CN112182834B - 基于群集智能的多沙河道水沙模型参数自适应率定方法 - Google Patents
基于群集智能的多沙河道水沙模型参数自适应率定方法 Download PDFInfo
- Publication number
- CN112182834B CN112182834B CN202010778826.6A CN202010778826A CN112182834B CN 112182834 B CN112182834 B CN 112182834B CN 202010778826 A CN202010778826 A CN 202010778826A CN 112182834 B CN112182834 B CN 112182834B
- Authority
- CN
- China
- Prior art keywords
- sand
- value
- water
- river
- representing
- 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
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于群集智能的多沙河道水沙模型参数自适应率定方法,步骤一、设定河道水位、含沙量的模拟值和实测值的相对误差之和的最小值为目标函数,设定目标函数的对应解;步骤二、生成初始种群,步骤三、构建多沙河道水沙耦合数值模型,计算目标函数值;步骤四、利用Lévy飞行原理更新鸟窝位置;步骤五、更新当前最优函数值并记录;步骤六、随机更新鸟窝位置;步骤七、判断是否结束迭代,输出最优鸟窝位置;步骤八、根据最优鸟窝位置获取最优水沙参数值,并且结合多沙河道水沙耦合模型开展多沙河道水沙智能预报。本发明不仅有效解决了水沙参数率定复杂的问题,提高了模型率定和使用效率;同时提高了多沙河道洪水预测预报的精确度。
Description
技术领域
本发明涉及群集智能算法、应急防灾领域的计算机仿真技术,具体涉及一种水沙模型参数自适应率定方法。
背景技术
水沙预报模型是模拟预测水流泥沙过程的基础技术手段,也是减少水沙灾害的重要非工程措施之一。河道水沙预报模型在防洪规划、防汛减灾、水利工程建设等领域都有广泛的应用,对保障人民的生命财产安全和降低洪水灾害损失具有一定的现实意义。
目前,在构建河道水沙预报模型时,模型中一些参数如糙率、悬沙沉速、悬沙扩散系数和悬移质泥沙恢复系数等,常常通过试错法来确定,即先假定参数,再进行水沙模拟计算,然后根据计算结果与实测值的差异程度判断是否需要修改参数。如果参数满足要求,则停止计算,否则修改参数重新进行计算,直到满足相关标准。试错法要求有一定的建模经验,而且当建模范围较大时,试错法工作量将十分巨大。此外,即使通过水沙预报模型的验证,也很难保证率定下的水沙参数是全局最优。
近年来,随着人工智能技术的不断发展,许多先进的智能优化算法应用于求解洪水模型背景下的各类优化问题,并取得了较好的效果。群集智能模型是人工智能技术应用于求解优化问题具代表性的一类方法,其主要特点可归纳为“个体简单,群体协作”,通常能够在显著低于常规计算方法所需的时间内完成问题的求解,具有规则简单,通用性强,性能良好等特点。本发明就是一种基于群集智能算法的多沙河道水沙模型参数自适应率定方法。
发明内容
针对现有河道水沙预报模型存在的水沙参数率定过程复杂、模型调试时间较长、预报精度偏低的问题,本发明提出了一种新型水沙模型参数自适应率定方法,将布谷鸟智能寻优算法与河道水沙耦合模型结合,实现水沙参数自适应智能率定。
本发明的一种基于群集智能的多沙河道水沙模型参数自适应率定方法,该方法包括以下步骤:
步骤一、设定河道水位、含沙量的模拟值和实测值的相对误差之和的最小值为目标函数F(X),首先将河道水位值和断面含沙量进行归一化处理,设定河道水位、含沙量的模拟值和实测值的相对误差之和的最小值为目标函数,设定河道糙率、悬移质泥沙恢复系数、悬沙扩散系数和悬沙沉速为目标函数的对应解X=(n1,n2,···,ni,α,Dx,ωf)T;
步骤二、生成初始种群,即在河道水沙参数取值范围内,随机产生i组初始解即鸟窝位置Xi(i=1,2,…,i),即确定初始河道断面糙率值、初始悬沙沉速值、初始悬沙扩散系数值和初始悬移质泥沙恢复系数值,并设置种群规模、搜索空间维数、最大发现概率 Pa和最大迭代次数;所述水沙参数为河道糙率、悬移质泥沙恢复系数、悬沙扩散系数和悬沙沉速,其中,各个断面取不同的糙率值,同一河道取一固定悬移质泥沙恢复系数、悬沙扩散系数和悬沙沉速;
步骤三、计算目标函数值,即构建多沙河道水沙耦合数值模型,模拟河道水动力过程和泥沙输移过程,该模型考虑高含沙量及床面冲淤对洪水演进的影响并且利用河道实测水沙数据完成构建;多沙河道水沙耦合数值模型的表达式如下:
①水动力模块
一维水动力模块基本方程包括连续性方程和动量方程:
连续性方程
动量方程
式中,Q表示流量,A表示断面面积,Ad表示不过流断面面积,q1at表示旁侧入流, t表示时间步长,x表示空间步长,g表示重力加速度,β表示流速分布系数,Z表示水面高程,Sf表示能量损失;
②泥沙模块
泥沙对流~扩散方程,方程中具有参数:c表示断面平均含沙量,A表示断面面积,ε表示泥沙相对沉速,Q表示流量,Dx表示悬沙扩散系数,G表示侵蚀或淤积项;
G=(Ve-εVdc)W (3)
式中,ε表示泥沙运动速度,Ve、Vd分别表示侵蚀或淤积流速,c表示断面平均含沙量,W表示断面宽度;
ε=max(εbed-εsus) (4)
式中,u*表示剪切流速,U表示断面平均流速,φ=min(20,θ/θc),θ和θr分别表示Shields数和临界Shields数,z=min(1,ωf/ku*),ωf表示悬沙沉速,k表示Karman 常数;
式中,Ltot表示泥沙输运自适应长度系数,表示输沙能力,利用输沙能力公式计算得到,W表示断面宽度,Q表示流量,Lb表示推移质泥沙输运自适应长度系数,α表示为悬移质泥沙恢复系数,fs表示悬移质泥沙比例系数;
利用水沙数值模型计算每个鸟窝位置的目标函数值,表达式为:
式中:ni表示第i个河道断面的糙率,α表示悬移质泥沙恢复系数,Dx表示悬沙扩散系数,ωf表示悬沙沉速,T表示河道断面数,表示归一化的第t时刻实际水位值, Ht′表示第t时刻的实际水位值,H′max表示最大实测水位值,H′min表示最小实测水位值, Ht表示第t时刻的模拟水位值,Hmax表示最大模拟水位值,Hmin表示最小模拟水位值,表示归一化的第t时刻实际断面含沙量,Ct′表示第t时刻的实际断面含沙量,C′max表示最大实测断面含沙量,C′min表示最小实测断面含沙量,Ct表示第t时段的模拟断面含沙量,Cmax表示最大模拟断面含沙量,Cmin表示最小模拟断面含沙量;
步骤四、利用Lévy飞行原理更新鸟窝位置,即:保留上一代最优鸟窝位置,利用 Lévy飞行原理对其他鸟窝位置进行更新,所述鸟窝位置更新公式如下:
L(λ)~u=t-λ,1<λ≤3 (16)
步骤五、更新当前最优函数值并记录,即将现有鸟窝位置的目标函数值与上一代最优目标函数值进行比较,若当前目标函数值优于之前所有目标函数值,则更新记录当前最优目标函数值;
步骤六、随机更新鸟窝位置,即产生服从均匀分布的随机数R∈(0,1),与布谷鸟鸟蛋被巢主鸟发现的概率Pa对比,若R>Pa,则对xi进行随机改变,R≤Pa时不变;其中,布谷鸟鸟蛋被巢主鸟发现的概率Pa可取0.3;
步骤七、判断是否结束迭代,即如果达到最大迭代次数或满足搜索精度要求,输出最优鸟窝位置,即水沙数值模型的最优水沙参数值,否则转至步骤三继续迭代;
步骤八、根据最优鸟窝位置获取最优水沙参数值,并且结合多沙河道水沙耦合模型开展多沙河道水沙智能预报。
与现有技术相比,本发明结合了布谷鸟智能寻优算法与河道水沙耦合模型的优势,不仅有效解决了水沙参数率定复杂的问题,与常规水沙数值模型相比显著地缩短了模型调试时间,简化水沙参数率定过程,提高了模型率定和使用效率;而且减小了因水沙参数设置产生的误差,提高了多沙河道洪水预测预报的精确度。本发明可应用于部分水沙资料缺失的多沙河道水沙模型水沙参数率定。
附图说明
图1为本发明的基于群集智能的多沙河道水沙模型参数自适应率定方法整体流程图。
具体实施方式
以下结合附图,对本发明的技术方案进行详细说明。
群集智能算法是人工智能技术应用于求解优化问题具代表性方法,布谷鸟算法是在群集智能算法基础上提出的一种新型搜索算法。布谷鸟算法的思想是基于布谷鸟的巢寄生行为以及鸟类的Lévy飞行行为。该方法凭借其良好的搜索能力,在很多优化问题中得到了应用。
如图1所示,为本发明的基于群集智能的多沙河道水沙模型参数自适应率定方法整体流程图。该流程具体包括以下的步骤:
步骤一、设定河道水位、含沙量的模拟值和实测值的相对误差之和的最小值为目标函数F(X),首先将河道水位值和断面含沙量进行归一化处理,设定河道水位、含沙量的模拟值和实测值的相对误差之和的最小值为目标函数,设定河道糙率、悬移质泥沙恢复系数、悬沙扩散系数和悬沙沉速为目标函数的对应解X=(n1,n2,···,ni,α,Dx,ωf)T;
步骤二、生成初始种群,即在河道水沙参数取值范围内,随机产生i组初始解即鸟窝位置Xi(i=1,2,…,i),即确定初始河道断面糙率值、初始悬沙沉速值、初始悬沙扩散系数值和初始悬移质泥沙恢复系数值,其中鸟窝位置组数i可取10,并设置种群规模、搜索空间维数、最大发现概率Pa和最大迭代次数等参数;所述水沙参数为河道糙率、悬移质泥沙恢复系数、悬沙扩散系数和悬沙沉速,其中,各个断面取不同的糙率值,同一河道取一固定悬移质泥沙恢复系数、悬沙扩散系数和悬沙沉速;
步骤三、计算目标函数值,即构建多沙河道水沙耦合数值模型,模拟河道水动力过程和泥沙输移过程,该模型考虑高含沙量及床面冲淤对洪水演进的影响并且利用河道实测水沙数据完成构建;多沙河道水沙耦合数值模型的表达式如下:
①水动力模块
一维水动力模块基本方程包括连续性方程和动量方程。
连续性方程
动量方程
式中,Q表示流量,A表示断面面积,Ad表示不过流断面面积,q1at表示旁侧入流, t表示时间步长,x表示空间步长,g表示重力加速度,β表示流速分布系数,Z表示水面高程,Sf表示能量损失。
②泥沙模块
泥沙对流~扩散方程,方程中具有参数:c表示断面平均含沙量,A表示断面面积,ε表示泥沙相对沉速,Q表示流量,Dx表示悬沙扩散系数,G表示侵蚀或淤积项。
G=(Ve-εVdc)W (3)
式中,ε表示泥沙运动速度,Ve、Vd分别表示侵蚀或淤积流速,c表示断面平均含沙量,W表示断面宽度。
ε=max(εbed-εsus) (4)
式中,u*表示剪切流速,U表示断面平均流速,φ=min(20,θ/θc),θ和θc分别表示Shields数和临界Shields数,z=min(1,ωf/ku*),ωf表示悬沙沉速,k表示Karman 常数。
式中,Ltot表示泥沙输运自适应长度系数,表示输沙能力,利用输沙能力公式计算得到,W表示断面宽度,Q表示流量,Lb表示推移质泥沙输运自适应长度系数,α表示为悬移质泥沙恢复系数,fs表示悬移质泥沙比例系数;
利用水沙数值模型计算每个鸟窝位置的目标函数值,表达式为:
式中:ni表示第i个河道断面的糙率,α表示悬移质泥沙恢复系数,Dx表示悬沙扩散系数,ωf表示悬沙沉速,T表示河道断面数,表示归一化的第t时刻实际水位值, Ht′表示第t时刻的实际水位值,H′max表示最大实测水位值,H′min表示最小实测水位值, Ht表示第t时刻的模拟水位值,Hmax表示最大模拟水位值,Hmin表示最小模拟水位值,表示归一化的第t时刻实际断面含沙量,Ct′表示第t时刻的实际断面含沙量,C′max表示最大实测断面含沙量,C′min表示最小实测断面含沙量,Ct表示第t时段的模拟断面含沙量,Cmax表示最大模拟断面含沙量,Cmin表示最小模拟断面含沙量;
步骤四、利用Lévy飞行原理更新鸟窝位置,即:保留上一代最优鸟窝位置,利用 Lévy飞行原理对其他鸟窝位置进行更新,所述鸟窝位置更新公式如下:
L(λ)~u=t-λ,1<λ≤3 (16)
步骤五、更新当前最优函数值并记录,即将现有鸟窝位置的目标函数值与上一代最优目标函数值进行比较,若当前目标函数值优于之前所有目标函数值,则更新记录当前最优目标函数值;
步骤六、随机更新鸟窝位置,即产生服从均匀分布的随机数R∈(0,1),与布谷鸟鸟蛋被巢主鸟发现的概率Pa对比,若R>Pa,则对xi进行随机改变,R≤Pa时不变;其中,布谷鸟鸟蛋被巢主鸟发现的概率Pa可取0.3;
步骤七、判断是否结束迭代,即如果达到最大迭代次数或满足搜索精度要求,输出最优鸟窝位置,即水沙数值模型的最优水沙参数值,否则转至步骤三继续迭代;
步骤八、根据最优鸟窝位置,获取最优水沙参数值,并且结合多沙河道水沙耦合模型开展多沙河道水沙智能预报。
关于多沙河道水沙智能预报:建立多沙河道水沙智能预报模型,利用布谷鸟算法优化后的最优水沙参数值,设置预报模型的断面糙率、悬移质泥沙恢复系数、悬沙扩散系数和悬沙沉速,模型上游控制边界条件是典型断面的洪水流量过程和输沙量过程,模型下游控制边界条件是典型断面的断面水位~流量关系。根据所建多沙河道水沙智能预报模型,考虑泥沙冲淤对洪水演进的影响,利用上游控制边界条件的洪水流量过程和含沙量过程,预报各断面水位、流量、输沙量和断面冲淤量等水力信息。
以上所述仅是本发明的优选实施方式,应当指出,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本发明的保护范围。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (1)
1.一种基于群集智能的多沙河道水沙模型参数自适应率定方法,其特征在于,该方法包括以下步骤:
步骤一、设定河道水位、含沙量的模拟值和实测值的相对误差之和的最小值为目标函数F(X),首先将河道水位值和断面含沙量进行归一化处理,设定河道水位、含沙量的模拟值和实测值的相对误差之和的最小值为目标函数,设定河道糙率、悬移质泥沙恢复系数、悬沙扩散系数和悬沙沉速为目标函数的对应解X=(n1,n2,···,ni,α,Dx,ωf)T;
步骤二、生成初始种群,即在河道水沙参数取值范围内,随机产生i组初始解即鸟窝位置Xi(i=1,2,…,i),即确定初始河道断面糙率值、初始悬沙沉速值、初始悬沙扩散系数值和初始悬移质泥沙恢复系数值,并设置种群规模、搜索空间维数、最大发现概率Pa和最大迭代次数;所述水沙参数为河道糙率、悬移质泥沙恢复系数、悬沙扩散系数和悬沙沉速,其中,各个断面取不同的糙率值,同一河道取一固定悬移质泥沙恢复系数、悬沙扩散系数和悬沙沉速;
步骤三、计算目标函数值,即构建多沙河道水沙耦合数值模型,模拟河道水动力过程和泥沙输移过程,该模型考虑高含沙量及床面冲淤对洪水演进的影响并且利用河道实测水沙数据完成构建;多沙河道水沙耦合数值模型的表达式如下:
①水动力模块
一维水动力模块基本方程包括连续性方程和动量方程:
连续性方程
动量方程
式中,Q表示流量,A表示断面面积,Ad表示不过流断面面积,q1at表示旁侧入流,t表示时间步长,x表示空间步长,g表示重力加速度,β表示流速分布系数,Z表示水面高程,Sf表示能量损失;
②泥沙模块
泥沙对流~扩散方程,方程中具有参数:c表示断面平均含沙量,A表示断面面积,ε表示泥沙相对沉速,Q表示流量,Dx表示悬沙扩散系数,G表示侵蚀或淤积项;
G=(Ve-εVdc)W (3)
式中,ε表示泥沙运动速度,Ve、Vd分别表示侵蚀或淤积流速,c表示断面平均含沙量,W表示断面宽度;
ε=max(εbed-εsus) (4)
式中,u*表示剪切流速,U表示断面平均流速,φ=min(20,θ/θc),θ和θr分别表示Shields数和临界Shields数,z=min(1,ωf/ku*),ωf表示悬沙沉速,k表示Karman常数;
式中,Ltot表示泥沙输运自适应长度系数,表示输沙能力,利用输沙能力公式计算得到,W表示断面宽度,Q表示流量,Lb表示推移质泥沙输运自适应长度系数,α表示为悬移质泥沙恢复系数,fs表示悬移质泥沙比例系数;
利用水沙数值模型计算每个鸟窝位置的目标函数值,表达式为:
式中:ni表示第i个河道断面的糙率,α表示悬移质泥沙恢复系数,Dx表示悬沙扩散系数,ωf表示悬沙沉速,T表示河道断面数,表示归一化的第t时刻实际水位值,Ht′表示第t时刻的实际水位值,H′max表示最大实测水位值,H′min表示最小实测水位值,Ht表示第t时刻的模拟水位值,Hmax表示最大模拟水位值,Hmin表示最小模拟水位值,表示归一化的第t时刻实际断面含沙量,Ct′表示第t时刻的实际断面含沙量,C′max表示最大实测断面含沙量,C′min表示最小实测断面含沙量,Ct表示第t时段的模拟断面含沙量,Cmax表示最大模拟断面含沙量,Cmin表示最小模拟断面含沙量;
步骤四、利用Lévy飞行原理更新鸟窝位置,即:保留上一代最优鸟窝位置,利用Lévy飞行原理对其他鸟窝位置进行更新,所述鸟窝位置更新公式如下:
L(λ)~u=t-λ,1<λ≤3 (16)
步骤五、更新当前最优函数值并记录,即将现有鸟窝位置的目标函数值与上一代最优目标函数值进行比较,若当前目标函数值优于之前所有目标函数值,则更新记录当前最优目标函数值;
步骤六、随机更新鸟窝位置,即产生服从均匀分布的随机数R∈(0,1),与布谷鸟鸟蛋被巢主鸟发现的概率Pa对比,若R>Pa,则对xi进行随机改变,R≤Pa时不变;其中,布谷鸟鸟蛋被巢主鸟发现的概率Pa可取0.3;
步骤七、判断是否结束迭代,即如果达到最大迭代次数或满足搜索精度要求,输出最优鸟窝位置,即水沙数值模型的最优水沙参数值,否则转至步骤三继续迭代;
步骤八、根据最优鸟窝位置获取最优水沙参数值,并且结合多沙河道水沙耦合模型开展多沙河道水沙智能预报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010778826.6A CN112182834B (zh) | 2020-08-05 | 2020-08-05 | 基于群集智能的多沙河道水沙模型参数自适应率定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010778826.6A CN112182834B (zh) | 2020-08-05 | 2020-08-05 | 基于群集智能的多沙河道水沙模型参数自适应率定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112182834A CN112182834A (zh) | 2021-01-05 |
CN112182834B true CN112182834B (zh) | 2021-08-13 |
Family
ID=73919932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010778826.6A Active CN112182834B (zh) | 2020-08-05 | 2020-08-05 | 基于群集智能的多沙河道水沙模型参数自适应率定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182834B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818320B (zh) * | 2022-04-25 | 2022-11-08 | 珠江水利委员会珠江水利科学研究院 | 一种巨型河网水动力数学模型率定方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682317A (zh) * | 2016-12-29 | 2017-05-17 | 武汉大学 | 上下游边界共同控制下河段平滩流量预测模型的构建方法 |
CN108256177A (zh) * | 2017-12-28 | 2018-07-06 | 中国水利水电科学研究院 | 一种河流水沙模型的参数优化方法和系统 |
CN111159896A (zh) * | 2019-12-30 | 2020-05-15 | 天津大学 | 基于萤火虫算法的误差自适应修正河道水流计算方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10685086B2 (en) * | 2015-09-15 | 2020-06-16 | Conocophillips Company | Avoiding water breakthrough in unconsolidated sands |
CN108563837B (zh) * | 2018-03-21 | 2021-02-02 | 中国水利水电科学研究院 | 一种冲积河流水沙模型的模型参数实时校正方法和系统 |
CN110765418B (zh) * | 2019-10-09 | 2021-07-20 | 清华大学 | 一种流域水沙研究模型的智能集合评估方法和系统 |
-
2020
- 2020-08-05 CN CN202010778826.6A patent/CN112182834B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682317A (zh) * | 2016-12-29 | 2017-05-17 | 武汉大学 | 上下游边界共同控制下河段平滩流量预测模型的构建方法 |
CN108256177A (zh) * | 2017-12-28 | 2018-07-06 | 中国水利水电科学研究院 | 一种河流水沙模型的参数优化方法和系统 |
CN111159896A (zh) * | 2019-12-30 | 2020-05-15 | 天津大学 | 基于萤火虫算法的误差自适应修正河道水流计算方法 |
Non-Patent Citations (2)
Title |
---|
A Study of the Water and Sediment Transport Laws and Equilibrium Stability of Fluvial Facies in the Ningxia Section of the Yellow River under Variable Conditions;Ximin Yuan等;《SUSTAINABILITY》;20200219;第12卷(第4期);1-19 * |
水流泥沙数学模型的数据同化与参数反演;赖瑞勋;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20160715(第7期);C037-4 * |
Also Published As
Publication number | Publication date |
---|---|
CN112182834A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bateni et al. | Neural network and neuro-fuzzy assessments for scour depth around bridge piers | |
Yitian et al. | Modeling flow and sediment transport in a river system using an artificial neural network | |
CN108256177A (zh) | 一种河流水沙模型的参数优化方法和系统 | |
CN108805350B (zh) | 基于多维蒙特卡洛理论的搜救范围预测方法 | |
CN111241758B (zh) | 基于可溶性污染物在水环境中输移扩散模型的评估方法 | |
Thirumalainambi et al. | Training data requirement for a neural network to predict aerodynamic coefficients | |
CN110164129B (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
CN109711617A (zh) | 一种基于blstm深度学习的中长期径流预测方法 | |
CN112182834B (zh) | 基于群集智能的多沙河道水沙模型参数自适应率定方法 | |
CN112700326A (zh) | 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 | |
Rezaei et al. | A comparative study of artificial intelligence models for predicting monthly river suspended sediment load | |
Vaghefi et al. | Application of artificial neural networks to predict flow velocity in a 180 sharp bend with and without a spur dike | |
Fuladipanah et al. | Quantitative forecasting of bed sediment load in river engineering: an investigation into machine learning methodologies for complex phenomena | |
Roushangar et al. | Novel application of robust GWO-KELM model in predicting discharge coefficient of radial gates: a field data-based analysis | |
Marulasiddappa et al. | Prediction of scour depth around bridge abutments using ensemble machine learning models | |
CN115526120A (zh) | 一种泥沙模型参数优化、泥沙输移过程模拟方法及装置 | |
Shaukat et al. | Sediment load forecasting of Gobindsagar reservoir using machine learning techniques | |
Liu et al. | Determination of the optimal training principle and input variables in artificial neural network model for the biweekly chlorophyll-a prediction: a case study of the Yuqiao reservoir, China | |
CN113343601A (zh) | 一种复杂水系湖泊水位和污染物迁移的动态模拟方法 | |
Shahane et al. | Sensitivity analysis of lift and drag coefficients for flow over elliptical cylinders of arbitrary aspect ratio and angle of attack using neural network | |
Kumar et al. | Incipient motion design of sand bed channels affected by bed suction | |
Ou et al. | Simulating Multiple Land Use Changes by Incorporating Deep Belief Network into Cellular Automata: A Case Study in BEIJING-TIANJINHEBEI Region, China | |
Kesemen et al. | Fuzzy c-Means Directional Clustering (FCMDC) algorithm using trigonometric approximation | |
Rozlach | Data-driven Modelling in River Channel Evolution Rese Artificial Neural Networks Applications | |
Yılmaz et al. | RECURRENT NEURAL NETWORKS FOR PEAK FLOW ESTIMATION. |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Yuan Ximin Inventor after: Chen Longji Inventor after: Zeng Yonghong Inventor after: Cao Lugan Inventor before: Yuan Ximin Inventor before: Zeng Yonghong Inventor before: Cao Lugan |
|
GR01 | Patent grant | ||
GR01 | Patent grant |