CN112418546B - 明渠闸门前浮冰状态预测系统及其构建方法与应用 - Google Patents
明渠闸门前浮冰状态预测系统及其构建方法与应用 Download PDFInfo
- Publication number
- CN112418546B CN112418546B CN202011402513.7A CN202011402513A CN112418546B CN 112418546 B CN112418546 B CN 112418546B CN 202011402513 A CN202011402513 A CN 202011402513A CN 112418546 B CN112418546 B CN 112418546B
- Authority
- CN
- China
- Prior art keywords
- ice
- gate
- state
- open channel
- floating ice
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 103
- 238000012706 support-vector machine Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000009825 accumulation Methods 0.000 claims abstract description 25
- 239000005457 ice water Substances 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 61
- 239000011159 matrix material Substances 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 23
- 238000011144 upstream manufacturing Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000005514 two-phase flow Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 description 15
- 238000002474 experimental method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003139 buffering effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种明渠闸门前浮冰状态预测模型及其构建方法与应用,基于冰水两相水流中明渠闸门前浮冰监测数据,探索闸前冰堆积与输移数据的关系,建立基于支持向量机的输冰与堆积冰判别模型,实现对冰水两相水流中明渠平板闸门前冰堆积与输移状态的判别。本发明利用支持向量机根据闸门前冰水两相水流来流条件和边界条件获得闸门前浮冰堆积与输移状态的最优分类超平面,实现闸门前浮冰状态的准确预测,从而为明渠闸门前冰堆积与输移研究以及寒区水利工程提供有效数据支持。
Description
技术领域
本发明属于水利水电工程技术领域,涉及寒区水利,具体涉及寒区冰水两相水流中明渠闸门前浮冰状态判断。
背景技术
冬季冰凌的存在,增加了渠道水流的阻力,使渠道过水面积减小,将直接影响渠道输水能力。而隧洞、渡槽、倒虹吸和闸门等输水建筑物在调水渠道中较为常见,这些建筑物的防冻设计与冬季运行,是一大难题。特别是在渠道闸门的运用中,由于闸前复杂的水流特性以及冰凌的存在,使得其调度管理极为复杂,若不了解其特性,不仅会影响渠道输水效率,严重时还会导致输水安全事故。在流凌期冰凌随水流向下游行进过程中,当遇到障碍物时会发生堆积,尤其在桥墩、倒虹吸、闸门等水工建筑物附近,而堆积体会导致过水断面束窄,水流拥堵,严重者导致洪涝灾害,损坏水工建筑物,引发安全事故。
目前,基于冰水两相流理论对于冰堆积与输移的研究主要包括数值模型和统计模型的研究。数学模型的研究已经从一维发展到二维模型,模型中的参数需要根据原型观测或上下游水文站监测的数据进行率定,通常有些参数会无法得到校准。而物理模型的发展多是基于对物理机制的理解和认识为前提,而在明渠管道冰水两相流闸前,存在闸门、水流、冰凌和卷吸漩涡的相互影响,其作用机制比较复杂。
综上所述,明渠闸门前冰堆积与输移的研究对于寒区水利工程,具有十分重要的影响,其中,明渠闸门前浮冰状态的有效预测是较为关键的一环,在工程设计及运行管理中应充分考虑,有助于渠道输水安全管理、提高输水效率。
发明内容
本发明旨在提供一种冰水两相水流中明渠闸门前浮冰状态预测模型及其构建方法,基于冰水两相水流中明渠闸门前浮冰监测数据,探索闸前冰堆积与输移数据的关系,建立基于支持向量机模型的输冰与堆积冰判别模型,以实现对冰水两相水流中明渠平板闸门前冰堆积与输移状态的判别。
本发明的另一目的旨在提供上述预测模型在冰水两相水流中明渠闸门前浮冰状态预测方面的应用。
本发明基于的支持向量机模型学习算法,其依据结构风险最小归纳原理,寻找不同样本间最大间隔的分类器,通过核函数映射寻找输入与输出之间隐函数关系。
本发明提出的冰水两相水流中明渠闸门前浮冰状态预测模型构建方法,主要包括以下步骤:
S1开展冰水两相水流闸前冰堆积与输移监测,获取用于表征浮冰状态的特征参数;
S2对获取的特征参数进行归一化处理;
S3对归一化处理后的特征参数进行主成分分析,将贡献率排名前二的主成分作为输入特征向量;具体包括以下分步骤:
S31基于归一化后的特征参数,构建特征参数矩阵;
S32 获取特征参数矩阵的协方差矩阵;
S33 获取协方差矩阵的特征根及与特征根对应的特征向量;
S34 依据得到的特征向量,获取其对应的单位正交向量;
S35 将得到的单位正交向量与构建的特征参数矩阵相乘得到对应的主成分,并计算相应主成分的贡献率;
S36 以贡献率排名前二的主成分作为输入特征向量;
S4依据输入特征向量构建数据集,并将构建的数据集划分为训练集和验证集;
S5 基于构建的训练集和验证集,对不同核函数的支持向量机模型进行浮冰状态分类训练和测试;
S6 依据测试结果建立混淆矩阵,对不同核函数的分类性能进行评估,得到用于实现明渠闸门前浮冰状态分类的最优分类支持向量机模型。
上述模型构建方法,步骤S1中,为了构建较好的分类模型,前期需要大量有标签(即确定浮冰状态类别)的数据进行训练和测试。对于实际寒区工程中,可以通过在给定时间段内,对冰水两相水流闸门前浮冰状态及相关特征参数进行监测得到。
当然也可以通过与实际寒区工程条件类似的物理模型实验,对闸门前浮冰状态进行监测,记录浮冰状态及相应的特征参数变化。所采用的实验装置及实验方法参见申请号为CN20191089323.1公开的“一种水流自由出流条件下闸前冰堆积于输移的实验装置及其实验方法”。通过所述物理模型实验,所获取的对于明渠闸门前冰水两相水流,所涉及的用于表征浮冰状态的特征参数包括闸门相对淹没水深(
H 1/
H,其中
H 1为闸门淹没水深,
H为闸门前总水深)、闸门相对开度比(
H/
e,其中,
e为闸门底部与明渠渠道底部之间的过水深度)、上游水流弗汝德数(
Fr 1)、闸门出口水流弗汝德数(
Fr 2)等。其中,上游水流弗汝德数和闸门出口水流弗汝德数计算公式分别如下:
(1);
(2);
式中,
V表示上游水流速度;
g为当地重力加速度,
V e 表示闸门出口水流速度。
以
n表示采集的样本个数,
m表示特征参数的个数,
x ij 表示第
i个样本的第
j个特征参数值,
i=1,2,…,
n,
j=1,2,…,
m。
上述模型构建方法,步骤S2中,对特征参数进行归一化的目的在于去除量纲的作用,提高浮冰状态预测的精度。本发明中,对于同一特征参数的样本数据按照以下公式(3)进行归一化处理:
(3);
式中,表示原始样本中第
i个样本的第
j个特征参数
,x max,j 表示原始样本中第
j个特征参数的最大值
,x min,j 是表示原始样本中第
j个特征参数的最小值。表示归一化后的第
i个样本的第
j个特征参数。
上述模型构建方法,由于明渠闸门前水流影响要素间存在相互作用,并且存在信息重叠,为了准确预测浮冰状态,本发明在浮冰状态监测数据基础上,结合主成分分析方法,对归一化后的特征参数进行融合处理。通过提取主要成分特征,剔除冗余信息,以确保后期模型分类准确率及分类效率。
上述步骤S31中,根据前面已经给出的各采集样本的归一化特征参数值,则由这些特征参数值构成特征参数矩阵为
X:
(4)。
上述步骤S32中,按照以下公式计算得到特征参数矩阵
X的协方差矩阵
C:
(5);
式中,
X T表示
X的转置。
上述步骤S33中,以
λ表示特征值,通过求解特征方程(
I表示单位矩阵),得到协方差矩阵的
m个非负特征值
λ k (
k=1,2,…,
m),并使其按大小顺序排列,即
λ 1﹥
λ 2﹥…﹥
λ m ≥0,然后对每个
λ k 解方程组,分别求出特征值对应的正交特征向量
μ k 。
上述步骤S34中,按照以下公式计算得到特征向量的单位正交向量,其中:
(6)。
上述步骤S35中,按照以下公式计算得到主成分:
(7);
Z k 表示第
k个主成分,因此主成分的个数最多
m个。
第
k主成分Zk对X的贡献率由以下公式计算得到:
(8);
上述步骤S36中,按照各主成分的贡献率,取排名前二的主成分作为支持向量机模型的输入特征向量。
上述模型构建方法,步骤S4中,依据输入特征向量及相应的标签构建数据集。
以作为第
i个样本,Z i =[Z i1 ,Z i2],,,
n表示数据集中样本个数。
y i 为Z i 对应的标签,浮冰在闸前堆积标注为“+1”,浮冰输移通过闸门标注为“-1”。
以数据集中的70%作为训练集,剩余30%作为验证集。
本发明采用支持向量机模型作为分类模型。模型训练的目的是为了在特征空间找到一个最优超平面可以将两个类别区分开,线性可分超平面可以用公式(9)描述:
(9);
式中:为
Z对应的权值向量,
b为位移项,决定了超平面与原点之间的距离,由此得到的分类决策函数如公式(10)所示:
(10);
式中,sign()表示符号函数。
该问题求解的拉格朗日函数可写成:
(11);
其中为拉格朗日算子,,
p为输入支持向量机模型的样本个数。
求解函数(11)得到和
b,并代入(10)得(12):
(12);
对于线性不可分情况,需引入核函数,核函数能够通过空间变换将低维空间映射到高维空间,使得样本线性可分,将核函数记为公式(13):
(13)
式中:,、表示映射到特征空间的内积等于它们在原始样本空间中通过函数计算的结果。其中核函数选择是影响分类准确度的关键,常用的核函数类型有线性核函数(Linear kernel function,LIN)如公式(14)所示、多项式核核函数(Polynomialkernel function,POL)如公式(15)所示、高斯径向基核函数(Radial basis kernel function,RBF)如公式(16)所示和Sigmoid核函数(Sigmoid kernel function,SIG)如公式(17)所示:
(14)
(15)
(16)
(17)
其中
Z i 和
Z h 表示不同的输入特征,
d为多项式的次数,取默认值3,
γ为高斯核带宽参数,tanh是双曲正切函数。
引入松弛变量和hinge损失函数如公式(18),拉格朗日函数修改成公式(19):
(18)
于是优化目标可以写为(19)
(19)
通过拉格朗日乘子法可得到拉格朗日函数:
(20);
其中,;为拉格朗日算子;
C为惩罚参数;分别对求导令导数等于0,可以得到该问题的解
(21)
将所得解代入公式(20),得到对偶问题
(22)
对引入损失函数的支持向量机模型,得到满足如下KKT条件要求的决策函数:
对于该问题的求解过程采用python编程语言的sklearn库进行求解。
步骤S5-S6的目的在于通过对不同核函数的支持向量机模型效果分类进行比较,来得到分类效果最佳的支持向量机模型。
步骤S5具体按照以下分步骤对不同核函数的支持向量机模型进行浮冰状态分类训练和测试:
S51 利用训练集对不同核函数的支持向量机模型进行浮冰状态分类训练;
S52 利用验证集对训练得到的不同核函数的支持向量机模型进行测试。
上述步骤S51中,采用网格搜索和5折交叉验证的方法对支持向量机模型进行训练。
本领域人均知,影响支持向量机模型性能的主要参数包括惩罚参数C或/和核半径
γ;其中,LIN核函数中的参数为C,POL核函数中的参数为C和
γ,RBF核函数中的参数为C和
γ,Sig核函数中的参数为C和
γ。本发明中,利用常规的网格搜索确定模型参数,并利用5折-交叉验证的法对支持向量机模型进行训练,来寻找上述四种核函数(RBF、SIG、POL和LIN)的最佳参数,具体操作过程可以参见文献(周志华. Machine Learning[M]. BeiJing:清华大学出版社, 2017.)。
其中,5折-交叉验证具体为:将训练集等分成5等分,每次拿出一份作为测试子集,其他四份作为训练子集,直到5次训练完成。
在训练过程中,利用hinge损失函数,引入结构风险和经验风险,保证两个风险最小化。每完成一次循环,判断两个风险数值是否达到最小,若没有则调整模型参数范围,重复步骤S51,直到模型风险最小为止。
S52利用验证集对训练好的不同核函数的支持向量机模型进行浮冰状态分类测试。
步骤S6中,基于步骤S5的浮冰状态分类测试结果,建立相应的模型评级混淆矩阵,对不同核函数的支持向量机模型分类性能进行评估,得到最优分类支持向量机模型,具体包括以下分步骤:
S61基于步骤S5的测试结果中浮冰状态预测类别与真实类别,构建不同核函数的模型评级混淆矩阵。
混淆矩阵中行代表预测类别,列代表真实类别。当冰堆积时,预测结果正确记为TP,否则记为FN;当冰输移时,预测正确记为TN,否则记为FP。
S62根据混淆矩阵,分别计算指标精确率(ACC)、召回率(Recall)和F1分数F1-Score,计算公式如下所示:
(23);
(24);
(25);
(26)。
、、、分别表示TP、FN、TN、FP的统计次数;Pre表示测试结果中冰堆积类型的分类精确度;
S63根据不同核函数的支持向量机模型各指标综合得分情况,确定最优分类支持向量机模型。
本发明进一步提供了通过上述方法构建的预测系统在冰水两相水流中明渠闸门前浮冰状态分类预测中的应用。应用过程中,按照以下步骤对冰水两相水流中明渠闸门前浮冰状态进行分类预测:
S1′获取明渠闸门前用于表征浮冰状态的特征参数;
S2′对获取的特征参数进行归一化处理;
S3′对归一化处理后的特征参数进行主成分分析,将贡献率排名前二的主成分作为输入特征向量;
S4′将主成分分析得到的输入特征向量输入到上述方法构建的预测系统中,即可得到浮冰状态类别,实现对浮冰状态的预测。
上述步骤S2′~S3′的具体实现方式与步骤S2~S3的相同。
与现有技术相比,本发明提供的技术方案具有以下有益效果:
1、本发明利用支持向量机模型根据闸门前冰水两相水流来流条件和边界条件获得闸门前浮冰堆积与输移状态的最优分类超平面,实现闸门前浮冰状态的准确预测,从而为明渠闸门前冰堆积与输移研究以及寒区水利工程提供有效数据支持。
2、本发明主要考虑了影响冰堆积与输移的上游水流条件和闸前水流条件、闸门开度和闸门淹没水深变化等因素,并结合主成分分析,综合全面的考虑各影响因素的相互作用,从而能够更加准确的对闸门前浮冰状态进行快速预测。
3、本发明在预测模型构建过程中,只需记录浮冰在闸门前的输移与堆积状态,无需记录冰输移通过与冰堆积的量,因此在预测模型构建过程中,可以节省更多的人力、物力和资源。
4、本发明提供的预测系统可以根据来流(指闸门前上游水流)条件和边界条件,直接预测出闸门前浮冰堆积与输移状态,极大降低了预测难度;且由于来流条件和边界条件不存在不确定因素,能够确保浮冰状态分类的准确性。
附图说明
图1为本发明实施例明渠闸门前浮冰状态预测模型构建方法中使用的物理模型示意图;其中,1-实验水槽,2-缓冲水槽,3-模拟冰块投放装置,4-闸门,5-循环水槽,6-模拟冰块收集网,7-模拟冰块。
图2为本发明实施例明渠闸门前浮冰状态预测模型构建方法中支持向量机模型建立的流程图。
图3为本发明实施例明渠闸门前浮冰状态预测模型构建方法中物理模型实验过程中浮冰输移通过闸门示意图,由于闸门前水流和卷吸旋涡的作用,冰块随水流通过闸门,进入下游渠道。
图4为本发明实施例明渠闸门前浮冰状态预测模型构建方法中物理模型实验过程中浮冰在闸前形成的第一种堆积体示意图,此种情况是由于上游水流弗汝德数较大,模拟冰块先在闸门前堆积,然后部分模拟冰块通过闸门,最后闸门前模拟冰块堆积体积不随模拟冰块的投放而改变。
图5为本发明实施例明渠闸门前浮冰状态预测模型构建方法中物理模型实验过程中浮冰在闸前形成的第二种堆积体示意图,此种情况是由于上游水流弗汝德数较小,模拟冰块形成堆积,且随着模拟冰块投放量的增加,闸门前模拟冰块的堆积体积长度持续增长,形成较薄较均匀的一层沿渠道平铺上溯。
图6为本发明实施例明渠闸门前浮冰状态预测模型构建方法中使用明渠闸门前浮冰状态预测系统对闸门前浮冰状态分类结果图;其中,0.06m、0.07m、0.08m和0.1m分别表示闸门出口的开度
e(即闸门底板至水槽底部之间的过水水深)。
具体实施方式
以下将结合附图对本发明实施例的技术方案进行清晰、完整的描述,显然,所描述实施例仅仅是本发明的一部分实施例,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的前提下所得到的所有其它实施例,都属于本发明。
本发明提出的冰水两相水流中明渠闸门前浮冰状态预测模型构建方法,如图2所示,主要包括以下步骤:
S1开展冰水两相水流闸前冰堆积与输移监测,获取用于表征浮冰状态的特征参数。
本实施例中是通过物理模型实验,对闸门前浮冰状态进行监测,记录浮冰状态及相应的特征参数变化。
所采用的实验装置及实验方法参见申请号为CN20191089323.1公开的“一种水流自由出流条件下闸前冰堆积于输移的实验装置及其实验方法”。
如图1所示,该实验装置包括长方体实验水槽1、位于实验水槽进水端的缓冲水槽2、置于实验水槽上方的模拟冰块投放装置3、位于实验水槽中的闸门4和循环水槽5等。循环水槽5前端通过水泵、管道与缓冲水槽2连通,后端设置有模拟冰块收集网6,且经管道与实验水槽出水口连通。缓冲水槽2经管道与实验水槽进水端连通。
模拟冰块投放装置3内放置有模拟冰块7。模拟冰块比重为0.91,尺寸为0.04 m×0.04 m ×0.006m。为了向实验水槽中投放模拟冰块,模拟冰块投放装置底部边缘设置有宽度和长度均为0.1m的投放口。
实验水槽1的上方和侧面分别设有高速摄像装置。
表1 工况设计
利用上述实验装置按照以下步骤进行物理模型实验:
(1)根据工况表1内所需的闸门开度e对实验水槽中的闸门4高度进行调整;
(2)启动水泵,调整实验水槽中的水位高度达到工况表1内所需,测量并记录闸门淹没高度H1;
(3)通过模拟冰块投放装置3向实验水槽内投入模拟冰块7,模拟冰块7通过模拟冰块投放滑槽持续稳定的投放入实验水槽,并通过旋桨流速仪和IQ+流速仪分别测量模拟冰块在投放后的闸门上游水流流速
V和闸门出口水流流速
V e ;
(4)随着模拟冰块投放的进行,观察模拟冰块再闸前的状态:
第一种情况:若模拟冰块全部输移通过闸门,如图3所示,当观测到该状态时,记录该状态为浮冰通过;
第二种情况:若模拟冰块先在闸门前堆积,然后部分模拟冰块输移通过闸门,则等闸门前模拟冰块堆积体积不随模拟冰块的投放而改变,如图4所示,并记录该状态为形成稳定堆积体后输移通过;
第三种情况:若模拟冰块在闸门前形成堆积,且随着模拟冰块投放量的增加,闸门前模拟冰块的堆积体积长度持续增长,如图5所示,则记录该状态为堆积;
第一种情况统计为浮冰输移通过闸门,即“-1”;第二种情况和第三种情况统计为浮冰闸门前堆积,即“+1”。
按照工况表1,调整实验水槽中水位高度、或/和闸门高度(调整闸门开度),重复上述步骤(2)~(4),直至所有工况进行完毕,模拟实验结束。
上游水流流速
V是通过旋桨流速仪测量计算得到,且为水流底部、水流一般高度及水流表面流速进行测量取平均值所得。
通过上述物理模拟实验,记录的闸门上游水流流速
V和闸门出口水流流速
V e 。然后通过计算得到用于表征浮冰状态的特征参数参数,包括闸门相对淹没水深(
H 1/
H)、闸门相对开度比(
H/
e,)、上游水流弗汝德数(
Fr 1)、闸门出口水流弗汝德数(
Fr 2),计算结果见表2及表3所示。其中,上游水流弗汝德数和闸门出口水流弗汝德数计算公式分别如下:
(1);
(2);
式中,
V表示上游水流速度;
g为当地重力加速度,
V e 表示闸门出口水流速度。
表2物理模拟实验部分实验数据
表3物理模拟实验部分实验数据(续)
本实施例中,
n=107,即样本个数为107个;
m=4,即特征参数个数为4个;
x ij 表示第
i个样本的第
j个特征参数值,
i=1,2,…,
n,
j=1,2,…,
m。
S2对获取的特征参数进行归一化处理。
本步骤中,对步骤S1监测到的同一特征参数的样本数据按照以下公式(3)进行归一化处理:
(3);
式中,表示原始样本中第
i个样本的第
j个特征参数
,x max,j 表示原始样本中第
j个特征参数的最大值
,x min,j 是表示原始样本中第
j个特征参数的最小值。表示归一化后的第
i个样本的第
j个特征参数。
S3对归一化处理后的特征参数进行主成分分析,将贡献率排名前二的主成分作为输入特征向量。
本步骤中,按照以下分步骤对归一化处理后的特征参数进行主成分分析,包括以下分步骤:
S31基于归一化后的特征参数,构建特征参数矩阵;
根据前面已经给出的各采集样本的归一化特征参数值,则由这些特征参数值构成特征参数矩阵为
X:
(4)。
S32 获取特征参数矩阵的协方差矩阵;
按照以下公式计算得到特征参数矩阵
X的协方差矩阵
C:
(5);
式中,
X T表示
X的转置。
S33 获取协方差矩阵的特征根及与特征根对应的特征向量;
以
λ表示特征值,通过求解特征方程(
I表示单位矩阵),得到协方差矩阵的
m个非负特征值
λ k (
k=1,2,…,
m),并使其按大小顺序排列,即
λ 1﹥
λ 2﹥…﹥
λ m ≥0,然后对每个
λ k 解方程组,分别求出特征值对应的特征向量
μ k 。
S34 依据得到的特征向量,获取其对应的单位正交向量;
按照以下公式计算得到特征向量的单位正交向量,其中:
(6)。
S35 将得到的单位正交向量与构建的特征参数矩阵相乘得到对应的主成分,并计算相应主成分的贡献率;
按照以下公式计算得到主成分:
(7);
Z k 表示第
k个主成分,因此主成分的个数最多
m个。
第
k主成分Zk对X的贡献率由以下公式计算得到:
(8)。
S36 以贡献率排名前二的主成分作为输入特征向量。
本实施例中,前2个主成分贡献率之和为93%,因此可以取排名前二的主成分作为支持向量机模型的输入特征向量。
各原始采样样本对应的排名前二的主成分见表2及表3所示。
S4依据输入特征向量构建数据集,并将构建的数据集划分为训练集和验证集。
本步骤中,依据输入特征向量及相应的标签构建数据集。
以作为第
i个样本,Z i =[Z i1 ,Z i2],,,
n表示数据集中样本个数。
y i 为Z i 对应的标签,浮冰在闸前堆积标注为“+1”,浮冰输移通过闸门标注为“-1”,各工况样本对应的浮冰状态标签见表2及表3所示。
以数据集中的70%作为训练集,剩余30%作为验证集。
S5基于构建的训练集和测试集,对不同核函数的支持向量机模型进行浮冰状态分类训练和测试。
本实施例中所涉及的核函数包括四种,即公式(14)-(17)给出的线性核(LIN)、多项式核(POL)、高斯径向基核(RBF)和Sigmoid核(SIG)。
本步骤具体按照以下分步骤对不同核函数的支持向量机模型进行浮冰状态分类训练和测试:
S51 利用训练集对不同核函数的支持向量机模型进行浮冰状态分类训练。
这里采用网格搜索和5折交叉验证的方法对支持向量机模型进行训练。利用网格搜索确定模型参数,并利用5折-交叉验证的法对支持向量机模型进行训练,来寻找上述四种核函数(RBF、SIG、POL和LIN)的最佳参数(包括C和
γ),具体操作过程可以参见文献(周志华. Machine Learning[M]. BeiJing: 清华大学出版社, 2017.)。其中,5折-交叉验证具体为:将训练集等分成5等分,每次拿出一份作为测试子集,其他四份作为训练子集,直到5次训练完成。
在训练过程中,利用hinge损失函数,引入结构风险和经验风险,保证两个风险最小化。每完成一次循环,判断两个风险数值是否达到最小,若没有则调整模型参数范围,重复步骤S51,直到模型风险最小为止。
S52 利用验证集对训练得到的不同核函数的支持向量机模型进行测试。
将验证集中的数据输入到训练得到的不同核函数的支持向量机模型,按照其输出标签值便可得到预测的浮冰状态,完成对验证集中浮冰状态的分类。
S6依据测试结果建立混淆矩阵,对不同核函数的分类性能进行评估,得到用于实现明渠闸门前浮冰状态分类的最优分类支持向量机模型。
本步骤中,基于步骤S5的浮冰状态分类测试结果,建立相应的模型评级混淆矩阵,对不同核函数的支持向量机模型分类性能进行评估,得到最优分类支持向量机模型,具体包括以下分步骤:
S61基于步骤S5的测试结果中浮冰状态预测类别与真实类别,构建不同核函数的模型评级混淆矩阵。
表4 混淆矩阵
如表4所示,混淆矩阵中行代表预测类别,列代表真实类别。当冰堆积时,预测结果正确记为TP,否则记为FN;当冰输移通过时,预测正确记为TN,否则记为FP。
S62根据混淆矩阵,分别计算指标精确率(ACC)、召回率(Recall)和F1分数(F1-Score),计算公式如下所示:
(23);
(24);
(25);
(26)。
统计验证集测试结果中TP、FN、TN和FP的个数,得到相应的、、和个数,将其带入到公式(23)-(26)中,由此计算得到的不同核函数的支持向量机模型各指标评价分值(ACC、Recall和F1-score)见表5所示。
表5 不同核函数的支持向量机模型评价分值
从表5可以看出,根据不同核函数的支持向量机模型各指标综合得分情况,高斯径向基核(RBF)的各指标得分都是最高的,因此可以确定其为用于实现明渠闸门前浮冰状态分类的最优分类支持向量机模型。
此外,图6给出了通过上述以RBF为核函数的支持向量机模型对验证集数据进行物理模型实验闸门前浮冰状态分类结果,从图中可以看出,图中两条虚线中间的实线是模型的分类结果曲线(即最优超平面),从图中可以看到已经建立的支持向量机模型将浮冰在闸前的堆积与输移两个类别进行了恰当的划分。通过上述方法构建的预测系统能够实现对冰水两相水流中明渠闸门前浮冰状态的准确预测。
上述冰水两相水流中明渠闸门前浮冰状态预测模型构建方法,可以基于跨平台编程语言Python开发,其适用价值较高,适用于广泛的人工智能、机器学习、科学计算领域。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (9)
1.一种明渠闸门前浮冰状态预测模型构建方法,其特征在于,包括以下步骤:
S1 开展冰水两相水流闸前冰堆积与输移监测,获取用于表征浮冰状态的特征参数;所涉及的用于表征浮冰状态的特征参数,参数包括闸门相对淹没水深、闸门相对开度比、上游水流弗汝德数Fr 1和闸门出口水流弗汝德数Fr 2;闸门相对淹没水深为H 1/H,其中H 1为闸门淹没水深,H为闸门前总水深;闸门相对开度比为H/e,其中,e为闸门底部与渠道底部之间的过水深度;
S2 对获取的特征参数进行归一化处理;
S3 对归一化处理后的特征参数进行主成分分析,将贡献率排名前二的主成分作为输入特征向量;具体包括以下分步骤:
S31 基于归一化后的特征参数,构建特征参数矩阵;
S32 获取特征参数矩阵的协方差矩阵;
S33 获取协方差矩阵的特征根及与特征根对应的特征向量;
S34 依据得到的特征向量,获取其对应的单位正交向量;
S35 将得到的单位正交向量与构建的特征参数矩阵相乘得到对应的主成分,并计算相应主成分的贡献率;
S36 以贡献率排名前二的主成分作为输入特征向量;
S4 依据输入特征向量构建数据集,并将构建的数据集划分为训练集和验证集;
S5 基于构建的训练集和验证集,对不同核函数的支持向量机模型进行浮冰状态分类训练和测试;
S6 依据测试结果建立混淆矩阵,对不同核函数的分类性能进行评估,得到用于实现明渠闸门前浮冰状态分类的最优分类支持向量机模型。
2.根据权利要求1所述明渠闸门前浮冰状态预测模型构建方法,其特征在于,步骤S1中,上游水流弗汝德数和闸门出口水流弗汝德数计算公式分别如下:
(1);
(2);
式中,V表示上游水流速度;g为当地重力加速度,V e 表示闸门出口水流速度。
3.根据权利要求1所述明渠闸门前浮冰状态预测模型构建方法,其特征在于,步骤S2中,对于同一特征参数的样本数据按照以下公式(3)进行归一化处理:
(3);
式中,表示原始样本中第i个样本的第j个特征参数,x max,j 表示原始样本中第j个特征参数的最大值,x min,j 是表示原始样本中第j个特征参数的最小值;
表示归一化后的第i个样本的第j个特征参数。
4.根据权利要求1所述明渠闸门前浮冰状态预测模型构建方法,其特征在于,步骤S5包括以下分步骤:
S51 利用训练集对不同核函数的支持向量机模型进行浮冰状态分类训练;
S52 利用验证集对训练得到的不同核函数的支持向量机模型进行测试。
5.根据权利要求1或4所述明渠闸门前浮冰状态预测模型构建方法,其特征在于,核函数类型包括线性核函数、多项式核核函数、高斯径向基核函数和Sigmoid核函数。
6.根据权利要求1所述明渠闸门前浮冰状态预测模型构建方法,其特征在于,步骤S6包括以下分步骤:
S61基于步骤S5的测试结果中浮冰状态预测类别与真实类别,构建不同核函数的模型评级混淆矩阵;
混淆矩阵中行代表预测类别,列代表真实类别;当冰堆积时,预测结果正确记为TP,否则记为FN;当冰输移时,预测正确记为TN,否则记为FP;
S62 根据混淆矩阵,分别计算精确率ACC、召回率Recall和F1分数F1-Score,计算公式如下所示:
(23);
(24);
(25);
(26);
、、、分别表示TP、FN、TN、FP的统计次数;Pre表示测试结果中冰堆积类型的分类精确度;
S63根据不同核函数的支持向量机模型各指标综合得分情况,确定最优分类支持向量机模型。
7.一种明渠闸门前浮冰状态预测系统,其特征在于,利用权利要求1至6任一权利要求所述明渠闸门前浮冰状态预测模型构建方法构建得到。
8.权利要求7所述明渠闸门前浮冰状态预测系统在预测冰水两相水流中明渠闸门前浮冰状态中的应用。
9.根据权利要求8所述明渠闸门前浮冰状态预测系统在预测冰水两相水流中明渠闸门前浮冰状态中的应用,其特征在于,按照以下步骤对冰水两相水流中渠道闸门前浮冰状态进行分类预测:
S1′ 获取明渠闸门前用于表征浮冰状态的特征参数;
S2′ 对获取的特征参数进行归一化处理;
S3′ 对归一化处理后的特征参数进行主成分分析,将贡献率排名前二的主成分作为输入特征向量;
S4′ 将主成分分析得到的输入特征向量输入到上述方法构建的预测系统中,即可得到浮冰状态类别,实现对浮冰状态的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402513.7A CN112418546B (zh) | 2020-12-04 | 2020-12-04 | 明渠闸门前浮冰状态预测系统及其构建方法与应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402513.7A CN112418546B (zh) | 2020-12-04 | 2020-12-04 | 明渠闸门前浮冰状态预测系统及其构建方法与应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418546A CN112418546A (zh) | 2021-02-26 |
CN112418546B true CN112418546B (zh) | 2023-04-07 |
Family
ID=74830140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011402513.7A Active CN112418546B (zh) | 2020-12-04 | 2020-12-04 | 明渠闸门前浮冰状态预测系统及其构建方法与应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418546B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113093531B (zh) * | 2021-03-01 | 2022-03-15 | 武汉大学 | 一种基于模型预测控制的大型管-渠结合系统应急调度控制方法 |
CN113569452B (zh) * | 2021-07-22 | 2022-03-15 | 四川大学 | 一种结冰水库回水区冰塞反演及预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102758415A (zh) * | 2012-07-25 | 2012-10-31 | 中国水利水电科学研究院 | 一种冰水耦合综合仿真平台和方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110940485B (zh) * | 2019-11-08 | 2020-11-24 | 四川大学 | 一种水流自由出流条件下闸前冰堆积与输移的实验装置及其实验方法 |
CN110942103A (zh) * | 2019-12-05 | 2020-03-31 | 桂林电子科技大学 | 分类器的训练方法和计算机可读存储介质 |
-
2020
- 2020-12-04 CN CN202011402513.7A patent/CN112418546B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102758415A (zh) * | 2012-07-25 | 2012-10-31 | 中国水利水电科学研究院 | 一种冰水耦合综合仿真平台和方法 |
Non-Patent Citations (1)
Title |
---|
基于支持向量机的飞机地面结冰冰型分类预测;邢志伟等;《计算机技术与发展》;20120610;第22卷(第06期);第247-250页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112418546A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418546B (zh) | 明渠闸门前浮冰状态预测系统及其构建方法与应用 | |
Endah et al. | Xception architecture transfer learning for garbage classification | |
Ghorbani et al. | Deep learning under H2O framework: A novel approach for quantitative analysis of discharge coefficient in sluice gates | |
CN109034264A (zh) | 交通事故严重性预测csp-cnn模型及其建模方法 | |
CN105260738A (zh) | 基于主动学习的高分辨率遥感影像变化检测方法及系统 | |
CN106529569A (zh) | 基于深度学习的三维模型三角面特征学习分类方法及装置 | |
Najafzadeh et al. | Abutment scour in clear-water and live-bed conditions by GMDH network | |
CN108363810A (zh) | 一种文本分类方法及装置 | |
Tiwari et al. | Prediction of oxygen transfer at modified Parshall flumes using regression models | |
CN104598813A (zh) | 一种基于集成学习和半监督svm的计算机入侵检测方法 | |
CN103761426B (zh) | 一种在高维数据中快速识别特征组合的方法及系统 | |
CN108549817A (zh) | 一种基于文本深度学习的软件安全漏洞预测方法 | |
CN105243394A (zh) | 一种类不平衡对分类模型性能影响程度的评价方法 | |
CN109543731A (zh) | 一种自训练框架下的三优选半监督回归算法 | |
CN112199862B (zh) | 纳米粒子运移的预测方法、其影响因子分析方法及系统 | |
CN104966106B (zh) | 一种基于支持向量机的生物年龄分步预测方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
Ekmekcioğlu et al. | Tree-based nonlinear ensemble technique to predict energy dissipation in stepped spillways | |
CN106570076A (zh) | 一种计算机文本分类系统 | |
Li et al. | Weak edge identification network for ocean front detection | |
CN103793600A (zh) | 结合独立分量分析和线性判别分析的癌症预测方法 | |
US20150242676A1 (en) | Method for the Supervised Classification of Cells Included in Microscopy Images | |
Phate et al. | Clustered ANFIS weighing models for sweet lime (Citrus limetta) using computer vision system | |
Fadaei Kermani et al. | Cavitation damage prediction on dam spillways using Fuzzy-KNN modeling | |
Liang et al. | PCA-based SVM classification for simulated ice floes in front of sluice gates |
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 |