CN105678417A - 一种施工隧道撑子面涌水量预测方法及装置 - Google Patents
一种施工隧道撑子面涌水量预测方法及装置 Download PDFInfo
- Publication number
- CN105678417A CN105678417A CN201610008232.0A CN201610008232A CN105678417A CN 105678417 A CN105678417 A CN 105678417A CN 201610008232 A CN201610008232 A CN 201610008232A CN 105678417 A CN105678417 A CN 105678417A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- network model
- day
- water yield
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种施工隧道撑子面涌水量预测方法及装置,所述方法包括如下步骤:获取施工隧道所在区域的距预测目标日前N日的降雨量数据;利用神经网络模型以所述距预测目标日前N日的降雨量数据作为所述神经网络模型的输入层数据,计算所述撑子面在预测目标日的涌水量数据,其中所述神经网络模型是利用所述预测目标日之前的实测涌水量数据和降雨量数据进行训练得到的。
Description
技术领域
本发明涉及隧道施工数据处理领域,具体涉及一种施工隧道撑子面涌水量预测方法及装置。
背景技术
近年来,随着我国经济的不断发展,以隧道缩短里程的方式越来越普遍,在隧道开挖过程中对施工撑子面涌水量的准确预测对于安全生产具有重要意义。
撑子面也程掌子面,又称礃子面,是坑道施工领域术语,具体指开挖坑道(采煤、采矿或隧道工程中)不断向前推进的工作面。影响撑子面涌水量大小的因素很多,其中很多具有不确定性,且各个因素之间的关系复杂。目前,预测隧道涌水量的方法逾十余种,其中尤以均衡法和地下水动力学法应用最为广泛。然而,地下水系统受很多非确定性因素影响,致使常规预测方法在实际使用时受到局限。且多数涌水量预测方法均以隧道全部贯通为预测情景,不能动态指导隧道安全施工,难以满足长大隧道动态设计需要。因此,本发明旨在提供一种综合考虑多种因素的、动态的估计施工隧道撑子面涌水量的方案,以对隧道施工安全生产提供数据支持。
发明内容
为解决上述问题,本发明提供一种施工隧道撑子面涌水量预测方法,包括如下步骤:获取施工隧道所在区域的距预测目标日前N日的降雨量数据;利用神经网络模型以所述距预测目标日前N日的降雨量数据作为所述神经网络模型的输入层数据,计算所述撑子面在预测目标日的涌水量数据,其中所述神经网络模型是利用所述预测目标日之前的实测涌水量数据和降雨量数据进行训练得到的。
优选地,在所述获取施工隧道所在区域的距预测目标日前N日的降雨量数据之前,所述方法还包括:获取对撑子面的实测涌水量数据和施工隧道所在区域的距实测日前N日的降雨量数据;将所述实测涌水量数据和所述距离实测日前N日的降雨量数据作为训练数据,对所述神经网络模型进行训练,直至所述神经网络模型输出的涌水量数据与所述实测涌水量数据的误差小于预定阈值。
优选地,所述神经网络模型为BP神经网络模型。
优选地,所述BP神经网络模型的隐层为单层。
优选地,N的取值范围为1≤N≤6。
相应地,本发明提供一种施工隧道撑子面涌水量预测装置,包括:获取单元,用于获取施工隧道所在区域的距预测目标日前N日的降雨量数据;预测单元,用于利用神经网络模型以所述距预测目标日前N日的降雨量数据作为所述神经网络模型的输入层数据,计算所述撑子面在预测目标日的涌水量数据,其中所述神经网络模型是利用所述预测目标日之前的实测涌水量数据和降雨量数据进行训练得到的。
优选地,所述装置还包括:训练样本获取单元,用于获取对撑子面的实测涌水量数据和施工隧道所在区域的距实测日前N日的降雨量数据;模型训练单元,用于将所述实测涌水量数据和所述距离实测日前N日的降雨量数据作为训练数据,对所述神经网络模型进行训练,直至所述神经网络模型输出的涌水量数据与所述实测涌水量数据的误差小于预定阈值。
优选地,所述神经网络模型为BP神经网络模型。
优选地,所述BP神经网络模型的隐层为单层。
优选地,N的取值范围为1≤N≤6。
本发明技术方案,具有如下优点:
根据本发明技术方案,由于隧道施工过程中各类水文、地质信息获取难度较大,同时,有些因素带有模糊性,而人工神经网络的后天学习能力使之能够随环境的变化而不断学习,能够从未知模式的大量复杂数据中发现规律,与传统的评价方法相比,表现出更强的功能,本发明只需获取预测日前若干日的降雨量,并利用神经网络模型预测涌水量,克服了传统分析过程的复杂性及选择适当模型函数形式的困难,提供了一种自然的非线性建模过程,无需分清存在何种非线性关系,给建模与分析带来极大的方便,进而为隧道施工安全生产提供了参考价值极高的数据支持。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的施工隧道撑子面涌水量预测方法流程图;
图2为本发明提供的施工隧道撑子面涌水量预测方法所使用的神经网络模型结构示意图;
图3是神经网络模型训练过程中的数据统计图;
图4是神经网络模型训练过程中的检验标准数据统计图。
图5为本发明提供的施工隧道撑子面涌水量预测装置的框架图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种施工隧道撑子面涌水量预测方法,如图1所示,该包括如下步骤:
S1,获取施工隧道所在区域的距预测目标日前N日的降雨量数据,每日1个降水量数据,则有N个降雨量数据。其中,根据实验数据可知,距离预测目标日前过长日期的降雨量,对最终所要预测的涌水量的影响较小,因此N的取值可以优选为1≤N≤6。
假设需要预测当前日的涌水量数据,即当前日为预测目标日,那么应当获取当前日前N日的降雨量数据,降雨量为气象数据,可通过多种渠道获得,甚至可以在施工区域实际测量得到。在此假设情形中,前N日是已经度过的时间,前N日的降水量则是实际的降雨量。但是本发明不限于预测当前日的涌水量,将未来某日作为预测目标日也是可行的,只要能获得预测日前若干日的降雨量即可,对于预测未来某日的涌水量的情形,可通过气象预报得到相应的预计降雨量数据。
S2,利用神经网络模型以所述距预测目标日前N日的降雨量数据作为所述神经网络模型的输入层数据,计算所述撑子面在预测目标日的涌水量数据。本实施例采用BP神经网络模型对涌水量进行预测,BP神经网络(Back-PropagationNetwork)是Rumelhart等在1986年提出的一种多层前馈神经网络。图2是一个典型的3层(单隐层)前馈型BP神经网络的学习算法结构,包括输入层、隐含层(中间层)和输出层,上下层之间实现全连接而每层神经元之间无连接。
BP人工神经网络处理信息是通过信息样本对神经网络的训练,使其具有记忆、辨识能力,完成各种信息处理功能。虽然现今的BP神经网络还是一个黑箱模型,其参数没有水文物理意义,但从结构上分析,涌水过程与神经网络的结构具有相似性。对于一个岩溶水系统,在一次降水之后,水流通过下渗进入到地下,经过多个裂隙、溶隙、管道,最后汇集到隧道突水点,在这过程中,各个裂隙、溶隙、管道都有其相应的蓄水容量等阈值,降水是其输入,涌水量是其输出,这类似于人工神经元模型中的阈值、激活值、输出等器件。
由于BP神经网络算法(或误差逆向传播算法)的原理是当给网络提供一对学习样本,神经元的激活值从输入层经隐含层向输出层传播,在输出层的各神经元获得网络的输入响应;然后,按照减少目标输出和实际误差的方向,从输出层经中间各隐含层逐层修正各连接权值,最后回到输入层。因此,本发明所使用的神经网络模型必须是利用预测目标日之前的实测涌水量数据和降雨量数据进行训练得到的,经过训练后的神经网络模型,其输出值与实际值的误差应当小于预定阈值。并且,对于经过训练的模型而言,后续的每一次预测也同时可以作为训练过程,关于对本发明所使用的神经网络模型进行训练的过程将在下文进行详细介绍。
根据上述方案,由于隧道施工过程中各类水文、地质信息获取难度较大,同时,有些因素带有模糊性,而人工神经网络的后天学习能力使之能够随环境的变化而不断学习,能够从未知模式的大量复杂数据中发现规律,与传统的评价方法相比,表现出更强的功能。本发明只需获取预测日前若干日的降雨量,并利用神经网络模型预测涌水量,克服了传统分析过程的复杂性及选择适当模型函数形式的困难,提供了一种自然的非线性建模过程,无需分清存在何种非线性关系,给建模与分析带来极大的方便,进而为隧道施工安全生产提供了参考价值极高的数据支持。
下文将结合一个实际案例对本发明所使用的神经网络模型的训练过程进行详细介绍。
在实际预测之前,本方法还可以包括训练神经网络模型的步骤:
S01,获取对撑子面的实测涌水量数据和施工隧道所在区域的距实测日前N日的降雨量数据。以2014年4月16日至2014年6月11日某隧道出口左洞撑子面出水情况及对应日期降雨量数据为神经网络模型训练数据,以2014年6月11日至2014年6月17日的涌水量作为检验标准,对模型预测值进行校验。具体实施方式如下:
首先设置基础计算参数,包括实测日、天数(N的取值)、训练次数、学习速率、误差的预定阈值。其中,训练次数代表通过输入数据对该模型进行单次调试时所计算的次数,该值越大输出数值越接近于真实值,但所需计算时间也相应增长。学习速率代表该网络在进行计算时的单次趋近步长,通过调试建议该值选取0.002。预测目标RMSE为进行训练模型时若满足计算要求时即可终止训练,达到节约计算时间的作用。
设置基础参数后,即可获取各个实测日实际的撑子面涌水量数据及相应的降雨量。例如,2014年6月11日测到的实际涌水量为21.3m3/h,则与该日相对应的6(N取值为6)个降雨量数据分别为2014年6月10日的降雨量数据A、2014年6月9日的降雨量数据B……2014年6月5日的降雨量数据F,上述实测涌水量21.3m3/h和降雨量A……F即为1组训练样本,同理,2014年4月16至2014年6月17日的实际涌水量均分别对应各自前6天的降水量,由此则有65组训练样本,训练过程使用多组训练样本,以提高训练准确性。
S02,将所述实测涌水量数据和所述距离实测日前N日的降雨量数据作为训练数据,对所述神经网络模型进行训练,直至所述神经网络模型输出的涌水量数据与所述实测涌水量数据的误差小于预定阈值。
即获取训练样本后,则开始利用样本数据训练神经网络模型,训练过程中可以实时动态反应建模过程中训练值输出与实测值之间的差异情况。当单次训练结果不理想时可以人为地选择再次训练,也可以由计算机自动判断误差是否小于预设阈值自动进行再次训练,直至神经网络输出的涌水量与实测值相的误差小于预设阈值为止。
具体地,采用上述各个实测日前6日的各日降雨量作为一组作为模型的输入层参数,以各个实测日撑子面实测涌水水量作为输出层数据进行训练与检验,该模型设有12个神经元(可以认为地设定,其数量不限于12个),以0.0025的学习速率对该模型进行训练,共计训练402820次,预测得到2014年4月16日至2014年6月17日七天撑子面的涌水量,所得数据如图3所示。
其中,如图4所示,作为检验标准的2014年6月11日至2014年6月17日的预测涌水量分别为21.43,22.25,17.74,17.06,20.7,20.19,19.41m3/h(神经网络模型的输出值),而对应的实测值分别为21.3,20.5,17.5,19.2,20.8,21.6,20.5m3/h,通过计算可知,预测值与实测值之间的RMSE值为1.24,平均误差为4.8%,假设预设阈值为5%,则至此达成了检验标准,完成了训练过程。之后则可以使用该模型进行实际预测,在实际预测时,仍可以不断使用预测值与实测值对模型进行不断修正,以完善模型的性能。
与前一实施例相应地,本发明另一实施例还提供一种施工隧道撑子面涌水量预测装置,如图5所示该装置包括:
获取单元51,用于获取施工隧道所在区域的距预测目标日前N日的降雨量数据;
预测单元52,用于利用神经网络模型以所述距预测目标日前N日的降雨量数据作为所述神经网络模型的输入层数据,计算所述撑子面在预测目标日的涌水量数据,其中所述神经网络模型是利用所述预测目标日之前的实测涌水量数据和降雨量数据进行训练得到的。
优选地,所述装置还包括:
训练样本获取单元53,用于获取对撑子面的实测涌水量数据和施工隧道所在区域的距实测日前N日的降雨量数据;
模型训练单元54,用于将所述实测涌水量数据和所述距离实测日前N日的降雨量数据作为训练数据,对所述神经网络模型进行训练,直至所述神经网络模型输出的涌水量数据与所述实测涌水量数据的误差小于预定阈值。
优选地,所述神经网络模型为BP神经网络模型。
优选地,所述BP神经网络模型的隐层为单层。
优选地,N的取值范围为1≤N≤6。
根据上述方案,由于隧道施工过程中各类水文、地质信息获取难度较大,同时,有些因素带有模糊性,而人工神经网络的后天学习能力使之能够随环境的变化而不断学习,能够从未知模式的大量复杂数据中发现规律,与传统的评价方法相比,表现出更强的功能,本发明只需获取预测日前若干日的降雨量,并利用神经网络模型预测涌水量,克服了传统分析过程的复杂性及选择适当模型函数形式的困难,提供了一种自然的非线性建模过程,无需分清存在何种非线性关系,给建模与分析带来极大的方便,进而为隧道施工安全生产提供了参考价值极高的数据支持。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种施工隧道撑子面涌水量预测方法,其特征在于,包括如下步骤:
获取施工隧道所在区域的距预测目标日前N日的降雨量数据;
利用神经网络模型以所述距预测目标日前N日的降雨量数据作为所述神经网络模型的输入层数据,计算所述撑子面在预测目标日的涌水量数据,其中所述神经网络模型是利用所述预测目标日之前的实测涌水量数据和降雨量数据进行训练得到的。
2.根据权利要求1所述的方法,其特征在于,在所述获取施工隧道所在区域的距预测目标日前N日的降雨量数据之前,所述方法还包括:
获取对撑子面的实测涌水量数据和施工隧道所在区域的距实测日前N日的降雨量数据;
将所述实测涌水量数据和所述距离实测日前N日的降雨量数据作为训练数据,对所述神经网络模型进行训练,直至所述神经网络模型输出的涌水量数据与所述实测涌水量数据的误差小于预定阈值。
3.根据权利要求1或2所述的方法,其特征在于,所述神经网络模型为BP神经网络模型。
4.根据权利要求3所述的方法,其特征在于,所述BP神经网络模型的隐层为单层。
5.根据权利要求1或2所述的方法,其特征在于,N的取值范围为1≤N≤6。
6.一种施工隧道撑子面涌水量预测装置,其特征在于,包括:
获取单元,用于获取施工隧道所在区域的距预测目标日前N日的降雨量数据;
预测单元,用于利用神经网络模型以所述距预测目标日前N日的降雨量数据作为所述神经网络模型的输入层数据,计算所述撑子面在预测目标日的涌水量数据,其中所述神经网络模型是利用所述预测目标日之前的实测涌水量数据和降雨量数据进行训练得到的。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
训练样本获取单元,用于获取对撑子面的实测涌水量数据和施工隧道所在区域的距实测日前N日的降雨量数据;
模型训练单元,用于将所述实测涌水量数据和所述距离实测日前N日的降雨量数据作为训练数据,对所述神经网络模型进行训练,直至所述神经网络模型输出的涌水量数据与所述实测涌水量数据的误差小于预定阈值。
8.根据权利要求6或7所述的装置,其特征在于,所述神经网络模型为BP神经网络模型。
9.根据权利要求8所述的装置,其特征在于,所述BP神经网络模型的隐层为单层。
10.根据权利要求1或2所述的装置,其特征在于,N的取值范围为1≤N≤6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610008232.0A CN105678417A (zh) | 2016-01-06 | 2016-01-06 | 一种施工隧道撑子面涌水量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610008232.0A CN105678417A (zh) | 2016-01-06 | 2016-01-06 | 一种施工隧道撑子面涌水量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105678417A true CN105678417A (zh) | 2016-06-15 |
Family
ID=56299295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610008232.0A Pending CN105678417A (zh) | 2016-01-06 | 2016-01-06 | 一种施工隧道撑子面涌水量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678417A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570287A (zh) * | 2016-11-10 | 2017-04-19 | 中国人民解放军理工大学 | 一种基于三维离散裂隙网络预测隧道突涌水量的方法 |
CN107169663A (zh) * | 2017-05-18 | 2017-09-15 | 中铁隧道勘测设计院有限公司 | 一种矿山法深埋水下交通隧道结构渗漏水量确定技术 |
CN108921319A (zh) * | 2018-04-27 | 2018-11-30 | 中铁西南科学研究院有限公司 | 一种用于岩溶隧道结构安全预警的监测方法 |
CN109146169A (zh) * | 2018-08-16 | 2019-01-04 | 天津大学 | 一种基于tdnn的中国北方草原地区降雨量的预测方法 |
CN110837933A (zh) * | 2019-11-11 | 2020-02-25 | 重庆远通电子技术开发有限公司 | 基于神经网络的漏损识别方法、装置、设备及存储介质 |
CN113901547A (zh) * | 2021-09-29 | 2022-01-07 | 中铁第一勘察设计院集团有限公司 | 岩溶区隧道突水预警方法、系统、电子设备和介质 |
CN114252128A (zh) * | 2022-02-28 | 2022-03-29 | 中国矿业大学(北京) | 一种地下管廊涌水量监测及预警系统、方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930357A (zh) * | 2012-11-20 | 2013-02-13 | 中铁第四勘察设计院集团有限公司 | 岩溶隧道暗河暴雨涌水洪峰峰值及峰值时间的预测方法 |
CN104035142A (zh) * | 2014-06-05 | 2014-09-10 | 同济大学 | 一种海底隧道突涌水险情早期预警方法 |
CN104200291A (zh) * | 2014-09-28 | 2014-12-10 | 山东科技大学 | 一种基于小波变换和arma-svm的涌水量预测方法 |
-
2016
- 2016-01-06 CN CN201610008232.0A patent/CN105678417A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930357A (zh) * | 2012-11-20 | 2013-02-13 | 中铁第四勘察设计院集团有限公司 | 岩溶隧道暗河暴雨涌水洪峰峰值及峰值时间的预测方法 |
CN104035142A (zh) * | 2014-06-05 | 2014-09-10 | 同济大学 | 一种海底隧道突涌水险情早期预警方法 |
CN104200291A (zh) * | 2014-09-28 | 2014-12-10 | 山东科技大学 | 一种基于小波变换和arma-svm的涌水量预测方法 |
Non-Patent Citations (2)
Title |
---|
刘建等: "利用BP神经网络模型动态预测隧道涌水量_以铜锣山隧道为例", 《现代隧道技术》 * |
谭大国: "基于MATLAB的BP神经网络模型在矿井涌水量预测中的应用", 《制造业自动化》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570287A (zh) * | 2016-11-10 | 2017-04-19 | 中国人民解放军理工大学 | 一种基于三维离散裂隙网络预测隧道突涌水量的方法 |
CN107169663A (zh) * | 2017-05-18 | 2017-09-15 | 中铁隧道勘测设计院有限公司 | 一种矿山法深埋水下交通隧道结构渗漏水量确定技术 |
CN108921319A (zh) * | 2018-04-27 | 2018-11-30 | 中铁西南科学研究院有限公司 | 一种用于岩溶隧道结构安全预警的监测方法 |
CN108921319B (zh) * | 2018-04-27 | 2021-09-07 | 中铁西南科学研究院有限公司 | 一种用于岩溶隧道结构安全预警的监测方法 |
CN109146169A (zh) * | 2018-08-16 | 2019-01-04 | 天津大学 | 一种基于tdnn的中国北方草原地区降雨量的预测方法 |
CN110837933A (zh) * | 2019-11-11 | 2020-02-25 | 重庆远通电子技术开发有限公司 | 基于神经网络的漏损识别方法、装置、设备及存储介质 |
CN113901547A (zh) * | 2021-09-29 | 2022-01-07 | 中铁第一勘察设计院集团有限公司 | 岩溶区隧道突水预警方法、系统、电子设备和介质 |
CN114252128A (zh) * | 2022-02-28 | 2022-03-29 | 中国矿业大学(北京) | 一种地下管廊涌水量监测及预警系统、方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
Hung et al. | An artificial neural network model for rainfall forecasting in Bangkok, Thailand | |
CN106981198B (zh) | 用于旅行时间预测的深度学习网络模型及其建立方法 | |
CN105243435B (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
CN109711617B (zh) | 一种基于blstm深度学习的中长期径流预测方法 | |
CN107748942B (zh) | 基于速度场感知网络的雷达回波外推预测方法和系统 | |
Cai et al. | Toward improved lumped groundwater level predictions at catchment scale: Mutual integration of water balance mechanism and deep learning method | |
CN109840587A (zh) | 基于深度学习的水库入库流量预测方法 | |
Deng et al. | Risk evaluation model of highway tunnel portal construction based on BP fuzzy neural network | |
Ebrahim et al. | Downscaling technique uncertainty in assessing hydrological impact of climate change in the Upper Beles River Basin, Ethiopia | |
CN111199298B (zh) | 基于神经网络的洪水预报方法与系统 | |
Efstratiadis et al. | HYDROGEIOS: a semi-distributed GIS-based hydrological model for modified river basins | |
Fang et al. | Application of long short-term memory (LSTM) on the prediction of rainfall-runoff in karst area | |
CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能系统 | |
CN115310532A (zh) | 一种基于时空关联混合深度学习模型的流域多点预测预警方法 | |
Faruq et al. | Deep Learning-Based Forecast and Warning of Floods in Klang River, Malaysia. | |
CN115270608A (zh) | 基于arima与lstm的海岸带地面沉降预测方法 | |
Li et al. | An improved cyclic multi model-eXtreme gradient boosting (CMM-XGBoost) forecasting algorithm on the GNSS vertical time series | |
KR20200058258A (ko) | 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
CN117113842A (zh) | 一种基于pso-lstm模型的隧道围岩变形预测方法 | |
Lu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
CN106875052A (zh) | 一种冰川融水补给区干旱预警方法 | |
Hong et al. | A study on rainfall prediction based on meteorological time series | |
CN115114842A (zh) | 一种基于小样本迁移学习算法的暴雨内涝事件预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160615 |
|
RJ01 | Rejection of invention patent application after publication |