |
| Devi et al. | Studies on emergent flow over vegetative channel bed with downward seepage | |
| Dortch et al. | Water quality modeling of regulated streams | |
| Zhang et al. | Influence of bridge piers shapes on the flow of the lower Yellow River | |
| Chen et al. | Field observation and numerical modelling of supersaturated dissolved gas at river confluence | |
| Sauida | Simulation of relative energy loss downstream of multi-gate regulators using ANN | |
| Li et al. | Flow features in a pooled fishway with V-shaped weir formation | |
| Kulkarni et al. | An energy perspective of composite broad crested weir for measuring accurate discharge | |
| Roushangar et al. | Influential parameters on submerged discharge capacity of converging ogee spillways based on experimental study and machine learning-based modeling | |
| Xuan et al. | A numerical model to simulate the vertical velocity distribution in an open channel with double-layered rigid vegetation | |
| Tian et al. | Water quality's responses to water energy variability of the Yangtze River | |
| Jordanova et al. | Practical estimation of flow resistance through emergent vegetation | |
| CN107818220A (zh) | 基于生态系统动力学综合模型对海湾环境容量的估算方法 | |
| Pang et al. | Deriving analytical expressions of the spatial information entropy index on riverine water quality dynamics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120912 |