CN113642259B - 一种基于多层流速测量的河流流场重构方法 - Google Patents

一种基于多层流速测量的河流流场重构方法 Download PDF

Info

Publication number
CN113642259B
CN113642259B CN202111198758.7A CN202111198758A CN113642259B CN 113642259 B CN113642259 B CN 113642259B CN 202111198758 A CN202111198758 A CN 202111198758A CN 113642259 B CN113642259 B CN 113642259B
Authority
CN
China
Prior art keywords
flow velocity
river
flow
flow field
section
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
CN202111198758.7A
Other languages
English (en)
Other versions
CN113642259A (zh
Inventor
王璞
钟青祥
李雪梅
朱艳军
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.)
Guodian Dadu River Hydropower Development Co Ltd
Original Assignee
Guodian Dadu River Hydropower Development Co Ltd
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 Guodian Dadu River Hydropower Development Co Ltd filed Critical Guodian Dadu River Hydropower Development Co Ltd
Priority to CN202111198758.7A priority Critical patent/CN113642259B/zh
Publication of CN113642259A publication Critical patent/CN113642259A/zh
Application granted granted Critical
Publication of CN113642259B publication Critical patent/CN113642259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G01P5/24—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the direct influence of the streaming fluid on the properties of a detecting acoustical wave
    • G01P5/245—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the direct influence of the streaming fluid on the properties of a detecting acoustical wave by measuring transit time of acoustical waves
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/40—Protecting water resources
    • Y02A20/402—River restoration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measuring Volume Flow (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Hydrology & Water Resources (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)

Abstract

本发明公开了一种基于多层流速测量的河流流场重构方法，包括以下步骤：利用安装在水面下的超声波流速仪测量河流断面不同层面的实测流速值；根据历史实测数据进行CFD仿真得到流场分布模型和不同层的仿真流速；搭建BP神经网络模型，将各层面的实测流速值与河道断面信息作为输入，将与之间的均方误差MSE作为评价指标，重构断面流场分布模型；改变断面流场分布模型输入数据，将河道的CFD仿真流速值与现场实测流速值进行误差比较当MSE减小到设定的目标值时，完成重构河流流场。本发明选取断面多层流速值更加准确的反映真实的流速场分布规律，对比重建流场与实测流场各测量断层之间的误差提高模型的准确性。

Description

一种基于多层流速测量的河流流场重构方法
技术领域
本发明涉及水资源管理技术领域，尤其涉及一种基于多层流速测量的河流流场重构方法。
背景技术
河流流量估算是在水资源的管理中扮演着重要角色，对河流的流量测算有助于了解水资源的时空分布，做好水资源的时空规划，而平均流速的测量是流量测量中最关键的一环，直接影响到流量测量的准确性。
专利（申请号为CN201210132568.X）公开了一种用于模拟复杂分层流动水体的装置及其模拟方法，包括多路循环水槽和多路流率闭环控制系统，所述多路循环水槽包括方形水槽，在方形水槽一内侧面设置有多个进水模块组，在方形水槽内进水模块组相对一侧面设置有多个出水模块组；所述多路流率闭环控制系统包括用于控制进水模块组进水的进水模块流率控制系统和用于控制出水模块组出水的出水模块流率控制系统，蓄水池内的水依次通过进水泵、进水模块流率控制系统打入进水模块组，出水模块组的出水经过出水模块流率控制系统、真空抽水泵进入蓄水池。该专利虽然可以有效的构建出多种复杂水流形态，但依靠复杂硬件系统进行重构工作，成本较高，并且每次进行试验工作时，需要进行复杂的操作。
同样，专利（申请号为CN202010967741.2）涉及一种用于游荡型河流的近岸水文现场观测装置，包括表面流场观测装置和近岸河流断面水深及流速测定装置，利用该装置进行现场观测，可以对河流断面不同位置处水深及流速进行精确量测，同时实现流场的可视化操作。该专利虽然可以进行流场的观测与仿真，但不能精确的进行流场的重构和模拟。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于多层流速测量的河流流场重构方法。
本发明的目的是通过以下技术方案来实现的：
一种基于多层流速测量的河流流场重构方法，具体包括以下步骤：
利用安装在水面下的超声波流速仪测量河流断面不同层面的实测流速值；
根据历史实测数据进行CFD仿真得到流场分布模型和不同层的仿真流速；
搭建BP神经网络模型，将各层面的实测流速值与河道断面信息作为输入，将CFD仿真流速值与现场实测数据之间的均方误差MSE作为评价指标，通过网络的多次训练、调整，优化自身内部参数，学习河流断面不同层面之间的流速分布规律，最终重构断面流场分布模型；
改变断面流场分布模型输入数据，将河道的CFD仿真流速值与现场实测流速值进行误差比较，与的均方误差MSE作为评价指标在断面流场分布模型内反复迭代，当MSE减小到设定的目标值时，断面流场分布模型得出河道的流场分布规律，即完成重构河流流场。
一种基于多层流速测量的河流流场重构方法，还包括：在待测河流河床上，沿垂直方向等距离设置多组超声波流速仪，将河流断面分为多个不同流速层面。
所述CFD仿真过程包括：
根据已有的历史实测数据，将数据作为边界条件在CFD平台上进行仿真，得到若干组流场信息和流场分布图；
在流场分布图中，随机选取五个流速层面，导出其流速值，作为不同层面的流速值，用于训练BP神经网络的断面流场分布模型。
所述训练优化BP神经网络模型过程为：把超声波流速仪实际测得的各不同层面流速以及待测河道的断面信息作为BP神经网络的输入，搭建河道断面的流速模型，同时计算评价值MSE，通过BP模型内部算法多次调整网络的结构及内部参数，使得MSE减小到目标值，得到优化后重构流场模型。
所述误差比较过程为：将仿真所得各断层流速与流速模型的各断层流速做均方误差，调整模型参数使MSE最小，得到最优流场重构模型。
所述历史实测数据包括河流断面信息、水位高度信息。
所述河流断面信息和水位高度由超声波装置测得。
所述河流断面信息包括断面形状参数、水位高度、边坡系数和糙率。
本发明的有益效果：
本发明选取断面多层流速值可以更加准确的反映真实的流速场分布规律，通过对比重建流场与实测流场之间各测量断层之间的误差提高模型的准确性，使用均方误差作为神经网络的误差评价，使得流速场模型的整体误差达到最小，大大提高了流速场的重构精度。同时，将人工神经网络应用在河流流速场重构中，不仅丰富和发展了河流量水技术的理论体系，同时提高了流量计量的精度，具有重要的理论研究价值和广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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示出的结构获得其他的附图。
图1是本发明的流程框图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
河流流量估算是在水资源的管理中扮演着重要角色，对河流的流量测算有助于了解水资源的时空分布，做好水资源的时空规划，而平均流速的测量是流量测量中最关键的一环，直接影响到流量测量的准确性。
如图1所示，一种基于多层流速测量的河流流场重构方法，具体包括以下步骤：
利用安装在水面下的超声波流速仪测量河流断面不同层面的实测流速值；
根据历史实测数据进行CFD仿真得到流场分布模型和不同层的仿真流速；
搭建BP神经网络模型，将各层面的实测流速值与河道断面信息作为输入，将CFD仿真流速值与现场实测数据之间的均方误差MSE作为评价指标，通过网络的多次训练、调整，优化自身内部参数，学习河流断面不同层面之间的流速分布规律，最终重构断面流场分布模型；
改变断面流场分布模型输入数据，将河道的CFD仿真流速值与现场实测流速值进行误差比较，与的均方误差MSE作为评价指标在断面流场分布模型内反复迭代，当MSE减小到设定的目标值时，断面流场分布模型得出河道的流场分布规律，即完成重构河流流场。
一种基于多层流速测量的河流流场重构方法，还包括：在待测河流河床上，沿垂直方向等距离设置多组超声波流速仪，将河流断面分为多个不同流速层面。
所述CFD仿真过程包括：
根据已有的历史实测数据，将数据作为边界条件在CFD平台上进行仿真，得到若干组流场信息和流场分布图；
在流场分布图中，随机选取五个流速层面，导出其流速值，作为不同层面的流速值，用于训练BP神经网络的断面流场分布模型。
所述训练优化BP神经网络模型过程为：把超声波流速仪实际测得的各不同层面流速以及待测河道的断面信息作为BP神经网络的输入，搭建河道断面的流速模型，同时计算评价值MSE，通过BP模型内部算法多次调整网络的结构及内部参数，使得MSE减小到目标值，得到优化后重构流场模型。
所述误差比较过程为：将仿真所得各断层流速与流速模型的各断层流速做均方误差，调整模型参数使MSE最小，得到最优流场重构模型。
所述历史实测数据包括河流断面信息、水位高度信息。
所述河流断面信息和水位高度由超声波装置测得。
所述河流断面信息包括断面形状参数、水位高度、边坡系数和糙率。
实施例1
以一条具有历史测量数据的河道为例。
步骤1：使用超声流速仪沉入水下相对水深0.2m、0.4m、0.6m、0.8m四个位置分别测量流速；
步骤2：测量断面形状及水位高度；
步骤3：根据历史实测数据，使用CFD仿真得到流场模型，提取0.2、0.4、0.6、0.8四个位置的速度；如下表1所示：
表1
Figure 241314DEST_PATH_IMAGE002
步骤4：建立BP神经网络模型，将实际测得的四个断层的流速数据以及表征断面形状的参数、水位作为输入，将各层实测流速值与CFD仿真所得流场的相应流层的计算值之间的均方误差MSE作为模型性能的评价指标，训练后得到符合误差要求的模型，在BP神经网络模型中输入表征断面形状的参数和超声波测量的各层流速后，通过事先已经训练完毕的神经网络，模型能够实时计算该渠道断面的不同层面流速。
计算输入的各平面流速与超声流速仪测得的各平面流速的均方误差MSE，将其作为优化目标，在一定条件下使MSE达到最小，最后得到符合误差要求的模型，最终建立起最优流场重构模型。
模型输入为实际测得的四个平面流速值（0.2、0.4、0.6、0.8），表征断面形状的参数（渠深，底宽，边坡角度，水位等），输出为该河流断面的流场重构模型，在模型训练阶段，将各层实测流速值与CFD仿真所得流场的相应流层的计算值之间的均方误差MSE作为模型性能的评价指标，通过模型内部算法的不断迭代，优化模型的内部参数（权重，偏置，隐藏层神经元个数等），使MSE不断减小，达到我们可接受的范围（5%），此时该模型就准确掌握了该河流断面的流场分布规律，即可根据输入的条件和参数重构流场。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于多层流速测量的河流流场重构方法，其特征在于，具体包括以下步骤：
利用安装在水面下的超声波流速仪测量河流断面不同层面的实测流速值；
根据历史实测数据进行CFD仿真得到流场分布模型和不同层的仿真流速；
搭建BP神经网络模型，将各层面的实测流速值与河道断面信息作为输入，将CFD仿真流速值与现场实测数据之间的均方误差MSE作为评价指标，通过网络的多次训练、调整，优化自身内部参数，学习河流断面不同层面之间的流速分布规律，最终重构断面流场分布模型；
改变断面流场分布模型输入数据，将河道的CFD仿真流速值与现场实测流速值进行误差比较，均方误差MSE作为评价指标在断面流场分布模型内反复迭代，当MSE减小到设定的目标值时，断面流场分布模型得出河道的流场分布规律，即完成重构河流流场。
2.根据权利要求1所述的一种基于多层流速测量的河流流场重构方法，其特征在于，还包括：在待测河流河床上，沿垂直方向等距离设置多组超声波流速仪，将河流断面分为多个不同流速层面。
3.根据权利要求1所述的一种基于多层流速测量的河流流场重构方法，其特征在于，所述CFD仿真过程包括：
根据已有的历史实测数据，将数据作为边界条件在CFD平台上进行仿真，得到若干组流场信息和流场分布图；
在流场分布图中，随机选取五个流速层面，导出其流速值，作为不同层面的流速值，用于训练BP神经网络的断面流场分布模型。
4.根据权利要求1所述的一种基于多层流速测量的河流流场重构方法，其特征在于，所述重构断面流场分布模型过程为：把超声波流速仪实际测得的各不同层面流速以及待测河道的断面信息作为BP神经网络的输入，搭建河道断面的流速模型，同时计算评价值MSE，通过BP模型内部算法多次调整网络的结构及内部参数，使得MSE减小到目标值，得到优化后重构流场模型。
5.根据权利要求1所述的一种基于多层流速测量的河流流场重构方法，其特征在于，所述误差比较过程为：将仿真所得各断层流速与流速模型的各断层流速做均方误差，调整模型参数使MSE最小，得到最优流场重构模型。
6.根据权利要求1所述的一种基于多层流速测量的河流流场重构方法，其特征在于，所述历史实测数据包括河流断面信息、水位高度信息。
7.根据权利要求6所述的一种基于多层流速测量的河流流场重构方法，其特征在于，所述河流断面信息和水位高度由超声波装置测得。
8.根据权利要求7所述的一种基于多层流速测量的河流流场重构方法，其特征在于，所述河流断面信息包括断面形状参数、水位高度、边坡系数和糙率。
CN202111198758.7A 2021-10-14 2021-10-14 一种基于多层流速测量的河流流场重构方法 Active CN113642259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111198758.7A CN113642259B (zh) 2021-10-14 2021-10-14 一种基于多层流速测量的河流流场重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111198758.7A CN113642259B (zh) 2021-10-14 2021-10-14 一种基于多层流速测量的河流流场重构方法

Publications (2)

Publication Number Publication Date
CN113642259A CN113642259A (zh) 2021-11-12
CN113642259B true CN113642259B (zh) 2021-12-14

Family

ID=78426894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111198758.7A Active CN113642259B (zh) 2021-10-14 2021-10-14 一种基于多层流速测量的河流流场重构方法

Country Status (1)

Country Link
CN (1) CN113642259B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114896909A (zh) * 2022-05-23 2022-08-12 四川大学 一种基于水位高度的明渠流量计算方法
CN115600044B (zh) * 2022-11-28 2023-05-05 湖南大学 一种河流断面流量计算方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260216A (zh) * 2020-01-15 2020-06-09 山东大学 一种运营期地下水封储油库渗流场综合评价与防治方法
CN111553226A (zh) * 2020-04-21 2020-08-18 中国水利水电科学研究院 一种基于遥感解译技术提取河流监测断面水面宽度的方法
CN112686481A (zh) * 2021-03-22 2021-04-20 国能大渡河流域水电开发有限公司 一种径流量预报方法、处理器

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260216A (zh) * 2020-01-15 2020-06-09 山东大学 一种运营期地下水封储油库渗流场综合评价与防治方法
CN111553226A (zh) * 2020-04-21 2020-08-18 中国水利水电科学研究院 一种基于遥感解译技术提取河流监测断面水面宽度的方法
CN112686481A (zh) * 2021-03-22 2021-04-20 国能大渡河流域水电开发有限公司 一种径流量预报方法、处理器

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Numerical investigation of flow field and flowmeter accuracy in open-channel junctions;Sharifipour, Minoo等;《ENGINEERING APPLICATIONS OF COMPUTATIONAL FLUID MECHANICS》;20151231;第9卷(第1期);1-10 *
基于序贯矢量平均的河流水面时均流场重建方法;张振 等;《百度文库》;20180808;1-10 *
湖泊水动力模型外部输入条件不确定性和敏感性分析;李一平等;《中国环境科学》;20140220(第2期);410-416 *

Also Published As

Publication number Publication date
CN113642259A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN113642259B (zh) 一种基于多层流速测量的河流流场重构方法
CN112711899B (zh) 一种蒸发波导高度的融合预测方法
CN110942194A (zh) 一种基于tcn的风电预测误差区间评估方法
CN102880905B (zh) 一种常顶油干点在线软测量方法
CN114109859B (zh) 一种无流量传感的离心泵性能神经网络预测方法
CN110598290A (zh) 考虑气候变化的流域未来水电发电能力预测方法和系统
CN106677763A (zh) 一种基于动态集成建模的油井动液面预测方法
CN113642274B (zh) 一种基于流场模型的河流流量计算方法
CN111553394A (zh) 基于循环神经网络和关注机制的水库水位预测方法
CN114580283B (zh) 山溪性强潮河口分汊段中长期动力地貌演变数值模拟方法
CN115455867A (zh) 基于回归分析的坝区流态的推求方法
CN106372440B (zh) 一种并行计算的配电网自适应抗差状态估计方法及装置
CN113887142A (zh) 一种基于渠道横切面的平均流速计算方法
CN117648878A (zh) 一种基于1d-cnn算法的洪水快速演进及淹没模拟方法
CN112862063A (zh) 一种基于深度信念网络的复杂管网泄漏定位方法
CN116542021A (zh) 一种水文-水动力学耦合的河道型水库调洪演算方法
CN106650293B (zh) 一种基于am嵌套抽样算法的地下水模型评价方法
CN116292057A (zh) 一种可变速抽水蓄能机组的控制方法、装置、设备及介质
CN115481353A (zh) 一种基于滩槽分区的河道综合糙率计算方法
CN109615142A (zh) 一种基于小波分析的风电场风速组合预测方法
CN102288228A (zh) 透平蒸汽流量的软测量方法
CN115359197A (zh) 一种基于空间自相关神经网络的地质曲面重构方法
CN117074718B (zh) 一种adcp数据实时拟合水文测验分层流速的方法
CN113077110A (zh) 一种基于gru的调和残差分段式潮位预测方法
CN105549007A (zh) 一种基于交叠多项式模型的垂测电离图反演方法

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