CN110909485B - 一种基于bp神经网络的swmm模型参数自率定方法 - Google Patents

一种基于bp神经网络的swmm模型参数自率定方法 Download PDF

Info

Publication number
CN110909485B
CN110909485B CN201911231984.3A CN201911231984A CN110909485B CN 110909485 B CN110909485 B CN 110909485B CN 201911231984 A CN201911231984 A CN 201911231984A CN 110909485 B CN110909485 B CN 110909485B
Authority
CN
China
Prior art keywords
model
neural network
parameter
data
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.)
Active
Application number
CN201911231984.3A
Other languages
English (en)
Other versions
CN110909485A (zh
Inventor
陈垚
何智伟
程麒铭
袁绍春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Jiaotong University
Original Assignee
Chongqing Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Jiaotong University filed Critical Chongqing Jiaotong University
Priority to CN201911231984.3A priority Critical patent/CN110909485B/zh
Publication of CN110909485A publication Critical patent/CN110909485A/zh
Application granted granted Critical
Publication of CN110909485B publication Critical patent/CN110909485B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于BP神经网络的SWMM模型参数自率定方法，包括以下步骤：S1：建立研究区域的降雨径流模型；S2：确定待率定参数组和取值范围，同时抽样生成参数取值序列；S3：将参数序列导入模型并驱动运行出模拟结果；S4:提取出模拟结果作为输入变量，S2中的参数取值序列作为目标变量；S5:建立BP神经网络进行训练优化，使模型满足误差在置信区间的要求；S6：选取监测点实测水深数据输入S5中训练的网络进行仿真，得到自动率定参数，实现参数自率定。本发明克服了人工试错法参数率定主观因素的影响，并且相对于遗传算法参数率定步骤更为简单快捷，能够更精确、有效、快捷的完成参数率定过程，且NS值大于0.85。

Description

一种基于BP神经网络的SWMM模型参数自率定方法
技术领域
本发明涉及城市雨洪模拟技术领域，尤其是涉及一种BP神经网络的SWMM参数自动率定的技术。
背景技术
SWMM(Storm Water Management Model(雨水管理模型))是一个动态降雨—径流模拟计算机程序，主要用于城市地区径流水量和水质的单一事件或者长期连续模拟。由于其免费开源的特点，被广泛运用于城市管网规划、设计和分析中。雨洪模型涉及众多参数，需要对参数进行率定，不断调整模型的参数，将模型模拟结果和实测结果对比，不断减小两个结果之间的误差，最终大到模型最优化。
目前，大多数设计及研究人员在使用SWMM建模时，受制于我国本土城市雨洪模拟研究起步较晚，基础数据相对缺乏，因此建模过程模型参数使用人工试错法进行参数率定，受设计师主观因素影响，并且数据复杂计算量大，进而导致了SWMM模拟结果的不稳定性，给使用SWMM模型指导城市水环境管理的工作带来了极大的困难和不便。如何对模型参数进行准确的率定，使得外来模型能够更好地适应我国本土城市环境，成为模型能否准确反应城市降雨径流规律的关键所在。
发明内容
针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种基于BP神经网络的SWMM模型参数自动率定方法，该方法不仅能够避免主观因素的影响，还能对需要的水文参数进行调整，直至NASH-SUTCLIFFE效率系数(NS值)大于0.8达到理想效果。故能够提高SWMM模型的参数率定效率，使其能够更有效的快速，精确的模拟城市降雨径流过程。
为了解决上述技术问题，本发明采用了如下的技术方案：
一种基于BP神经网络的SWMM模型参数自动率定方法。其特征在于，包括以下步骤：
S1：根据SWMM模型建模的基本要求，获取研究区域建模所需的基本数据，输入数据并建立降雨径流模型；
S2：确定待率定参数组和取值范围，同时抽样生成参数取值序列；
S3：使用python程序编程将参数序列导入SWMM模型中，并驱动运行，得出模拟结果；
S4:使用python程序提取出模拟结果，即监测点水深数据(监测点水深变化过程线)作为输入变量a，S2中的参数取值序列作为目标变量b，以这两种数据作为BP神经网络训练样本；
S5:建立BP神经网络，使用S4中监测水深数据和参数取值序列作为BP神经网络的输入变量和目标变量进行训练优化，在训练过程中不断调试模型的训练数据、验证数据和测试数据的比例，隐含层神经元和延迟值的个数，使模型满足误差在置信区间的要求；
S6：选取监测点实测水深数据(即实测水深过程线)输入S5中训练的网络，利用matlab中的的神经网络仿真函数进行仿真，得到自动率定参数，实现参数自率定。
这样，本发明利用了神经网络算法，能够科学有效地实现对SWMM模型参数的自动率定。能够结合python的强大数据处理能力和matlab神经网络高效拟合的优势和特点，率定参数代入模型后，模拟结果和实测结果拟合的很好，水深NASH-SUTCLIFFE效率系数大于0.85。
作为优化，S2步骤中，确定待率定参数组包括：参数渗透性粗糙系数(N-Perv，N-P)、不渗透性粗糙系数(N-Imperv，N-Imp)、渗透性洼地蓄水(Dstore-Perv，S-P)、不渗透性洼地蓄水(Dstore-Imperv，S-Imp)、无洼地蓄水不渗透性(％Zero-Imperv，Z-Imp)、最大入渗率(Max.Infil.Rate，Max-In)、最小入渗率(Min.Infil.Rate，Min-In)、衰减系数(DecayConstant，De-Con)8个；并根据SWMM模型手册确定其取值范围。
这样取上述8个参数，是因为SWMM模型参数分为两类，一类可直接通过下垫面资料获得如特征宽度，不渗透性等，一类是通过经验或者文献设定参数，对最终模拟结果影响巨大，需要进行率定以便适用于实际案例。
具体地说，8个参数组取值范围可以为表1。
表1 SWMM待率定参数取值范围
Figure BDA0002303802440000031
采用上表的取值范围是根据SWMM模型手册得到。
作为优化，S2步骤中，使用拉丁超立方抽样得到1000组参数构成参数取值序列。
这样采用拉丁超立方抽样可保证其随机分布的科学性，取1000组参数可保证足够的样本数量以保证结果准确。
作为优化，S3步骤中，可通过matlab调用SWMM计算引擎驱动模拟，得出模拟结果。
这样，利用matlab强大的数据处理能力实现SWMM文件批量运行模拟和运行结果可视化。
作为优化，S4步骤中，使用python程序提取出模拟结果后组成矩阵形式1000×239作为输入变量a，S2中的参数取值序列组成矩阵形式1000×8作为目标变量b。
这样，可以极大地提高计算的效率。
作为优化，S5步骤中，具体训练过程包括以下步骤：
S5.1模型交叉验证，在模型中选择训练数据、验证数据和测试数据的百分比，再根据模型训练结果的好坏对百分比进行调节；具体地说调节过程中训练数据用来模型的构建所占比例为50％以上，验证数据是用来辅助模型的构建，提高模型精确度，测试数据用于模型的检验；实施时经过多次的调试，直至回归系数R值接近于1，比较好的选择是选择训练数据的百分比为70％，验证数据为15％，测试数据为15％；
S5.2调整模型结构，根据以往使用神经网络经验值对神经网络神经元个数进行设置；实施时作为优选设置神经网络神经元个数为10个；
S5.3进行神经网络训练，获得训练结果判断是否满足要求，判断原则是，R值越接近1，其训练的效果越好，如果结果不符合预期，继续调整训练数据、验证数据、测试数据和隐藏神经元个数等参数再进行训练，最终得到满足要求的结果，使模型满足误差的要求。
上述训练过程，通过大量的样本进行BP神经网络训练，得到输入变量a(水深过程线)和目标变量b(待率定参数组)的函数关系，最终得到他们的仿真函数。
进一步地，上述S6步骤上，得到自动率定参数后，将参数带入已建模型，运行得到模拟结果和实测水深进行对比验证，采用Nash-Sutcliffe效率系数(NASH-SUTCLIFFE效率系数)作为参数率定结果的评判标准，最终NASH-SUTCLIFFE效率系数大于预设值判定率定成功(预设值一般取0.8，实际应用最终NASH-SUTCLIFFE效率系数通常可大于0.85)。
这样，可以进一步验证采用本方法进行SWMM模型参数自动率定的效果可靠。
综上所述，本发明能够利用BP神经网络算法，。实现SWMM模型参数自动率定方法，本方法不仅能够避免主观因素的影响，还能对需要的水文参数进行调整，直至NASH-SUTCLIFFE效率系数大于0.8达到理想效果。能够提高SWMM模型的参数率定效率，使其能够更有效的快速，精确的模拟城市降雨径流过程。
附图说明
图1为本发明具体实施案例中的算法步骤流程模型示意图。
图2为本发明具体实施案例的SWMM模型示意图
图3为本发明具体实施案例中，BP神经网络模型误差图。
图4为本发明具体实施案例中，将率定后参数写入模型所得模拟结果监测点模拟水深和实测水深对比图。
具体实施方式
下面结合附图1至图4和具体实施案例对本发明作进一步的详细说明。
具体实施案例：如图1至图4所示，本案例的实施的试点区域位于重庆市秀山城区南部新城，位于梅江河以西，建有渝秀大道(东西)和学府大道(南北)两条交通主干道，以及政府大楼、中学、体育公园和居住小区，占地61hm2。建成区内建有完善的雨污分流排水设施，雨水管管径为1000mm-2000mm，管道总长约4.5km。根据管网管堪数据资料和水文气象数据(降雨和径流量实测数据)，结合研究区域地形图和土地利用类型图，构建SWMM模型(参见图2)，将研究区域概化为27个子汇水区、36个节点、33个管段和2个总排水口。具体实施过程步骤(参见图1)描述如下：
S1：根据SWMM模型建模的基本要求，获取研究区域建模所需的基本数据，输入相关数据建立降雨径流模型(参见图2)。SWMM模型采用霍顿下渗模型、运动波方式进行模拟，模拟时间设置为6h。在模型中输入2017年7月8日实测降雨径流数据进行降雨径流模拟。
S2：确定待率定参数组和取值范围，同时抽样生成参数取值序列；其中，指定待率定模型参数包括参数渗透性粗糙系数(N-Perv，N-P)、不渗透性粗糙系数(N-Imperv，N-Imp)、渗透性洼地蓄水(Dstore-Perv，S-P)、不渗透性洼地蓄水(Dstore-Imperv，S-Imp)、无洼地蓄水不渗透性(％Zero-Imperv，Z-Imp)、最大入渗率(Max.Infil.Rate，Max-In)、最小入渗率(Min.Infil.Rate，Min-In)、衰减系数(Decay Constant，De-Con)8个，根据SWMM模型手册确定其取值范围，具体可参见表1。并使用拉丁超立方抽样得到1000组参数。
其中，8个参数组取值范围为表1。
表1 SWMM待率定参数取值范围
Figure BDA0002303802440000051
S3：通过python程序将1000组参数导入S1建立的SWMM模型中，生成1000个模型文件，并通过matlab调用SWMM计算引擎驱动模拟，得出模拟结果。
S4：使用python程序提取出模拟结果(监测点水深变化过程线)组成矩阵形式1000×239作为输入变量a，S2中的参数取值序列组成矩阵形式1000×8作为目标变量b，以这两组种数据作为BP神经网络训练样本。
S5：建立BP神经网络。使用S4中监测点水深数据(a)和参数取值序列(b)作为BP神经网络的输入变量和目标变量进行训练，在训练过程中不断调试模型的训练数据、验证数据和测试数据的比例，隐含层神经元和延迟值的个数，使模型满足误差在置信区间的要求；具体过程如下：
S5.1模型交叉验证，在模型中选择训练数据、验证数据和测试数据的百分比，这个百分比是可自己根据模型训练结果的好坏进行调节的。经过多次的调试，本实施例中选择训练数据的百分比为70％，验证数据为15％，测试数据为15％。
S5.2调整模型结构，根据以往使用神经网络经验值，设置神经网络神经元个数为10个。
S5.3根据实际情况选择训练算法，进行神经网络训练，根据得到的结果，R值越接近1，其训练的效果比较好，如果结果不满意，不断调整训练数据、验证数据、测试数据和隐藏神经元个数等参数再进行训练，最终得到满意的结果。
S6：利用matlab中的的神经网络仿真函数，用监测点实测水深数据对己经建好的BP神经网络模型进行仿真，得到一组自动率定参数，将参数待入已建模型，SWMM模型采用霍顿下渗模型、运动波方式进行模拟，模拟时间设置为6h。在模型中输入2017年7月8日实测降雨径流数据进行降雨径流模拟。选择运行得到模拟结果和实测水深进行对比验证(参见图4)，采用Nash-Sutcliffe效率系数(NASH-SUTCLIFFE效率系数)作为参数率定结果的评判标准，最终NASH-SUTCLIFFE效率系数大于0.85，表明率定成功有效。
图3为上述具体实施案例中，BP神经网络模型误差图(S5最终神经网络训练模型成功)，从该图中可以看出回归系数R值大于0.95，接近于1，表示神经网络训练结果较好，满足模型需求。
图4为本发明具体实施案例中，将率定后参数写入模型所得模拟结果监测点模拟水深和实测水深对比图。从该图中可以看出本方法的自动率定效果比人工率定效果更加精确，通过自动率定参数后的SWMM模型模拟结果比人工率定参数的模型模拟结果更接近于实际情况，NASH-SUTCLIFFE效率系数更接近于1。
故从上述过程可以看到，本方法应用时，首先基于pycharm平台，采用python编程语言，开发具有SWMM参数组批量导入功能，SWMM运行结果批量导出功能的程序；接着使用VS2010平台将SWMM源码编译成dll文件(动态链接库)，并使用matlab直接编译dll文件，实现直接在matlab上模拟计算得出模拟结果；最后使用matlab中神经网络工具箱的BP神经网络进行训练验证和模拟仿真得到待率定参数组。故本发明克服了人工试错法参数率定主观因素的影响，并且相对于遗传算法参数率定步骤更为简单快捷，能够更精确、有效、快捷的完成参数率定过程，且NASH-SUTCLIFFE效率系数大于0.85。

Claims (8)

1.一种基于BP神经网络的SWMM模型参数自率定方法，其特征在于，包括以下步骤：
S1：根据SWMM模型建模的基本要求，获取研究区域建模所需的基本数据，输入数据并建立降雨径流模型；
S2：确定待率定参数组和取值范围，同时抽样生成参数取值序列；
S3：使用python程序编程将参数序列导入SWMM模型中，并驱动运行，得出模拟结果；
S4:使用python程序提取出模拟结果，即监测点水深数据作为输入变量，S2中的参数取值序列作为目标变量，以这两种数据作为BP神经网络训练样本；
S5:建立BP神经网络，使用S4中监测点水深数据和参数取值序列作为BP神经网络的输入变量和目标变量进行训练优化，在训练过程中不断调试模型的训练数据、验证数据和测试数据的比例，隐含层神经元和延迟值的个数，使模型满足误差在置信区间的要求；
S6：选取监测点实测水深数据输入S5中训练的网络，利用matlab中的神经网络仿真函数进行仿真，得到自动率定参数，实现参数自率定；
S2步骤中，确定待率定参数组包括：参数渗透性粗糙系数、不渗透性粗糙系数、渗透性洼地蓄水、不渗透性洼地蓄水、无洼地蓄水不渗透性、最大入渗率、最小入渗率和衰减系数8个；并根据SWMM模型手册确定其取值范围；
S5步骤中，具体训练过程包括以下步骤：
S5.1 模型交叉验证，在模型中选择训练数据、验证数据和测试数据的百分比，再根据模型训练结果的好坏对百分比进行调节；
S5.2 调整模型结构，根据以往使用神经网络经验值对神经网络神经元个数进行设置；
S5.3进行神经网络训练，获得训练结果判断是否满足要求，使模型满足误差在置信区间的要求。
2.根据权利要求1所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于：S2步骤中，使用拉丁超立方抽样得到1000组参数构成参数取值序列。
3.根据权利要求1所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于：S3步骤中，可通过matlab调用SWMM计算引擎驱动模拟，得出模拟结果。
4.根据权利要求1所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于：S4步骤中，使用python程序提取出模拟结果后组成矩阵形式1000×239作为输入变量a，S2中的参数取值序列组成矩阵形式1000×8作为目标变量b。
5.根据权利要求1所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于：S5.2步骤中，设置神经网络神经元个数为10个。
6.根据权利要求1所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于：S5.3步骤中，判断原则是，回归系数R值大于0.95，表示满足要求，如果结果不符合预期，继续调整训练数据、验证数据、测试数据和隐藏神经元个数等参数再进行训练，最终得到满足要求的结果，使模型满足误差在置信区间的要求。
7.根据权利要求1所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于，上述S6步骤上，得到自动率定参数后，将参数带入已建模型，运行得到模拟结果和实测水深进行对比验证，采用Nash-Sutcliffe效率系数作为参数率定结果的评判标准，最终NASH-SUTCLIFFE效率系数大于预设值判定率定成功。
8.根据权利要求7所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于，NASH-SUTCLIFFE效率系数的预设值为0.85。
CN201911231984.3A 2019-12-05 2019-12-05 一种基于bp神经网络的swmm模型参数自率定方法 Active CN110909485B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911231984.3A CN110909485B (zh) 2019-12-05 2019-12-05 一种基于bp神经网络的swmm模型参数自率定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911231984.3A CN110909485B (zh) 2019-12-05 2019-12-05 一种基于bp神经网络的swmm模型参数自率定方法

Publications (2)

Publication Number Publication Date
CN110909485A CN110909485A (zh) 2020-03-24
CN110909485B true CN110909485B (zh) 2022-04-12

Family

ID=69822421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911231984.3A Active CN110909485B (zh) 2019-12-05 2019-12-05 一种基于bp神经网络的swmm模型参数自率定方法

Country Status (1)

Country Link
CN (1) CN110909485B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112112240A (zh) * 2020-07-30 2020-12-22 同济大学 一种城市河网防涝优化调度方法
CN112131989B (zh) * 2020-09-15 2021-07-23 河海大学 一种基于空间降雨数据的毫米波测雨模型参数获取方法
CN112699611A (zh) * 2020-12-31 2021-04-23 哈尔滨工业大学 一种基于人工蚁群算法的排水管网模型参数寻优方法
CN113111590A (zh) * 2021-04-28 2021-07-13 郑州大学 一种基于人工神经网络的城市洪涝模型径流敏感参数识别方法
CN113835357B (zh) * 2021-07-23 2023-12-22 中国市政工程华北设计研究总院有限公司 一种与排水管网机理模型水量水质动态耦合的方法
CN113836710A (zh) * 2021-09-15 2021-12-24 西安理工大学 一种排水管网外水入侵的快速追踪方法
CN116484688B (zh) * 2023-04-26 2023-10-13 中国水利水电科学研究院 一种城市内涝数值实验方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389469A (zh) * 2015-11-09 2016-03-09 中山大学 一种暴雨洪水管理模型参数自动率定方法
CN108647778A (zh) * 2018-05-09 2018-10-12 天津大学 一种城市雨水系统排水口排水流量的动态预测方法
CN108875161A (zh) * 2018-05-31 2018-11-23 长江勘测规划设计研究有限责任公司 基于卷积神经网络深度学习的流量等级预测方法
CN109978235A (zh) * 2019-03-04 2019-07-05 宁波市气象服务中心 一种基于样本学习的积涝水位预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050273300A1 (en) * 2003-09-29 2005-12-08 Patwardhan Avinash S Method and system for water flow analysis
US20180017710A1 (en) * 2016-07-18 2018-01-18 2NDNATURE Software Inc. Systems and Methods for Event-based Modeling of Runoff and Pollutant Benefits of Sustainable Stormwater Management

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389469A (zh) * 2015-11-09 2016-03-09 中山大学 一种暴雨洪水管理模型参数自动率定方法
CN108647778A (zh) * 2018-05-09 2018-10-12 天津大学 一种城市雨水系统排水口排水流量的动态预测方法
CN108875161A (zh) * 2018-05-31 2018-11-23 长江勘测规划设计研究有限责任公司 基于卷积神经网络深度学习的流量等级预测方法
CN109978235A (zh) * 2019-03-04 2019-07-05 宁波市气象服务中心 一种基于样本学习的积涝水位预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Automatic calibration of SWMM model with adaptive genetic algorithm;Xi Jin等;《2011 International Symposium on Water Resource and Environmental Protection》;20110616;891-895 *
基于生态水文响应的海绵城市不透水面控制指标;陈垚等;《中国给水排水》;20180801;第34卷(第15期);116-121 *
降雨径流模拟神经网络模型及应用;包红军等;《西安建筑科技大学学报(自然科学版)》;20091015;第41卷(第5期);719-722 *

Also Published As

Publication number Publication date
CN110909485A (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
CN110909485B (zh) 一种基于bp神经网络的swmm模型参数自率定方法
CN107091911B (zh) 一种河流水质预测方法
CN109376925B (zh) 供水管网节点流量动态自适应优化方法
CN112101693B (zh) 基于正交分析的现状城区河道水质达标分析方法
CN109559098B (zh) 一种海绵城市试点区低影响开发设施模拟方法
CN110287615B (zh) 基于遥感解译和降雨实验的雨水径流污染负荷测算方法
CN108647778B (zh) 一种城市雨水系统排水口排水流量的动态预测方法
CN112417657B (zh) 基于不同下垫面污染物贡献率的海绵城市优化设计方法
CN110889160A (zh) 一种基于bim技术的市政管道施工方法
CN113701060B (zh) 一种基于排水模型的城市排水管网智能诊断方法
CN111062125B (zh) 海绵型综合管廊水文效应评估方法
CN106897516B (zh) 城市地下排水管网改造及改造评价方法
CN114548680B (zh) 城市暴雨洪水管理模型参数自动率定方法及系统
CN114418446A (zh) 水资源短缺的定量评估方法
CN115689051A (zh) 一种基于GA算法耦合Morris和GLUE的SWMM模型参数自动率定方法
CN106874575B (zh) 一种基于epr进化多项式回归的管网漏失预测模型的建立方法
CN114936505A (zh) 一种城市雨水井多点位水深快速预报的方法
CN111914487B (zh) 一种基于对抗神经网络的无资料地区水文参数率定方法
CN117648878A (zh) 一种基于1d-cnn算法的洪水快速演进及淹没模拟方法
CN111353718A (zh) 基于swmm与efdc的湿地、补水工程环境效应评估方法及装置
Jin et al. Integration of an improved transformer with physical models for the spatiotemporal simulation of urban flooding depths
CN116164241A (zh) 一种瓦斯抽采管网泄漏故障智能检测方法
CN114818211A (zh) 一种基于mike+构建污水收集系统量化模拟技术方法
CN111563332B (zh) 基于夜间调压实测的城镇供水管网漏失定位方法
CN110633532B (zh) 一种swmm模型参数的高精度率定方法

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