CN108647778A - 一种城市雨水系统排水口排水流量的动态预测方法 - Google Patents
一种城市雨水系统排水口排水流量的动态预测方法 Download PDFInfo
- Publication number
- CN108647778A CN108647778A CN201810438590.4A CN201810438590A CN108647778A CN 108647778 A CN108647778 A CN 108647778A CN 201810438590 A CN201810438590 A CN 201810438590A CN 108647778 A CN108647778 A CN 108647778A
- Authority
- CN
- China
- Prior art keywords
- network
- narx
- networks
- coupling
- training
- 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.)
- Granted
Links
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种城市雨水系统排水口排水流量的动态预测方法,步骤(1)、利用暴雨洪水管理模型对进行降雨‑径流模拟,多组排水管网出口的排水流量过程线,作为训练样本;步骤(2)、建立RBF神经网络进行训练,在训练过程中进行网络隐层节点及中心宽度Spread的优化;步骤(3)、建立NARX神经网络进行训练;步骤(4)、将完成训练的NARX神经网络与RBF神经网络进行耦合得到耦合网络,进行预测,计算耦合网络与样本的均方误差,返回均方误差最小的流量值作为优化后的耦合位点,随机选取降雨数据输入耦合网络,得到预测的排水流量过程线。本发明有机结合了不同神经网络的优势与特点,预测结果与SWMM模拟符合很好,曲线的均方误差为0.000458,具有良好的预测精度。
Description
技术领域
本发明涉及城市雨水资源管理与排水技术领域,特别是涉及一种基于耦合径向基神经网络、非线性自回归模型与数值模拟的排水流量动态预测方法。
背景技术
暴雨洪水管理模型(SWMM)是一个动态的降水-径流模拟模型,主要包含径流模块、汇流模块与水质模块等,多用于模拟城市某一单一降水事件或长期的水量和水质模拟。该模型可以跟踪模拟不同时间步长任意时刻每个子流域所产生径流的水质和水量,以及每个管道和河道中水的流量、水深及水质等情况。SWMM模型在城市排水模拟中运用广泛。
径向基函数(RBF)神经网络属于前向神经网络类型,网络的结构与多层前向网络类似,是一种三层的前向网络。其预测的基本思想是:利用径向基函数对输入矢量进行变换,将低维的模式输入数据变换到高维空间内,使得在低维空间内的线性不可分的问题在高维空间内线性可分。RBF网络结构简单、训练简洁且能够逼近任意非线性函数,因此被广泛运用于时间序列分析等领域。
非线性自回归模型(NARX)是非线性动态系统中应用最广泛的一种神经网络,主要由输入层、隐层和输出层及输入和输出延时构成。NARX神经网络具有反馈与记忆的功能,能够将前几个时刻的数据保留,使其加入到下一时刻数据的计算,实现网络的动态性与系统信息的完整性。目前,NARX神经网络在时间序列的分析、仿真和系统监测与控制领域具有重要的应用。
在工程应用中经常会遇到一些复杂的非线性系统,难以用数学方法准确建模。尤其在“海绵城市”的建设过程中,往往需要对流域的整个排水过程进行预测,而单一地使用神经网络的方法很难实现高精度的动态排水过程的预测要求。
发明内容
为了解决上述现有技术“单一地使用神经网络的方法”而存在“很难实现高精度的动态排水过程的预测要求”的这一难题,本发明提出了一种城市雨水系统排水口排水流量的动态预测方法,实现了基于NARX-RBF耦合神经网络实现非线性动态排水系统的排水口流量预测。
本发明提出了一种城市雨水系统排水口排水流量的动态预测方法,该方法包括以下步骤:
步骤1、利用暴雨洪水管理模型对排水系统进行降雨-径流模拟,改变降雨条件得到多组排水管网出口的排水流量过程线,再将降雨过程线与排水流量过程线进行离散化处理,作为训练样本;
步骤2、建立RBF神经网络,将步骤1中的离散化的降雨与流量数据作为RBF网络的输入与期望输出进行训练,同时在训练过程中进行网络隐层节点及中心宽度Spread的优化:设计一个循环结构,将隐层节点数从4个取到400个,分别计算在不同隐层节点数下训练过程的均方误差,返回均方误差最小的节点数作为网络的节点数,并参与后续的训练与预测;在确定节点数的情况下,利用同样的循环结构,让中心宽度从0.2取到2,再分别计算不同宽度下训练过程的均方误差,返回均方误差最小的宽度值作为网络的中心宽度;
步骤3、建立NARX神经网络,将步骤(1)中的离散化的降雨与流量数据作为NARX神经网络的输入与期望输出进行训练;
步骤4、将完成训练的NARX神经网络与RBF神经网络进行耦合得到耦合网络,根据NARX与RBF网络的优势预测区间,将排水流量过程线分为峰值与非峰值两部分,定义两部分的流量分界点作为耦合位点,排水流量过程线在耦合位点处的流量以下时,用NARX网络进行预测;排水流量在耦合位点处的流量以上时,用RBF网络进行预测,并优化耦合位点;利用最小二乘法和先前神经网络的训练样本,计算耦合网络与样本之间均方误差,并返回均方误差最小的流量值作为优化后的耦合位点,随机选取降雨数据输入耦合网络中,得到预测的排水流量过程线。
与现有技术相比,本发明有机结合了不同神经网络的优势与特点,该方法预测结果与SWMM模拟符合很好,曲线的均方误差为0.000458,具有良好的预测精度。
附图说明
图1为本发明的一种耦合径向基神经网络、非线性自回归模型与数值模拟的排水流量动态预测方法的算法模型图;
图2为本发明具体实施例的SWMM模型示意图;
图3为NARX网络训练结果图;31、训练曲线(Train),32、验证曲线(validation),33、测试曲线(Test),34、最佳迭代步数(Best);
图4为降雨条件下排水流量的神经网络预测结果与SWMM模拟结果对比图;(a)NARX网络预测结果与SWMM模拟结果对比,(b)RBF网络预测结果与SWMM模拟结果对比,41、NARX网络预测结果,42、SWMM模拟结果,43、RBF网络预测结果;
图5为排水流量过程线分段示意图;
图6为测试降雨条件下排水流量的耦合神经网络预测与SWMM模拟结果对比图;61、测试降雨条件下排水流量的耦合神经网络预测结果,62、SWMM模拟结果。
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步详细描述。
如图2所示,为本发明具体实施例的SWMM模型示意图。模拟流域占地面积为12.54公顷,流域内地势平坦,地面高程在48.85-49.20m之间,无周边雨水流入,流域内的综合径流系数为0.7。将区域内的排水系统概化为21个子汇水区、33个节点、33条管路及1个排水口。模拟在不考虑管网堵塞的前提下进行。具体实施例流程描述如下:
1、SWMM进行降雨-径流模拟产生训练样本
在建立管网模型的基础上,SWMM模型采用动力波的方式进行模拟,模拟时间为6h。模拟降雨采用芝加哥雨型生成。如表1所示,为SWMM模型模拟的降雨条件。通过改变重现期与历时等降雨条件,在SWMM中分别模拟得到排出口对应的流量-时间,再将降雨过程线与排水流量过程线分别以1min的时间步长进行离散化,得到神经网络的训练样本。降雨过程线是由重现期、降雨历时和雨峰等参数生成的降雨曲线,并作为暴雨洪水管理模型进行流量过程线模拟时的降雨事件
表1
降雨事件编号 | 重现期(年) | 降雨历时(min) | 雨峰系数 |
1 | 1 | 60 | 0.5 |
2 | 2 | 120 | 0.5 |
3 | 3 | 120 | 0.5 |
4 | 4 | 180 | 0.5 |
5 | 5 | 120 | 0.5 |
6 | 6 | 60 | 0.5 |
7 | 7 | 180 | 0.5 |
8 | 10 | 120 | 0.5 |
9 | 12 | 180 | 0.5 |
10 | 15 | 180 | 0.5 |
2、进行神经网络训练与优化
(1)训练NARX神经网络
建立NARX神经网络,设定隐层节点数为10,输入、输出延迟分别为1:4、1:4。将模拟得到的离散化的降雨与流量作为NARX网络的输入与期望输出,进行网络训练,从如图3所示的NARX网络训练结果图看出,网络训练充分又未出现过拟合现象,训练后的NARX网络能够用来进行流量过程线的预测,选取测试降雨来预测流量过程线。预测结果由图4(a)所示。可见NARX网络对排水流量不大时的曲线预测较为精确。其中,NARX神经网络为带有外部输入的动态神经网络,由输入层、隐层、输出层和输入、输出延时构成。网络的动态性体现在网络能够将前一时刻的输出结果返回至输出延时,从而参与下一时刻输出的运算。NARX网络的最佳迭代步数为8步,此时网络预测与训练样本间的均方误差达到最小,为7.1042*10-5。
(2)训练并优化RBF神经网络
建立RBF神经网络,将模拟得到的离散化降雨与流量数据作为RBF网络的输入与期望输出,进行网络训练。其中,RBF网络为三层前向型神经网络,由输入层、隐层藏和输出层构成。其网络的突出特征在于输入层到隐层单元之间为直接连接,隐层到输出层为权值连接,并利用隐层中的径向基函数进行权值计算。同时在训练过程中进行网络隐层节点及中心宽度Spread的优化。在程序中设计一个循环结构,让网络的隐层节点数从4个取到400个(以4为步长),分别计算网络在不同隐层节点数下训练过程的均方误差(MSE),在网络不过度训练前提下,返回MSE最小的节点数作为网络的节点数,并参与后续的训练与预测。在确定节点数的情况下,利用同样的循环结构,让网络中心宽度spread从0.2取到2(以0.2为步长),再分别计算不同宽度下训练过程的MSE,返回MSE最小的宽度值作为网络的中心宽度。训练并优化后的NARX网络能够用来进行流量过程线的预测。选取测试降雨进行流量过程线的预测,预测结果由图4(b)所示。可见RBF网络对排水流量峰值附近的曲线预测较为精确。
3、优化NARX-RBF神经网络的耦合结构
根据NARX与RBF网络的优势预测区间,可将排出口的径流过程线分为峰值部分与非峰值部分,如图5所示,根据NARX与RBF网络的优势预测区间,可将流量过程线分为峰值与非峰值两部分,定义两部分的流量分界点作为耦合位点。使排水流量过程线在耦合位点处的流量以下时,用NARX网络进行预测;排水流量在耦合位点处的流量以上时,用RBF网络进行预测。选定位点A作为峰值段与非峰值段的流量分界点。分别取A为0.8、0.85、……、1.15、1.2,代回训练样本中进行预测,预测曲线在A=1.1m3/s时取得最小的MSE,故取流量值1.1m3/s为耦合位点,即排水流量在1.1m3/s以下时,用NARX网络进行预测,排水流量在1.1m3/s以上时,用RBF网络进行预测。
选取测试降雨进行流量过程线的对策,耦合网络的预测结果如图6所示。将该预测结果与SWMM模拟结果对比,曲线的均方误差为0.000458。
利用暴雨洪水管理模型(SWMM)对某排水系统进行降雨-径流模拟,通过改变降雨条件来产生训练样本;利用离散化的训练样本分别对NARX网络和RBF神经网络进行训练,在训练过程中实现RBF神经网络结构的优化;将NARX网络与RBF网络有机耦合,利用两种网络各自的预测优势寻求最优的耦合位点;利用耦合的神经网络对测试降雨进行排水流量过程线的进行预测,结果与SWMM模拟符合很好。本动态预测方法可以很好地预测给定暴雨条件下排水口排水流量。
Claims (1)
1.一种城市雨水系统排水口排水流量的动态预测方法,其特征在于,该方法包括以下步骤:
步骤(1)、利用暴雨洪水管理模型对排水系统进行降雨-径流模拟,改变降雨条件得到多组排水管网出口的排水流量过程线,再将降雨过程线与排水流量过程线进行离散化处理,作为训练样本;
步骤(2)、建立RBF神经网络,将步骤1中的离散化的降雨与流量数据作为RBF网络的输入与期望输出进行训练,同时在训练过程中进行网络隐层节点及中心宽度Spread的优化:设计一个循环结构,将隐层节点数从4个取到400个,分别计算在不同隐层节点数下训练过程的均方误差,返回均方误差最小的节点数作为网络的节点数,并参与后续的训练与预测;在确定节点数的情况下,利用同样的循环结构,让中心宽度从0.2取到2,再分别计算不同宽度下训练过程的均方误差,返回均方误差最小的宽度值作为网络的中心宽度;
步骤(3)、建立NARX神经网络,将步骤(1)中的离散化的降雨与流量数据作为NARX神经网络的输入与期望输出进行训练;
步骤(4)、将完成训练的NARX神经网络与RBF神经网络进行耦合得到耦合网络,根据NARX与RBF网络的优势预测区间,将排水流量过程线分为峰值与非峰值两部分,定义两部分的流量分界点作为耦合位点,排水流量过程线在耦合位点处的流量以下时,用NARX网络进行预测;排水流量在耦合位点处的流量以上时,用RBF网络进行预测,并优化耦合位点;利用最小二乘法和先前神经网络的训练样本,计算耦合网络与样本之间均方误差,并返回均方误差最小的流量值作为优化后的耦合位点,随机选取降雨数据输入耦合网络中,得到预测的排水流量过程线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810438590.4A CN108647778B (zh) | 2018-05-09 | 2018-05-09 | 一种城市雨水系统排水口排水流量的动态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810438590.4A CN108647778B (zh) | 2018-05-09 | 2018-05-09 | 一种城市雨水系统排水口排水流量的动态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647778A true CN108647778A (zh) | 2018-10-12 |
CN108647778B CN108647778B (zh) | 2022-02-25 |
Family
ID=63754037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810438590.4A Active CN108647778B (zh) | 2018-05-09 | 2018-05-09 | 一种城市雨水系统排水口排水流量的动态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647778B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272171A (zh) * | 2018-10-16 | 2019-01-25 | 天津大学 | 一种预测暴雨期二级河道排水对干流水质动态影响的方法 |
CN109919372A (zh) * | 2019-02-28 | 2019-06-21 | 武汉大学 | 一种基于全时空的城市暴雨积水评估建模方法 |
CN110646867A (zh) * | 2019-08-28 | 2020-01-03 | 北京无线电计量测试研究所 | 一种城市排水监测预警方法和系统 |
CN110909485A (zh) * | 2019-12-05 | 2020-03-24 | 重庆交通大学 | 一种基于bp神经网络的swmm模型参数自率定方法 |
CN110929359A (zh) * | 2019-11-20 | 2020-03-27 | 合肥泽众城市智能科技有限公司 | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 |
CN113344305A (zh) * | 2021-08-05 | 2021-09-03 | 中国水利水电科学研究院 | 一种暴雨内涝事件的快速预测方法 |
CN113505521A (zh) * | 2021-05-20 | 2021-10-15 | 天津大学 | 一种耦合神经网络-数值模拟的城市内涝快速预报方法 |
CN114067019A (zh) * | 2021-09-29 | 2022-02-18 | 天津大学 | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101824807A (zh) * | 2010-04-16 | 2010-09-08 | 同济大学 | 一种潮汐河流地区取水口咸潮短期预测方法 |
CN103577895A (zh) * | 2013-11-08 | 2014-02-12 | 河海大学 | 一种资料短缺情形下的二次耦合月径流预报方法 |
CN105590144A (zh) * | 2015-12-30 | 2016-05-18 | 国电联合动力技术有限公司 | 一种基于narx神经网络的风速预测方法及装置 |
CN106789297A (zh) * | 2016-12-29 | 2017-05-31 | 淮海工学院 | 基于神经网络的网络流量预测系统及其流量预测方法 |
-
2018
- 2018-05-09 CN CN201810438590.4A patent/CN108647778B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101824807A (zh) * | 2010-04-16 | 2010-09-08 | 同济大学 | 一种潮汐河流地区取水口咸潮短期预测方法 |
CN103577895A (zh) * | 2013-11-08 | 2014-02-12 | 河海大学 | 一种资料短缺情形下的二次耦合月径流预报方法 |
CN105590144A (zh) * | 2015-12-30 | 2016-05-18 | 国电联合动力技术有限公司 | 一种基于narx神经网络的风速预测方法及装置 |
CN106789297A (zh) * | 2016-12-29 | 2017-05-31 | 淮海工学院 | 基于神经网络的网络流量预测系统及其流量预测方法 |
Non-Patent Citations (2)
Title |
---|
LI XIAOBIN: ""RBF Neural Network Optimized by Particle Swarm Optimization for Forecasting Urban Traffic Flow"", 《2009 THIRD INTERNATIONAL SYMPOSIUM ON INTELLIGENT INFORMATION TECHNOLOGY APPLICATION》 * |
覃业梅等: ""基于线性函数型权重的RBF-ARX模型的磁悬浮球系统预测控制"", 《中南大学学报(自然科学版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272171A (zh) * | 2018-10-16 | 2019-01-25 | 天津大学 | 一种预测暴雨期二级河道排水对干流水质动态影响的方法 |
CN109919372A (zh) * | 2019-02-28 | 2019-06-21 | 武汉大学 | 一种基于全时空的城市暴雨积水评估建模方法 |
CN110646867A (zh) * | 2019-08-28 | 2020-01-03 | 北京无线电计量测试研究所 | 一种城市排水监测预警方法和系统 |
CN110929359A (zh) * | 2019-11-20 | 2020-03-27 | 合肥泽众城市智能科技有限公司 | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 |
CN110929359B (zh) * | 2019-11-20 | 2023-09-22 | 合肥泽众城市智能科技有限公司 | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 |
CN110909485A (zh) * | 2019-12-05 | 2020-03-24 | 重庆交通大学 | 一种基于bp神经网络的swmm模型参数自率定方法 |
CN110909485B (zh) * | 2019-12-05 | 2022-04-12 | 重庆交通大学 | 一种基于bp神经网络的swmm模型参数自率定方法 |
CN113505521A (zh) * | 2021-05-20 | 2021-10-15 | 天津大学 | 一种耦合神经网络-数值模拟的城市内涝快速预报方法 |
CN113505521B (zh) * | 2021-05-20 | 2022-04-22 | 天津大学 | 一种耦合神经网络-数值模拟的城市内涝快速预报方法 |
CN113344305A (zh) * | 2021-08-05 | 2021-09-03 | 中国水利水电科学研究院 | 一种暴雨内涝事件的快速预测方法 |
CN114067019A (zh) * | 2021-09-29 | 2022-02-18 | 天津大学 | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108647778B (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647778A (zh) | 一种城市雨水系统排水口排水流量的动态预测方法 | |
Sitzenfrei et al. | Assessing the impact of transitions from centralised to decentralised water solutions on existing infrastructures–Integrated city-scale analysis with VIBe | |
Wang et al. | Optimization of storage tank locations in an urban stormwater drainage system using a two-stage approach | |
Firat et al. | River flow estimation using adaptive neuro fuzzy inference system | |
Aronica et al. | Studying the hydrological response of urban catchments using a semi-distributed linear non-linear model | |
CN108984823B (zh) | 一种合流制溢流调蓄池规模的确定方法 | |
CN105894116A (zh) | 一种流域梯级水库与蓄滞洪区联合调度方法 | |
Tayyab et al. | Discharge forecasting by applying artificial neural networks at the Jinsha River Basin, China | |
CN108614915B (zh) | 基于情景驱动的水文模型自由组建策略方法 | |
Samantaray et al. | Evaluation of suspended sediment concentration using descent neural networks | |
CN104182634B (zh) | 一种梯级水电站联合运行水位控制断面优选方法 | |
Ghose | Measuring discharge using back-propagation neural network: a case study on Brahmani river basin | |
Nguyen et al. | Water level forecasting using neuro-fuzzy models with local learning | |
Mohamed | Design of alluvial Egyptian irrigation canals using artificial neural networks method | |
Fu et al. | Simulation of urban wastewater systems using artificial neural networks: embedding urban areas in integrated catchment modelling | |
CN103870699A (zh) | 基于双层异步迭代策略的水动力学洪水演进模拟方法 | |
Wang et al. | A statistical hydrological model for Yangtze river watershed based on stepwise cluster analysis | |
Adib et al. | Interactive approach for determination of salinity concentration in tidal rivers (Case study: The Karun River in Iran) | |
Lu et al. | Stormwater hydrographs simulated for different structures of urban drainage network: dendritic and looped sewer networks | |
Aoulmi et al. | The assessment of artificial neural network rainfall-runoff models under different input meteorological parameters Case study: Seybouse basin, Northeast Algeria | |
Prasad et al. | Boundary Layer Flows: Modelling, Computation, and Applications of Laminar, Turbulent Incompressible and Compressible Flows | |
Kang et al. | A case study for ANN-based rainfall–runoff model considering antecedent soil moisture conditions in Imha Dam watershed, Korea | |
Croci et al. | Urbfep model for basin scale simulation of urban floods constrained by sewerage's size limitations | |
Sun et al. | Improving numerical forecast accuracy with ensemble Kalman filter and chaos theory: Case study on Ciliwung river model | |
Cheng et al. | AI application on LID stormwater management and urban planning in Guam, USA, and Southern China, PRC |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 300452 Binhai Industrial Research Institute Campus of Tianjin University, No. 48 Jialingjiang Road, Binhai New Area, Tianjin Patentee after: Tianjin University Address before: 300072 Tianjin City, Nankai District Wei Jin Road No. 92 Patentee before: Tianjin University |