CN114117913A - 一种坝后露天渗流量监测系统及测值归因分析方法 - Google Patents

一种坝后露天渗流量监测系统及测值归因分析方法 Download PDF

Info

Publication number
CN114117913A
CN114117913A CN202111422304.3A CN202111422304A CN114117913A CN 114117913 A CN114117913 A CN 114117913A CN 202111422304 A CN202111422304 A CN 202111422304A CN 114117913 A CN114117913 A CN 114117913A
Authority
CN
China
Prior art keywords
seepage
rainfall
model
influence
reservoir water
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.)
Pending
Application number
CN202111422304.3A
Other languages
English (en)
Inventor
方卫华
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.)
Nanjing Water Conservancy and Hydrology Automatization Institute Ministry of Water Resources
Original Assignee
Nanjing Water Conservancy and Hydrology Automatization Institute Ministry of Water Resources
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 Nanjing Water Conservancy and Hydrology Automatization Institute Ministry of Water Resources filed Critical Nanjing Water Conservancy and Hydrology Automatization Institute Ministry of Water Resources
Priority to CN202111422304.3A priority Critical patent/CN114117913A/zh
Publication of CN114117913A publication Critical patent/CN114117913A/zh
Pending legal-status Critical Current

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
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种坝后露天渗流量监测系统及测值归因分析方法：基于测点位置、地形地貌和降水特征确定渗流量测值影响区域和影响因素；基于影响区域内敏感因素的时空分布确定相应的监测项目、测点和仪器；根据相应的数学模型确定滞后时间将渗流量的实测数据序列划分为只受库水渗流作用、明显受降雨影响和不确定三种类型；根据明显受降雨影响时段和只受库水渗流作用时段的渗流量实测数据分别构建降雨－库水耦合渗流和库水单独渗流数据同化模型；根据同化后的样本分别建立受降雨影响和只受库水渗流作用渗流量的轻量化时间卷积模型，根据两者之差分离出降雨影响分量和库水渗流分量。实现降雨条件下渗流成分的精确分离，为大坝渗流安全分析提供支撑。

Description

一种坝后露天渗流量监测系统及测值归因分析方法
技术领域
本发明涉及一种坝后露天渗流量监测系统及测值归因分析方法，属于堤坝安全监测及数据分析技术领域。
背景技术
渗流量监测是大中型水库大坝安全监测必选监测项目，也是小型水库大坝和堤防安全监测强调首要监测项目，其测值对于分析堤坝的抗滑稳定性，尤其是土石堤坝渗流安全具有十分重要的意义。但在实际工程中发现，几乎所有的坝后渗漏量，尤其是总渗流量监测设施(如坝后量水堰等)都是露天设置的，从而容易受到降雨因素的影响。长时间降雨或大暴雨是大坝不利工况，容易造成不均匀沉降变形、坝面开裂、渗透破坏甚至滑坡等堤坝失事事件。因此在不利工况下更希望实测渗流量监测数据能反应大坝的内部的渗流状况，但由于受降雨影响，导致实测渗漏量存在主客水难以分离、实测数据中降水成分多少不能确定、渗流安全状态难以判断等问题。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种坝后露天渗流量监测系统及测值归因分析方法，解决降雨或非降雨条件下总渗流量中库水渗流分量和降雨影响分量的分离提取问题。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种坝后露天渗流量监测系统的测值归因分析方法，包括：
基于测点位置、地形地貌和降水特征确定渗流量测值的影响区域和影响因素；
基于影响区域内影响渗流量的各种敏感因素的空间分布，采用代表性原则确定相应的监测项目和进行测点布置；
根据库水渗流和降水导致的监测设施内非库水渗流量对应的数学模型采用时间过程数值模拟方法确定库水渗流和降雨影响的滞后时间，将渗流量的实测数据序列划分为只受库水渗流作用时段、明显受降雨影响时段和不确定时段三种类型；
根据明显受降雨影响时段和不受降雨影响时段的渗流量实测数据分别构建降雨影响和库水渗流数据同化模型；
根据同化结果得到新的样本分别建立只受库水渗流影响和受降雨－库水渗流耦合影响并以实测渗流量为输出的轻量化时间卷积模型，根据两者之差分离出降雨影响分量和库水渗流分量。
可选的，所述降雨特性根据地面分水岭结合水文地质条件确定。
可选的，所述影响区域内部影响渗流量的影响因素的确定采用分布式水文模型结合降雨渗流联合作用下的浅水方程因子分析结合上述因素变化幅度确定，从而确定对渗流量监测设施测值有影响并有时间变化的降雨－库水渗流影响因素，并根据这些变化因素的空间分布及时间变化确定监测项目及其空间代表性测点数和时间采样率。
可选的，所述基于影响区域敏感因素时空分布确定监测项目和测点包括：
从影响因素中提取影响进入渗流量监测设施的降雨影响因素的变化因素，包括降雨量、坡度、粗糙度、裂缝分布、植被覆盖、土壤温度、气温、土壤含水率；
现场完善或补充降雨量、坡度、粗糙度、裂缝、植被高度、土壤温度、气温和土壤含水率等监测项目，采用相应的监测仪器及其数据采集控制装置形成渗流量监测系统；所述监测仪器包括采用固定安装埋设传感器、巡查机器狗和无人机遥感相结合的方式。其中固定安装埋设的传感器包括固定位置电位图像传感器、翻斗式雨量计、雷达雨量计、雨滴谱仪、TDR以及土壤墒情传感器；巡查机器狗和无人机携带激光雷达、高光谱相机以及红外相机等，对坡度、糙率、植被等进行监测。
若影响区域比较大，应根据影响区域内各要素分布是否均匀和测点的代表性对同一个监测项目设置多个测点，根据其各监测要素的时间变化情况根据香农采样定理或压缩感知理论确定各测点的采样频次。
可选的，所述根据相应的数学模型确定滞后时间包括：
建立库水作用下的非稳定渗流模型，根据渗流影响区域选定三维空间范围，计算库水极端变幅及不同高程变化组合条件下水库渗流至渗流量测点监测设施处的滞后影响时间；
建立降雨条件下地面产汇流以及地下渗流径流数学模型，所述模型包括地面、地下以及入渗模型三个部分。地面模型对于复杂区域采用基于Navier-Stokes方程的非直接数值模拟，而对于一般区域采用二维浅水方程；地下部分采用Richard方程描述；入渗方程根据雨型、植被土壤类型、土壤饱和度和雨强因素确定，采用数值计算获得影响区域内降雨产汇流及渗流至渗流量测点监测设施处的滞后影响时间。
可选的，所述将渗流量的历史实测数据序列划分为只受库水渗流作用时段、明显受降雨影响时段和不确定时段三种类型包括：
根据影响区域实测降雨过程；采用上述模型根据现场相关参数计算降雨对渗流量测值影响时长。考虑到模型计算误差因素影响，将受降雨影响和完全不受降雨影响两时段交接处的各1/3时长之和定义为降雨影响不确定时长，从而将实测渗流量时段分成只受库水渗流作用时段、明显受降水影响的时段以及不确定时段三种。
可选的，所述根据同化结果的样本建立受降雨影响的轻量化时间卷积模型包括：
将降雨条件下地面产汇流和地下渗流径流数学模型与同期明显受降水影响的实测渗流量实测数据进行四维同化；
用同化后的模型生成总渗流量，同时将该样本分成训练样本和检验样本；
结合影响渗流量测值的影响因素实测数据和上述样本建立轻量化时间序列卷积神经网络L-TCN模型，影响因素及其变化作为模型的输入，总渗流量作为L-TCN的输出；
经过模型训练和检验，选择合格的模型作为总渗流量的分离模型。
可选的，所述根据同化结果的样本建立只受库水渗流的轻量化时间卷积模型包括：
只受库水渗流作用时段的非饱和-饱和库水动态非稳定渗流方程与同期实测渗流量实测数据进行四维同化；
将同化后的模型进行预测生成库水渗流量样本，将该样本分成训练样本和检验样本；
将影响库水渗流量的因素如水位、气温、时间等作为轻量化时间序列卷积神经网络L-TCN模型的输入、将库水渗流量作为L-TCN模型的输出，经过模型训练和检验，选择合格的模型作为库水渗流量的分离模型。
可选的，所述根据两者之差分离出降雨影响分量和库水渗流分量包括：
根据实测输入分别通过受降雨影响和只受库水渗流的轻量化时间卷积模型预测总渗流量和库水渗流分量、将总渗流量减去库水渗流分量得到的降雨影响分量，从而实现降雨条件下和非降水条件下总实测渗流量的分离，即归因分析。
第二方面，本发明提供了一种适应于上述的测值归因分析方法的坝后露天渗流量监测系统，其特征在于，包括渗流量监测设施、根据渗流量实测数据成分和影响因素增加了必要的监测项目和监测设施，用于实现坝后渗流量及其主要影响因素的全要素、全量程、全天候、全场景的信息感知设备。
与现有技术相比，本发明所达到的有益效果：
本发明提供的一种坝后露天渗流量监测系统及测值归因分析方法，增加了渗流量归因分析的相关因素的监测，根据影响渗流和产汇流的变化因素构建了新的监测系统。结合监测结果基于相应是数学模型得到降雨影响和渗流滞后时间及影响时长，并基于滞后时间和时长对实测资料进行了分类处理。基于受降雨影响的时段和只受库水影响时段的监测数据，结合四位同化和轻量化卷积神经网络模型分别建立了降雨渗流分量和库水渗流分量的分离模型，并根据上述模型之差分离出降雨影响分量和库水渗流分量；本发明能够解决降雨影响下坝后露天实测渗流量的测值成分分离问题，为大坝稳定分析和渗流安全分析提供依据。
附图说明
图1是本发明实施例提供的一种坝后露天渗流量监测系统的测值归因分析方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
如图1所示，本发明提供了一种坝后露天渗流量监测系统的测值归因分析方法，包括以下步骤：
1、基于测点位置、地形地貌和降水特征确定渗流量测值的影响区域和影响因素；
降雨特性根据地面分水岭结合水文地质条件确定。
影响区域内部影响渗流量的影响因素的确定采用分布式水文模型或地面浅水方程、降雨入渗模型、地下渗流模型因素分析结合相应影响因素变化速度及幅度确定，从上述模型中确定影响进入渗流量监测设施的降雨影响因素、空间分布及时间变化特征，从而建立相应的监测系统。
2、基于影响区域敏感因素时空分布确定监测项目和测点布置；
从影响因素中提取影响降雨进入渗流量监测设施的影响因素，包括降雨量、坡度、粗糙度、地面裂缝、植被覆盖、地温、气温、土壤含水率；
监测系统包括雨量、坡度、粗糙度、植被高度监测、地面裂缝、土壤含水率、气温监测项目，构建渗流量监测系统；监测系统采用固定安装埋设传感器、巡查机器狗和无人机遥感相结合的方式。其中固定安装埋设的传感器包括固定位置电位图像传感器、翻斗式雨量计、雷达雨量计、雨滴谱仪、TDR以及土壤墒情传感器；巡查机器狗和无人机携带激光雷达、高光谱相机以及红外相机等，对坡度、糙率、植被等进行监测。
若影响区域比较大，应根据影响区域内各要素分布是否均匀和测点的代表性对同一个监测项目设置多个测点，根据其各监测要素的时间变化情况根据香农采样定理或压缩感知理论确定各测点的采样频次。
3、根据相应的数学模型确定滞后时间将渗流量的历史实测数据序列划分为只受库水渗流作用时段、明显受降雨影响时段和不确定时段三种类型；
3.1、根据相应的数学模型确定滞后时间包括：
建立库水作用下的非稳定渗流模型，包括：
根据水量平衡方程和渗流定律(雷诺数介入1～10时采用Darcy定律，对于不满足Darcy渗流条件情况，采用相应的流速－压力梯度函数关系取代Darcy定律。如对于岩石渗流按启动压力梯度公式为:
Figure BDA0003376946000000071
式中，λ为启动压力梯度，k为渗透系数，p为压力，μ为粘滞系数；对于非饱和土体渗流采用Books-Corey、Gardner或Van Genuchten-Muale模型；对于高速渗流采用Forchheimer公式。)等建立库水作用下的非饱和-饱和库水动态非稳定渗流模型；
根据渗流影响区域选定三维空间范围，计算库水极端变幅及高程条件下水库渗流滞后时间；
建立降雨条件下地面产汇流和地下渗流径流数学模型，对于复杂区域地面模型采用基于Navier-Stokes方程的近似形似，对于一般区域采用二维浅水方程；地下部分采用Richard方程描述；入渗方程根据雨型、植被土壤类型、土壤饱和度和雨强因素确定，计算降雨渗流量影响滞后时间及时长。
忽略风应力和科氏力项简化坡面流的二维浅水方程为：
Figure BDA0003376946000000081
式中：t为时间，x和y为空间坐标；G和H分别为x和y方向的通量向量，S为源项。
Figure BDA0003376946000000082
式中：h为水深，u和v分别为x和y方向的平均流速分量，r为降雨强度，f为下渗强度，g为重力加速度，Sox和Soy表示x和y方向的水底底坡，Sfx和Sfy分别为x和y方向的摩阻底坡。
Figure BDA0003376946000000083
Figure BDA0003376946000000084
式中：z为底高程，n为曼宁系数。
3.2、将渗流量的实测数据序列划分为只受库水渗流作用时段、明显受降雨影响时段和不确定时段三种类型包括：
根据降雨过程和库水升降过程分别计算降雨影响以及只受库水渗流影响的渗流量的滞后时间及其过程；考虑到模型计算误差因素影响，将两时段交接处的各1/3时长之和定义为降雨影响不确定时长，从而将实测渗流量时段分成只受库水渗流作用时段、明显受降水影响的时段以及不确定时段三种。
4、获取明显受降雨影响时段和只受渗流作用时段的渗流量实测数据分别构建降雨渗流和库水渗流数据同化模型；
5、根据同化结果得到的样本分别建立受降雨影响和只受库水渗流作用的渗流量轻量化时间卷积模型，根据两者之差分离出降雨渗流分量和库水影响分量。
5.1、根据同化结果所得样本建立受降雨影响轻量化时间卷积模型包括：
将降雨条件下地面产汇流和地下渗流径流耦合数学模型与同期明显受降水影响的实测渗流量实测数据进行四维同化；
将同化后的样本分成训练样本和检验样本；
将影响渗流量变化因素实测数据作为轻量化时间序列卷积神经网络L-TCN模型的输入，将总渗流量作为L-TCN的输出；
经过模型训练和检验，选择合格的模型作为总渗流量的分离模型。
5.2、根据同化结果所获样本建立只受库水渗流作用的渗流量轻量化时间卷积模型包括：
将只受库水渗流作用时段非饱和-饱和库水动态非稳定渗流方程与同期实测数据进行四维同化；
将同化后的模型生成库水渗流量样本，将该样本分成训练样本和检验样本；
将影响库水渗流量的因素如水位、气温、时间等作为轻量化时间序列卷积神经网络L-TCN模型的输入、将库水渗流量作为L-TCN模型的输出，经过模型训练和检验，选择合格的模型作为库水渗流量的分离模型。
本发明采用弱约束4维变分同化模式，误差强迫控制变量弱约束的模式状态方程为：
Xi＝Mi-1,i(Xi-1)+ηi
其中，Xi表示第i时刻模式状态变量矢量,Mi-1,i表示模式状态变量由ti-1时刻积分到ti时刻的非线性算子,ηi表示第ti时刻的模式误差，其与状态变量Xi具有相同维数的向量.
此时，模式误差控制变量弱约束4dvar目标函数为：
Figure BDA0003376946000000101
其中，<·,·>和(·，·)分别表示Rn和Rm空间中内积，N表示同化区间长度，Hi表示ti时刻非线性观测算子，Xb为初始时刻状态变量背景场，Yi表示ti时刻观测资料，Ri和Qi分别表示ti时刻观测误差和模式误差协方差矩阵，B表示背景场误差协方差矩阵.可见，相对于传统4dvar代价函数，模式误差控制变量弱约束4维变分同化目标函数中增加了模式误差项
Figure BDA0003376946000000102
5.3、根据两者之差分离出降雨渗流分量和库水影响渗流分量包括：
根据实测输入分别通过受降雨影响和不受降雨影响的轻量化时间卷积模型预测总渗流量和库水渗流分量、将总渗流量减去库水渗流分量得到的降雨影响渗流分量，从而实现降雨条件下和非降水条件下总实测渗流量的分离，即归因分析。
实施例二：
本发明实施例提供了一种适应于实施例一的测值归因分析方法的坝后露天渗流量监测系统，包括渗流量监测设施、根据渗流量实测数据成分和影响因素增加了必要的监测项目和监测设施，用于实现坝后渗流量及其主要影响因素的全要素、全量程、全天候、全场景的信息感知。
本发明首先根据渗流量实测数据成分和影响因素增加了必要的监测项目和监测设施，从而实现坝后渗流量及其主要影响因素的全要素、全量程、全天候、全场景的信息感知。影响坝后渗流量的要素除上游库水位、下游库水位、坝体渗透系数及分区等影响坝体渗流场分布及其演化的相关参数以外，还有影响降雨产汇流的相关要素，如影响区的地形、坡度、粗糙度、植被、土壤类型、坡度、降雨量、土壤含水率、土壤温度和气温等，为实现坝后渗流量的归因分析，必须对影响渗流和产汇流的变化因素进行必要的完善补充，从而实现现有监测设施(一般就一个量水堰及堰上水头监测装置)的提升；对监测设施采集的数据通过径流渗流耦合数学模型和非稳定渗流模型进行处理，并分别构建降雨渗流分量和库水渗流分量的分离模型，从而实现降雨渗流分量和库水影响分量的分离。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种坝后露天渗流量监测系统的测值归因分析方法，其特征在于，包括：
基于测点位置、地形地貌和降水特征确定渗流量测值的影响区域和影响因素；
基于影响区域内影响渗流量的各种敏感因素的空间分布，采用代表性原则确定相应的监测项目和进行测点布置；
根据库水渗流和降水导致的监测设施内非库水渗流量对应的数学模型采用时间过程数值模拟方法确定库水渗流和降雨影响的滞后时间，将渗流量的实测数据序列划分为只受库水渗流作用时段、明显受降雨影响时段和不确定时段三种类型；
根据明显受降雨影响时段和不受降雨影响时段的渗流量实测数据分别构建降雨影响和库水渗流数据同化模型；
根据同化结果得到新的样本分别建立只受库水渗流影响和受降雨－库水渗流耦合影响并以实测渗流量为输出的轻量化时间卷积模型，根据两者之差分离出降雨影响分量和库水渗流分量。
2.根据权利要求1所述的一种坝后露天渗流量监测系统的测值归因分析方法，其特征在于，所述降雨特性根据地面分水岭结合水文地质条件确定。
3.根据权利要求1所述的一种坝后露天渗流量监测系统的测值归因分析方法，其特征在于，所述影响区域内部影响渗流量的影响因素的确定采用分布式水文模型结合降雨渗流联合作用下的浅水方程因子分析结合上述因素变化速度及幅度确定，从而确定对渗流量监测设施测值有影响并有时间变化的降雨－库水渗流影响因素，并根据这些变化因素的空间分布及时间变化确定监测项目及其空间代表性测点数和时间采样率。
4.根据权利要求3所述的一种坝后露天渗流量监测系统的测值归因分析方法，其特征在于，所述基于影响区域敏感因素时空分布确定监测项目和测点包括：
从影响因素中提取影响进入渗流量监测设施的降雨影响因素的变化因素，包括降雨量、坡度、粗糙度、裂缝分布、植被覆盖、土壤温度、气温、土壤含水率；
监测项目包括降雨量、坡度、粗糙度、裂缝、植被高度、土壤温度、气温和土壤含水率，采用相应的监测仪器及其数据采集控制装置形成渗流量监测系统；所述监测仪器包括固定安装埋设传感器、巡查机器狗和无人机遥感相结合的方式。其中固定安装埋设的传感器包括固定位置电位图像传感器、翻斗式雨量计、雷达雨量计、雨滴谱仪、TDR以及土壤墒情传感器；巡查机器狗和无人机携带激光雷达、高光谱相机以及红外相机，对坡度、糙率、植被进行监测。
若影响区域比较大，应根据影响区域内各要素分布是否均匀和测点的代表性对同一个监测项目设置多个测点，根据其各监测要素的时间变化情况根据香农采样定理或压缩感知理论确定各测点的采样频次。
5.根据权利要求1所述的一种坝后露天渗流量监测系统的测值归因分析方法，其特征在于，所述根据相应的数学模型确定滞后时间包括：
建立库水作用下的非稳定渗流模型，根据渗流影响区域选定三维空间范围，计算库水极端变幅及不同高程变化组合条件下水库渗流至渗流量测点监测设施处的滞后影响时间；
建立降雨条件下地面产汇流以及地下渗流径流数学模型，所述模型包括地面、地下以及入渗模型三个部分。地面模型对于复杂区域采用基于Navier-Stokes方程的非直接数值模拟，而对于一般区域采用二维浅水方程；地下部分采用Richard方程描述；入渗方程根据雨型、植被土壤类型、土壤饱和度和雨强因素确定，采用数值计算获得影响区域内降雨产汇流及渗流至渗流量测点监测设施处的滞后影响时间。
6.根据权利要求1所述的一种坝后露天渗流量监测系统的测值归因分析方法，其特征在于，所述将渗流量的历史实测数据序列划分为只受库水渗流作用时段、明显受降雨影响时段和不确定时段三种类型包括：
根据影响区域实测降雨过程；采用上述模型根据现场相关参数计算降雨对渗流量测值影响时长。考虑到模型计算误差因素影响，将受降雨影响和完全不受降雨影响两时段交接处的各1/3时长之和定义为降雨影响不确定时长，从而将实测渗流量时段分成明显只受库水渗流作用时段、明显受降水影响的时段以及不确定时段三种。
7.根据权利要求1所述的一种坝后露天渗流量监测系统的测值归因分析方法，其特征在于，所述根据同化结果的样本建立受降雨影响的轻量化时间卷积模型包括：
将降雨条件下地面产汇流和地下渗流径流数学模型与同期明显受降水影响的实测渗流量实测数据进行四维同化；
用同化后的模型生成总渗流量，同时将该样本分成训练样本和检验样本；
结合影响渗流量测值的影响因素实测数据和上述样本建立轻量化时间序列卷积神经网络L-TCN模型，影响因素及其变化作为模型的输入，总渗流量作为L-TCN的输出；
经过模型训练和检验，选择合格的模型作为总渗流量的分离模型。
8.根据权利要求1所述的一种坝后露天渗流量监测系统的测值归因分析方法，其特征在于，所述根据同化结果的样本建立只受库水渗流的轻量化时间卷积模型包括：
将明显不受降雨影响时段的非饱和-饱和库水动态非稳定渗流方程与同期实测渗流量实测数据进行四维同化；
将同化后的模型进行预测生成库水渗流量样本，将该样本分成训练样本和检验样本；
将影响库水渗流量的因素如水位、气温、时间作为轻量化时间序列卷积神经网络L-TCN模型的输入、将库水渗流量作为L-TCN模型的输出，经过模型训练和检验，选择合格的模型作为库水渗流量的分离模型。
9.根据权利要求1所述的一种坝后露天渗流量监测系统的测值归因分析方法，其特征在于，所述根据两者之差分离出降雨影响分量和库水渗流分量包括：
根据实测输入分别通过受降雨影响和只受库水渗流的轻量化时间卷积模型计算总渗流量和库水渗流分量、将总渗流量减去库水渗流分量得到的降雨影响分量，从而实现降雨条件下和非降水条件下总实测渗流量的分离，即归因分析。
10.一种适应于权利要求1-9中任一项所述的测值归因分析方法的坝后露天渗流量监测系统，其特征在于，包括渗流量监测设施、根据渗流量实测数据成分和影响因素增加了必要的监测项目和监测设施，用于实现坝后渗流量及其主要影响因素的全要素、全量程、全天候、全场景的信息感知设备。
CN202111422304.3A 2021-11-26 2021-11-26 一种坝后露天渗流量监测系统及测值归因分析方法 Pending CN114117913A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111422304.3A CN114117913A (zh) 2021-11-26 2021-11-26 一种坝后露天渗流量监测系统及测值归因分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111422304.3A CN114117913A (zh) 2021-11-26 2021-11-26 一种坝后露天渗流量监测系统及测值归因分析方法

Publications (1)

Publication Number Publication Date
CN114117913A true CN114117913A (zh) 2022-03-01

Family

ID=80370057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111422304.3A Pending CN114117913A (zh) 2021-11-26 2021-11-26 一种坝后露天渗流量监测系统及测值归因分析方法

Country Status (1)

Country Link
CN (1) CN114117913A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062391A (zh) * 2022-07-12 2022-09-16 汉江水利水电(集团)有限责任公司丹江口水力发电厂 坝后量水堰实测数据主客水分离方法
CN116070546A (zh) * 2023-02-13 2023-05-05 水利部交通运输部国家能源局南京水利科学研究院 一种利用氢氧同位素估算大坝廊道渗漏临界水位的方法
CN117458711A (zh) * 2023-10-26 2024-01-26 国网安徽省电力有限公司马鞍山供电公司 一种基于物联网的电网调度工作监测管理系统
CN117789434A (zh) * 2023-06-05 2024-03-29 黄河水利职业技术学院 一种水利工程渗流智能监测系统及监测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062391A (zh) * 2022-07-12 2022-09-16 汉江水利水电(集团)有限责任公司丹江口水力发电厂 坝后量水堰实测数据主客水分离方法
CN115062391B (zh) * 2022-07-12 2023-08-15 汉江水利水电(集团)有限责任公司丹江口水力发电厂 坝后量水堰实测数据主客水分离方法
CN116070546A (zh) * 2023-02-13 2023-05-05 水利部交通运输部国家能源局南京水利科学研究院 一种利用氢氧同位素估算大坝廊道渗漏临界水位的方法
CN116070546B (zh) * 2023-02-13 2023-08-18 水利部交通运输部国家能源局南京水利科学研究院 一种利用氢氧同位素估算大坝廊道渗漏临界水位的方法
CN117789434A (zh) * 2023-06-05 2024-03-29 黄河水利职业技术学院 一种水利工程渗流智能监测系统及监测方法
CN117458711A (zh) * 2023-10-26 2024-01-26 国网安徽省电力有限公司马鞍山供电公司 一种基于物联网的电网调度工作监测管理系统
CN117458711B (zh) * 2023-10-26 2024-05-17 国网安徽省电力有限公司马鞍山供电公司 一种基于物联网的电网调度工作监测管理系统

Similar Documents

Publication Publication Date Title
CN112364802B (zh) 一种崩塌滑坡灾害体的变形监测方法
CN114117913A (zh) 一种坝后露天渗流量监测系统及测值归因分析方法
Moudrý et al. Comparison of leaf-off and leaf-on combined UAV imagery and airborne LiDAR for assessment of a post-mining site terrain and vegetation structure: Prospects for monitoring hazards and restoration success
CN111623722B (zh) 一种基于多传感器的边坡变形立体监测系统和方法
CN109584510B (zh) 一种基于评估函数训练的道路高边坡滑坡灾害预警方法
CN114353876A (zh) 一种黄土公路边坡健康监测方法
CN116090219A (zh) 一种矿区流域污染物迁移的gis风险管控系统及方法
KR102118802B1 (ko) 무인 항공기를 이용한 하천 건천화 모니터링 방법 및 시스템
Cândido et al. High-resolution monitoring of diffuse (sheet or interrill) erosion using structure-from-motion
Thibert et al. The full-scale avalanche test-site at Lautaret Pass (French Alps)
La Salandra et al. Probabilistic hydro-geomorphological hazard assessment based on UAV-derived high-resolution topographic data: The case of Basento river (Southern Italy)
CN106815432A (zh) 矿山排土场边坡土壤侵蚀速率估算方法
Masoodi et al. Application of short-range photogrammetry for monitoring seepage erosion of riverbank by laboratory experiments
CN110455367A (zh) 联合无人机和高密度电阻率法的工程堆弃体量测量方法
CN113987810A (zh) 一种流域尺度下暴雨洪水的数值预报方法
CN108052761A (zh) 一种滑坡预测方法
CN118314491B (zh) 一种基于无人机测绘的海滩侵蚀检测和定量计算方法
Dvornikov et al. Geodatabase and WebGIS project for long-term permafrost monitoring at the Vaskiny Dachi research station, Yamal, Russia
CN115638767A (zh) 地面沉降监测方法
Liu Drone-based photogrammetry for riverbed characteristics extraction and flood discharge modeling in Taiwan’s mountainous rivers
Ismail et al. Application of UAV-based photogrammetry and normalised water index (NDWI) to estimate the rock mass rating (RMR): A case study
Marzolff et al. Short to medium-term gully development: human activity and gully erosion variability in selected Spanish gully catchments
CN114674277A (zh) 全场测线联合的深部开采地表沉陷监测及土地复垦适宜性评价方法
Sreelash et al. Improved modeling of groundwater recharge in agricultural watersheds using a combination of crop model and remote sensing
CN116183868A (zh) 一种复杂生态系统土壤有机碳遥感估算方法及系统

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