CN114169258A - 一种明渠的流量测量方法、装置、设备及存储介质 - Google Patents
一种明渠的流量测量方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114169258A CN114169258A CN202111316646.7A CN202111316646A CN114169258A CN 114169258 A CN114169258 A CN 114169258A CN 202111316646 A CN202111316646 A CN 202111316646A CN 114169258 A CN114169258 A CN 114169258A
- Authority
- CN
- China
- Prior art keywords
- open channel
- neural network
- network model
- flow
- parameters
- 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
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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
- G01F1/002—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow wherein the flow is in an open channel
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明提供一种明渠的流量测量方法、装置、设备及存储介质,其中所述方法包括:获取已训练的神经网络模型;固定所述已训练的神经网络模型中的参数,并将所述明渠的特征输入参数数据输入至已训练的神经网络模型;从所述已训练的神经网络模型中获取所述明渠的总流量。通过训练流量径向神经网络模型,综合运用实测数据与流速场数据对流量测算神经网络模型进行充分训练,获得具有较好泛化性能的神经网络模型,将模型应用于灌区流量测算。相对于传统方法可以减少实测工作量,提高测算效率,对具有不同特征参数的渠道适应性较好,测算流量经实测值验证满足工程应用精度要求。
Description
技术领域
本发明涉及水利工程领域,尤其涉及一种明渠的流量测量方法、装置、设备及存储介质。
背景技术
目前大型明渠的水流量的确定基本上都是通过实测断面的水流量确定的,水资源短缺问题持续存在,快速准确的明渠流量测量是灌区水资源优化调度的前提。目前灌区仍普遍采用传统方法进行渠道流量测算,例如流速-面积法、水位-流量关系法、堰槽法等,效率和精度难以同时兼顾。例如:流速-面积法、水位-流量关系法以及堰槽法等传统方法,但是采用传统的水流量测量方法,很多在测量时需要测量多点流速,操作繁琐,工作量大,并且如采用声学多普勒流速剖面仪(ADCP),设备昂贵,不利于推广;亦或者根据简单的水位-流量测量精度较低,不能得到具有参考价值信息。由此,亟待一种实测工作量少,测量精度高,容易实现,结果稳定可靠,能够广泛使用,并能满足工程精度的明渠流量测量方法。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种明渠的流量测量方法,旨在解决目前对于明渠水流量的测量,实测工作量大,测量结果精度不够,不利于广泛使用,不能满足工程精度的技术问题。
为实现上述目的,本发明提供一种明渠的流量测量方法,包括:
获取已训练的神经网络模型;
固定所述已训练的神经网络模型中的参数,并将所述明渠的特征输入参数数据输入至已训练的神经网络模型;
从所述已训练的神经网络模型中获取所述明渠的总流量。
优选地,所述获取已训练的神经网络模型的步骤之前包括:
获取针对神经网络模型的明渠参数数据集;
将所述明渠参数数据集进行敏感性分析得到所述明渠的特征输入参数;
根据所述特征输入参数训练所述神经网络模型。
优选地,所述获取明渠针对神经网络模型的明渠参数数据集的步骤包括:
基于明渠的工程参数建立所述明渠的CFD模型;
根据所述CFD模型模拟得到至少100组明渠断面的流速场;
基于所述至少100组明渠断面的流速场建立所述明渠的参数数据集。
优选地,所述根据所述CFD模型模拟得到至少100组明渠断面的流速场的步骤还包括:
根据实测明渠流速数据检验所述CFD模型的精确度;
通过损失函数优化所述CFD模型中的参数,得到修正后的CFD模型;
输入不同的明渠工程参数至所述CFD模型得到不同明渠工程参数下明渠的流量参数数据;
基于所述不同明渠工程参数下明渠的流量参数数据建立所述神经网络模型的参数数据集。
优选地,所述将所述明渠参数数据集进行敏感性分析得到所述明渠的特征输入参数的步骤包括:
针对所述明渠参数数据集中的数据对建立神经网络模型进行敏感性分析;
基于所述敏感性分析确定所述神经网络模型的特征输入参数。
优选地,所述固定所述已训练的神经网络模型中的参数的步骤包括:
确定所述神经网络模型的特征输入参数、输出参数;
基于所述明渠参数数据集训练所述神经网络模型建立所述明渠的流量径向神经网络模型;
根据实测数据验证所述流量径向神经网络模型。
优选地,所述从所述已训练的神经网络模型中获取所述明渠的总流量的步骤包括:
获取所述待测明渠的特征输入参数;
将所述特征参数输入所述已训练的神经网络模型;
根据所述流量径向神经网络模型的输出参数得到所述待测明渠断面的断面流量。
此外,为实现上述目的,本发明还提供了一种明渠的流量测量装置,其包括:
神经网络模型建立模块,用于建立神经网络模型,并获取所述神经网络模型;
数据输入模块,用于固定所述已训练的神经网络模型中的参数,并将所述明渠的特征输入参数数据输入至已训练的神经网络模型;
计算模块,用于从所述已训练的神经网络模型中获取所述明渠的总流量。
此外,为了实现上述目的,本发明还提供了一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,所述存储器上存储有可被至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述任一项所述的明渠的流量测量方法的步骤。
此外,为了实现上述目的,本发明还提供了一种计算机存储介质,其特征在于,包括:所述计算机可读存储介质上存储有明渠的流量测量程序,所述明渠的流量测量程序被处理器执行时实现如上述任一项所述的明渠的流量测量方法的步骤。
本发明提供一种明渠的流量测量方法,包括:获取已训练的神经网络模型;固定所述已训练的神经网络模型中的参数,并将所述明渠的特征输入参数数据输入至已训练的神经网络模型;从所述已训练的神经网络模型中获取所述明渠的总流量。通过训练流量径向神经网络模型,综合运用实测数据与流速场数据对流量测算神经网络模型进行充分训练,获得具有较好泛化性能的神经网络模型,将模型应用于灌区流量测算。相对于传统方法可以减少实测工作量,提高测算效率,对具有不同特征参数的渠道适应性较好,测算流量经实测值验证满足工程应用精度要求。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端\装置结构示意图;
图2为本发明一种明渠的流量测量方法第一实施例的流程示意图;
图3为图2中步骤S10的步骤的细化流程示意图;
图4为本发明一种明渠的流量测量方法第二实施例的流程示意图;
图5为神经网络模型示意图;
图6为本发明一种明渠的流量测量方法的第三实施例的流程示意图;
图7为本发明一种明渠的流量测量方法的第四实施例的流程示意图;
图8为本发明明渠的神经网络模型示意图;
图9为图2中步骤S20的步骤的细化流程示意图;
图10为图2中步骤S30的步骤细化流程示意图;
图11为本发明一种明渠的流量测量装置的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:获取已训练的神经网络模型;
固定所述已训练的神经网络模型中的参数,并将所述明渠的特征输入参数数据输入至已训练的神经网络模型;
从所述已训练的神经网络模型中获取所述明渠的总流量。
由于现有技术中对明渠水流量测量的传统方法很多在测量时需要测量多点流速,操作繁琐,工作量大,并且如采用声学多普勒流速剖面仪(ADCP),设备昂贵,不利于推广;亦或者根据简单的水位-流量测量精度较低,不能得到具有参考价值信息。由此,亟待一种实测工作量少,测量精度高,容易实现,结果稳定可靠,能够广泛推广应用,能满足工程精度的明渠流量测量方法。
本发明提供一种解决方案,通过获取已训练的神经网络模型;固定所述已训练的神经网络模型中的参数,并将所述明渠的特征输入参数数据输入至已训练的神经网络模型;从所述已训练的神经网络模型中获取所述明渠的总流量。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC,也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面3)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及明渠的流量测量程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的明渠的流量测量程序,并执行以下操作:
获取已训练的神经网络模型;
固定所述已训练的神经网络模型中的参数,并将所述明渠的特征输入参数数据输入至已训练的神经网络模型;
从所述已训练的神经网络模型中获取所述明渠的总流量。
进一步地,处理器1001可以调用存储器1005中存储的明渠的流量测量程序,还执行以下操作:
所述获取已训练的神经网络模型的步骤之前包括:
获取针对神经网络模型的明渠参数数据集;
将所述明渠参数数据集进行敏感性分析得到所述明渠的特征输入参数;
根据所述特征输入参数训练所述神经网络模型。
进一步地,处理器1001可以调用存储器1005中存储的明渠的流量测量程序,还执行以下操作:
所述获取明渠针对神经网络模型的明渠参数数据集的步骤包括:
基于明渠的工程参数建立所述明渠的CFD模型;
根据所述CFD模型模拟得到至少100组明渠断面的流速场;
基于所述至少100组明渠断面的流速场建立所述明渠的参数数据集。
进一步地,处理器1001可以调用存储器1005中存储的明渠的流量测量程序,还执行以下操作:
所述根据所述CFD模型模拟得到至少100组明渠断面的流速场的步骤还包括:
根据实测明渠流速数据检验所述CFD模型的精确度;
通过损失函数优化所述CFD模型中的参数,得到修正后的CFD模型;
输入不同的明渠工程参数至所述CFD模型得到不同明渠工程参数下明渠的流量参数数据;
基于所述不同明渠工程参数下明渠的流量参数数据建立所述神经网络模型的参数数据集。
进一步地,处理器1001可以调用存储器1005中存储的明渠的流量测量程序,还执行以下操作:
所述将所述明渠参数数据集进行敏感性分析得到所述明渠的特征输入参数的步骤包括:
针对所述明渠参数数据集中的数据对建立神经网络模型进行敏感性分析;
基于所述敏感性分析确定所述神经网络模型的特征输入参数。
进一步地,处理器1001可以调用存储器1005中存储的明渠的流量测量程序,还执行以下操作:
所述固定所述已训练的神经网络模型中的参数的步骤包括:
确定所述神经网络模型的特征输入参数、输出参数;
基于所述明渠参数数据集训练所述神经网络模型建立所述明渠的流量径向神经网络模型;
根据实测数据验证所述流量径向神经网络模型。
进一步地,处理器1001可以调用存储器1005中存储的明渠的流量测量程序,还执行以下操作:
所述从所述已训练的神经网络模型中获取所述明渠的总流量的步骤包括:
获取所述待测明渠的特征输入参数;
将所述特征参数输入所述已训练的神经网络模型;
根据所述流量径向神经网络模型的输出参数得到所述待测明渠断面的断面流量。
参照图2,本发明一种明渠的流量测量方法的第一实施例提供一种明渠的流量测量方法,所述方法包括:
步骤S10,获取已训练的神经网络模型;
步骤S20,固定所述已训练的神经网络模型中的参数,并将所述明渠的特征输入参数数据输入至已训练的神经网络模型;
步骤S30,从所述已训练的神经网络模型中获取所述明渠的总流量。
具体而言,在本实施例中,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关,是一门新兴的边缘交叉学科。利用神经基础理论的研究成果,用数理方法探索功能更加完善、性能更加优越的神经网络模型,深入研究网络算法和性能,如:稳定性、收敛性、容错性、鲁棒性等。在本实施例中,获取已经训练完成的明渠的流量测量的神经网络模型,并固定该神经网络模型中的参数,采集需要测量流量的明渠的参数,根据神经网络的需要将需要输入的特征参数输入已经训练好的神经网络模型中,并且通过神经网络模型输出该输入的特征参数对应的明渠断面的总的水流量。
在本实施例中,通过已经训练完成的神经网络模型,按照神经网络模型的要求,输入待测量明渠水总流量的特征参数,以此得到该待测量的明渠的流量总量。由于神经网络模型是通过大量的数据训练而成,具有较强的稳定性、收敛性、容错性、鲁棒性等,以此满足了对明渠流量测量的精度,并且可以大大减少实际测量的工作,并且通过神经网络模型得到待测明渠的总流量,大大减少了通过其他数理计算方式的计算过程。
进一步地,参照图3,本发明第二实施例还提供一种明渠的流量测量方法,基于上述图2所示的实施例,所述步骤S10之前还包括:
步骤S101,获取针对神经网络模型的明渠参数数据集;
步骤S102,将所述明渠参数数据集进行敏感性分析得到所述明渠的特征输入参数;
步骤S103,根据所述特征输入参数训练所述神经网络模型。
具体而言,在本实施例中,需要获取神经网络就是多个神经元组合到一起的集合;有时第一层也要加上额外的节点x0,第二层加一个偏置单元(bias unit)a0(2)。参照图4所示,图中Layer 1叫做输入层(Input Layer),Layer 3叫做输出层(Output Layer),Layer 2叫做隐藏层(Hidden Layer)。输入层和输出层只有一个,而隐藏层可以有多个,实际上非输入层或非输出层的层都是隐藏层。因此,需要大量的第一层节点上的明渠的参数数据集对神经网络模型进行训练,并且所有的参数数据对神经网络模型的训练都是敏感性都很高,对于敏感性不高的,对神经网络的训练作用不大的明渠参数数据可以不输入Layer 1的输入层,因此需要对明渠参数数据集中的数据进行敏感性分析,将敏感性强的,对神经网络模型训练有效的数据设置为特征输入参数,并通过将该特征参数输入参数大量、反复性地输入神经网络模型,对该神经网络模型进行充分的训练,以得到损失性最小、精度最高的明渠水流量测量的神经网络模型。
其中的g(x)代表的是激励函数,也就是说这里的激励函数作用在输入数据经过权重处理后的线性组合上。参数矩阵θ1控制了三个输入单元到三个隐藏单元的映射,因此它是一个维度为3x4的矩阵。
一般来说,如果一个神经网络在第j层有δjδj个单元,在第j+1层有δj+1个单元,那么矩阵θj控制着第j层到第j+1层的映射,它的维度为δj+1*(δj+1)。其中第二项的+1来自θj中的偏置节点x0和也就是说输入层包括偏置节点,而输出层则不包括。
故在本实施例中通过获取训练好的神经网络模型,将该神经网络模型应用于明渠的水流量测量,可以减少实测工作量,提高测算效率,对具有不同特征参数的渠道也能使用,并且测量的精度能够满足于工程应用的精度要求。
进一步地,参照图5,基于上述图3所述的明渠的流量测量方法提出了本发明一种明渠的流量测量方法的第三实施例,其中图3中的步骤S101步骤还包括:
步骤S1011,基于明渠的工程参数建立所述明渠的CFD模型;
步骤S1012,根据所述CFD模型模拟得到至少100组明渠断面的流速场;
步骤S1013,基于所述至少100组明渠断面的流速场建立所述明渠的参数数据集。
具体而言,在本实施例中,关于明渠水流量参数数据集的获取可以通多种方式去获取,在本实施例中,通过建立明渠的CFD模型获取所述明渠的参数数据集,具体地,CFD,英语全称(Computational Fluid Dynamics),即计算流体动力学,是流体力学的一个分支,简称CFD。CFD是近代流体力学,数值数学和计算机科学结合的产物。是一门具有强大生命力的交叉科学。它以电子计算机为工具,应用各种离散化的数学方法,对流体力学的各类问题进行数值实验、计算机模拟和分析研究,以解决各种实际问题。在本实施例中,在明渠正常供水时,通过该明渠断面的工程参数(水深、底宽、边坡角度等)以及历史实测流速、水流量数据,建立该明渠水流量的CFD模型并拟合得到该明渠断面的流速场。在所述明渠断面的流速场上提取该明渠断面上至少一个垂线上的流速,并通过计算、统计分析等手段计算得到垂线上流速分布规律,并计算该明渠断面上所有采集得到的垂线上的平均速度流速分布规律,由此即可得到经验拟合公式,此时,实测该明渠断面上的一个参考点的流速,并经过上述经验拟合公式即可得到该参考点所在垂线上的平均速度以及明渠断面上其他垂线的平均速度,基于此计算得出该明渠的水流量。由此,可以显著地减少实测的工作量,并且测量精度可靠。
此外在本实施例中,在建立完成明渠的CFD模型后,通过实际测量数据验证得到的明渠参数数据检验CFD数值模拟计算的可行性和置信度。若CFD的可行性不高则修正该CFD模型,以得到可行性高的CFD数值模拟计算。从而运用CFD计算获得不同底宽、边坡角度、水深、中垂线表面流速下多组断面的流速场,提取出底宽,边坡角度,水深,中垂线表面流速和对应的流量数据集。将这些模拟数据集与实测数据集组合,作为后面步骤神经网络模型的训练数据集。
在本实施例中,通过建立明渠的CFD模型,获取明渠断面的多个断面流速场的模拟数据集,并将这些模拟数据集和实测数据集组合,对神经网络模型进行训练。在本实施例中,利用三维流体力学(CFD)模型获取明渠断面的流速场,通过明渠断面的流速场拟合得到明渠断面流速分布规律曲线,再结合更少的实测点的流速值,以实现对明渠断面流量的累计计算。该方法可以显著减少实测工作量,并且测量结果精确可靠。
进一步地,参照图6,基于上述图5所述的明渠的流量测量方法的步骤S1012步骤还包括:
步骤S10121,根据实测明渠流速数据检验所述CFD模型的精确度;
步骤S10122,通过损失函数优化所述CFD模型中的参数,得到修正后的CFD模型;
步骤S10123,输入不同的明渠工程参数至所述CFD模型得到不同明渠工程参数下明渠的流量参数数据;
步骤S10124,基于所述不同明渠工程参数下明渠的流量参数数据建立所述神经网络模型的参数数据集。
具体而言,在本实施例中,本实施例中,可以通过损失函数对所述分类模型中的参数进行优化,从而得到已训练的分类模型。在一实施例中,由于所述分类模型包含一个softmax层,因此所述损失函数在包含了softmax损失之后可以如下所示:
Lall=Lsem+Lvis
此外,为了获得更多的明渠的流量参数数据,运用修正后的CFD模型计算获得不同底宽、边坡角度、水深、中垂线表面流速下多组断面的流速场,提取出底宽,边坡角度,水深,中垂线表面流速和对应的流量数据集。将这些模拟数据集与实测数据集组合,作为后面步骤神经网络模型的训练集。
在本实施例中,通过修正函数修正所示CFD模型中的参数,得到修正后的CFD模型,提高了CFD模拟数据集的数据精度,也进一步地提高了后面步骤中训练得到的神经网络模型的精度。
进一步地,参照图7,基于上述图3所述的明渠的流量测量方法的步骤S102步骤还包括:
步骤S1021,针对所述明渠参数数据集中的数据对建立神经网络模型进行敏感性分析;
步骤S1022,基于所述敏感性分析确定所述神经网络模型的特征输入参数。
具体而言,在本实施例中,针对上述步骤得到的明渠参数的训练数据集进行敏感性分析,根据敏感性分析可以确定渠道底宽、边坡角度、水深和中垂线表面流速为神经网络模型的特征输入参数,流量为模型的输出参数,建立如图8所示断面特征参数-流量径向基神经网络(RBF-NN)模型。通过将明渠的各类工程参数作为输入参数得到的输出数据与实测数据比较,得到输出数据最接近实测数据的特征参数,在本实施例中,根据敏感性分析可以确定渠道的底宽、边坡的角度、水深和中垂线表面流速为神经网络模型的特征输入参数,故基于明渠参数数据集中的多组渠道的底宽、边坡的角度、水深和中垂线表面流速作为本实施例中的神经网络模型的特征输入参数,训练神经网络模型。
在本实施例中,通过神经网络模型的训练中,对明渠参数数据集中的各参数进行敏感性分析,以得到敏感性最高,输出参数更接近实测数据的特征输入参数,进一步提高了神经网络模型输出参数的精度以及计算结果的稳定性。
进一步地,参照图9,基于上述图3所述的明渠的流量测量方法的步骤S20步骤还包括:
步骤S201,确定所述神经网络模型的特征输入参数、输出参数;
步骤S202,基于所述明渠参数数据集训练所述神经网络模型建立所述明渠的流量径向神经网络模型;
步骤S203,根据实测数据验证所述流量径向神经网络模型。
具体而言,在本实施例中,根据上述步骤对明渠参数数据集中的参数进行敏感性分析得到了神经网络模型的特征输入参数,通过CFD模型模拟得到多组特征输入参数作为神经网络模型的神经元训练神经网络模型,以得到充分训练,稳定性高的神经网络模型。并且对已经训练完成的神经网络模型通过实测数据检验该神经网络模型的可行性和置行度,当已经训练的神经网络模型的输出的精度不能到达工程精度的需求时,通过损失函数或者其他修正方式优化该神经网络性。以此得到可以广泛使用的神经网络模型。
进一步地,参照图9,基于上述图3所述的明渠的流量测量方法的步骤S30还包括:
步骤S301,获取所述待测明渠的特征输入参数;
步骤S302,将所述特征参数输入所述已训练的神经网络模型;
步骤S303,根据所述流量径向神经网络模型的输出参数得到所述待测明渠断面的断面流量。
具体而言,在本实施例中,根据上述步骤中对明渠参数的敏感性分析,确定神经网络模型的特征输入参数,只需获取待检测渠道的特征输入参数的实际测量数据,并将该实测数据输入已经训练完成的神经网络模型中即可计算得到该渠道的水流量,例如:在根据上述实施例的敏感性分析结果可知,仅需测得渠道断面中垂线表面流速与水深、底宽、坡面角度,输入流量径向基神经网络(RBF-NN)模型即可获得该渠道断面流量。在本实施例中,通过获取实际测量待测量渠道的敏感性参数的数据,并将该数据输入流量径向基神经网络(RBF-NN)模型,即可计算得到该渠道的断面流量。以此,大大减少了对渠道水流量计算的实测工作量。并且训练完成的流量径向基神经网络(RBF-NN)模型可以应用于多种场景的明渠断面的水流量的测量中,其计算得出的水流量精度也能满足工程精度的需要。
此外,本发明实施例还提出了一种明渠的流量测量装置,包括:
神经网络模型建立模块10,用于建立神经网络模型,并获取所述神经网络模型;
数据输入模块20,用于固定所述已训练的神经网络模型中的参数,并将所述明渠的特征输入参数数据输入至已训练的神经网络模型;
计算模块30,用于从所述已训练的神经网络模型中获取所述明渠的总流量。
此外,本发明实施例还提出了一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,所述存储器上存储有可被至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述实施例中任一项所述的明渠的流量测量方法的步骤。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有明渠的流量测量程序,所述明渠的流量测量程序被处理器执行时实现如下操作:
获取已训练的神经网络模型;
固定所述已训练的神经网络模型中的参数,并将所述明渠的特征输入参数数据输入至已训练的神经网络模型;
从所述已训练的神经网络模型中获取所述明渠的总流量。
进一步地,所述明渠的流量测量程序被处理器执行时还实现如下操作:
所述获取已训练的神经网络模型的步骤之前包括:
获取针对神经网络模型的明渠参数数据集;
将所述明渠参数数据集进行敏感性分析得到所述明渠的特征输入参数;
根据所述特征输入参数训练所述神经网络模型。
进一步地,所述明渠的流量测量程序被处理器执行时还实现如下操作:
所述获取明渠针对神经网络模型的明渠参数数据集的步骤包括:
基于明渠的工程参数建立所述明渠的CFD模型;
根据所述CFD模型模拟得到至少100组明渠断面的流速场;
基于所述至少100组明渠断面的流速场建立所述明渠的参数数据集。
进一步地,所述明渠的流量测量程序被处理器执行时还实现如下操作:
所述根据所述CFD模型模拟得到至少1000组明渠断面的流速场的步骤还包括:
根据实测明渠流速数据检验所述CFD模型的精确度;
通过损失函数优化所述CFD模型中的参数,得到修正后的CFD模型;
输入不同的明渠工程参数至所述CFD模型得到不同明渠工程参数下明渠的流量参数数据;
基于所述不同明渠工程参数下明渠的流量参数数据建立所述神经网络模型的参数数据集。
进一步地,所述明渠的流量测量程序被处理器执行时还实现如下操作:
所述将所述明渠参数数据集进行敏感性分析得到所述明渠的特征输入参数的步骤包括:
针对所述明渠参数数据集中的数据对建立神经网络模型进行敏感性分析;
基于所述敏感性分析确定所述神经网络模型的特征输入参数。
进一步地,所述明渠的流量测量程序被处理器执行时还实现如下操作:
所述固定所述已训练的神经网络模型中的参数的步骤包括:
确定所述神经网络模型的特征输入参数、输出参数;
基于所述明渠参数数据集训练所述神经网络模型建立所述明渠的流量径向神经网络模型;
根据实测数据验证所述流量径向神经网络模型。
进一步地,所述明渠的流量测量程序被处理器执行时还实现如下操作:
所述从所述已训练的神经网络模型中获取所述明渠的总流量的步骤包括:
获取所述待测明渠的特征输入参数;
将所述特征参数输入所述已训练的神经网络模型;
根据所述流量径向神经网络模型的输出参数得到所述待测明渠断面的断面流量。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种明渠的流量测量方法,其特征在于,包括:
获取已训练的神经网络模型;
固定所述已训练的神经网络模型中的参数,并将所述明渠的特征输入参数数据输入至已训练的神经网络模型;
从所述已训练的神经网络模型中获取所述明渠的总流量。
2.根据权利要求1所述的明渠的流量测量方法,其特征在于,所述获取已训练的神经网络模型的步骤之前包括:
获取针对神经网络模型的明渠参数数据集;
将所述明渠参数数据集进行敏感性分析得到所述明渠的特征输入参数;
根据所述特征输入参数训练所述神经网络模型。
3.根据权利要求2所述的明渠的流量测量方法,其特征在于,所述获取明渠针对神经网络模型的明渠参数数据集的步骤包括:
基于明渠的工程参数建立所述明渠的CFD模型;
根据所述CFD模型模拟得到至少100组明渠断面的流速场;
基于所述至少100组明渠断面的流速场建立所述明渠的参数数据集。
4.根据权利要求3所述的明渠的流量测量方法,其特征在于,所述根据所述CFD模型模拟得到至少100组明渠断面的流速场的步骤还包括:
根据实测明渠流速数据检验所述CFD模型的精确度;
通过损失函数优化所述CFD模型中的参数,得到修正后的CFD模型;
输入不同的明渠工程参数至所述CFD模型得到不同明渠工程参数下明渠的流量参数数据;
基于所述不同明渠工程参数下明渠的流量参数数据建立所述神经网络模型的参数数据集。
5.根据权利要求2所述的明渠的流量测量方法,其特征在于,所述将所述明渠参数数据集进行敏感性分析得到所述明渠的特征输入参数的步骤包括:
针对所述明渠参数数据集中的数据对建立神经网络模型进行敏感性分析;
基于所述敏感性分析确定所述神经网络模型的特征输入参数。
6.根据权利要求1所述的明渠的流量测量方法,其特征在于,所述固定所述已训练的神经网络模型中的参数的步骤包括:
确定所述神经网络模型的特征输入参数、输出参数;
基于所述明渠参数数据集训练所述神经网络模型建立所述明渠的流量径向神经网络模型;
根据实测数据验证所述流量径向神经网络模型。
7.根据权利要求1所述的明渠的流量测量方法,其特征在于,所述从所述已训练的神经网络模型中获取所述明渠的总流量的步骤包括:
获取所述待测明渠的特征输入参数;
将所述特征参数输入所述已训练的神经网络模型;
根据所述流量径向神经网络模型的输出参数得到所述待测明渠断面的断面流量。
8.一种明渠的流量测量装置,其特征在于,包括:
神经网络模型建立模块,用于建立神经网络模型,并获取所述神经网络模型;
数据输入模块,用于固定所述已训练的神经网络模型中的参数,并将所述明渠的特征输入参数数据输入至已训练的神经网络模型;
计算模块,用于从所述已训练的神经网络模型中获取所述明渠的总流量。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,所述存储器上存储有可被至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7任一项所述的明渠的流量测量方法的步骤。
10.一种计算机存储介质,其特征在于,包括:所述计算机可读存储介质上存储有明渠的流量测量程序,所述明渠的流量测量程序被处理器执行时实现如权利要求1至7中任一项所述的明渠的流量测量方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111316646.7A CN114169258A (zh) | 2021-11-08 | 2021-11-08 | 一种明渠的流量测量方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111316646.7A CN114169258A (zh) | 2021-11-08 | 2021-11-08 | 一种明渠的流量测量方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114169258A true CN114169258A (zh) | 2022-03-11 |
Family
ID=80478313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111316646.7A Pending CN114169258A (zh) | 2021-11-08 | 2021-11-08 | 一种明渠的流量测量方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169258A (zh) |
Cited By (1)
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 |
-
2021
- 2021-11-08 CN CN202111316646.7A patent/CN114169258A/zh active Pending
Cited By (1)
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108170853B (zh) | 一种聊天语料自清洗方法、装置和用户终端 | |
CN109685246B (zh) | 环境数据预估方法、装置及存储介质、服务器 | |
CN114781766B (zh) | 水文站点的水文信息预测方法、装置、设备及存储介质 | |
CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
CN112683169A (zh) | 物体尺寸测量方法、装置、设备及存储介质 | |
CN114169258A (zh) | 一种明渠的流量测量方法、装置、设备及存储介质 | |
CN116882708A (zh) | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 | |
CN113705534A (zh) | 基于深度视觉的行为预测方法、装置、设备及存储介质 | |
CN114330937A (zh) | 一种隐含碳排放量核算方法、设备及存储介质 | |
CN113899367B (zh) | 无人机降落的定位方法、装置、计算机设备及存储介质 | |
CN114088144B (zh) | 一种明渠的流量测量方法、系统、设备及存储介质 | |
KR102619200B1 (ko) | 인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법 및 컴퓨터 프로그램 | |
US20230025626A1 (en) | Method and apparatus for generating process simulation models | |
CN116522834A (zh) | 时延预测方法、装置、设备及存储介质 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN116205983A (zh) | 一种标定方法、装置、电子设备及存储介质 | |
KR102223116B1 (ko) | 영상 판독 방법 및 장치 | |
CN111062477B (zh) | 一种数据处理方法、装置及存储介质 | |
CN113553026A (zh) | 神经网络装置及其操作方法、应用处理器 | |
CN112257908A (zh) | 一种山区农业多源异构数据的整合方法及装置 | |
CN116736962B (zh) | 一种多功能教育pc的电源管理方法、装置、设备及介质 | |
WO2022021199A1 (zh) | 一种神经网络模型构建方法及其设备 | |
CN115878947A (zh) | 一种偏微分方程求解方法及其相关设备 | |
CN115878946A (zh) | 一种偏微分方程求解方法及其相关设备 | |
CN111242193A (zh) | 基于迁移学习的电子商务欺诈检测方法、装置及存储介质 |
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 |