CN114965199A - 基于kaf-rbf协同融合的悬移质含沙量测量方法 - Google Patents

基于kaf-rbf协同融合的悬移质含沙量测量方法 Download PDF

Info

Publication number
CN114965199A
CN114965199A CN202210457653.7A CN202210457653A CN114965199A CN 114965199 A CN114965199 A CN 114965199A CN 202210457653 A CN202210457653 A CN 202210457653A CN 114965199 A CN114965199 A CN 114965199A
Authority
CN
China
Prior art keywords
sand content
rbf
ultrasonic probe
representing
coefficient
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
CN202210457653.7A
Other languages
English (en)
Inventor
李敏
张铭锋
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.)
Yangzhou University
Original Assignee
Yangzhou University
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 Yangzhou University filed Critical Yangzhou University
Priority to CN202210457653.7A priority Critical patent/CN114965199A/zh
Publication of CN114965199A publication Critical patent/CN114965199A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • 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
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/02—Investigating particle size or size distribution
    • 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
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Biophysics (AREA)
  • Dispersion Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Hydrology & Water Resources (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开了基于KAF‑RBF协同融合的悬移质含沙量测量方法，本申请通过构建超声波测量系统后，对超声波探头检测到的河道水流的信号幅值先进行核自适应滤波，剔除设备自身的噪声干扰后，对数据进行融合处理，输入RBF神经网络中进行训练，最终得到更为精确的测量结果，本申请能够剔除仪器上的噪声干扰，减小环境因素对测量的影响，提升超声波预测河道泥沙的精度和扩大泥沙粒径的适用区间。

Description

基于KAF-RBF协同融合的悬移质含沙量测量方法
技术领域
本发明涉及河道含沙量测量领域，特别涉及基于KAF-RBF协同融合的悬移质含沙量测量方法。
背景技术
河道含沙量是水工建筑设计、水资源规划的重要依据之一，对河道泥沙进行测量也是水文水资源观测的重要任务。目前，国内外大多数的水文观测站采用瞬时采样器来测量河道泥沙，然而，这种采样器普遍存在误差较大、人工耗费大、测试时间过久以及安全隐患等问题。近些年来，电容差压法、振动法，以及超声波等技术被广泛应用于含沙量测量，电容法易受温度影响，在实际测量中，流速等也会对测量结果造成很大干扰，适用条件十分受限；振动法测量仪器体积较大，且受水深、流速影响，不适用于河道中的泥沙测量；超声波技术在河道悬移质泥沙测量表现相对较好，但该方法只适用于河道含沙量较小的情况，当含沙量较大时测量误差较大，针对这些问题，本申请提出了一种解决方案。
发明内容
发明目的：本发明的目的是提供一种基于KAF-RBF协同融合的悬移质含沙量测量方法，能够剔除仪器自身的噪声干扰以及坏境因素会对泥沙的测量产生的干扰，有效提高超声波法的含沙量测量适用区间和提高测量精度。
技术方案：本发明所述的基于KAF-RBF协同融合的悬移质含沙量测量方法，具体包括以下步骤：
S1：构建超声波测量系统，所述超声波测量系统包括有检测模块、噪声剔除模块、数据融合处理模块和输出模块；
S2：对检测模块中超声波探头采集到的河道水流信号幅值M(n)采用核自适应滤波器进行处理，剔除接收到的信号幅值M(n)中存在的传感器本身的噪声干扰，得到处理后的真实信号幅值Mt(n)；
S3：对真实信号幅值Mt(n)利用反演算法初步获取河道泥沙信息：单位体积含沙量S 以及泥沙粒径r；
S4：将初步获取的河道泥沙信息以及测量区距离d、水深h、水温T和流速v输入到RBF神经网络模型中进行训练，所述RBF神经网络模型中的隐含层到输出层是线性映射，映射函数的权通过线性函数解出，RBF神经网络模型的基函数为高斯函数：
Figure BDA0003620990950000021
其中φj是隐含层中的第j个节点输出，Cj是高斯基函数的中心值，隐含层节点数为M，σ是标准化常数；
隐含层的节点输出的线性组合经过输出层的输出函数为：
Figure BDA0003620990950000022
其中p为节点个数，wij为网络输出加权值；
S5：RBF神经网络模型利用输出值和实测值的误差，以均方误差最小为原则，求出输出层的权值，最终得到剔除了噪声干扰和环境干扰的含沙量值St。
作为优选，所述S1中检测模块包括有超声波探头、水温计、流速计、水深计和压强计，所述超声波探头采用多频超声波探头。
作为优选，所述S2中真实信号幅值Mt(n)的求解方式具体为：超声波探头的发射频率为f，输入核自适应滤波器的信号幅值为M(n)，期望信号(干扰信号的期望)D(n)， D(n)经过核自适应滤波器后输出值为y(n)，M(n)与y(n)相减得到误差e(n)后重新输入核自适应滤波器，自动更新权重系数和向量参数，当误差收敛时，则输出值y(n)逼近真实的噪声，从而e(n)逼近真实信号幅值Mt(n)。
作为优选，所述S2中核自适应滤波器需要限定的频率与超声波探头的发射频率相同。
作为优选，所述S3中利用反演算法初步获得河道泥沙信息具体包括有以下步骤：
S3.1：由于超声波在介质中传播会产生衰减，计算声压变化：
I＝I0e-ax
其中I0为初始声压，a表示声衰系数，x表示传播距离；
S3.2：利用超声波探头在测量区的一次回波A1和二次回波A2计算声衰系数：
M1＝e-2αpdpRp,sMi
M2＝e-2αpdp(1-R2 p,s)Rs,wMie-2αd
其中M1表示第一次回波信号幅值，M2表示第二次回波信号幅值，Mi表示原来信号幅值，a表示声衰系数，d表示测量区距离，Rp,s表示超声波探头玻璃到待测区的发射系数，Rs,w表示待测区到反射板的反射系数，由此可得声衰系数a表示如下：
Figure BDA0003620990950000031
S3.3：变化超声波探头频率以计算不同的声衰系数a，得到超声衰减谱，从而得到泥沙粒径r的分布情况；
S3.4：根据声压变化方程，获得初步的含沙量信息：
Figure BDA0003620990950000032
其中S为单位体积含沙量，Mi表示原来信号幅值，d表示测量区距离，
Figure BDA0003620990950000033
表示散射修正系数，ks表示颗粒散射系数由粒径大小确定，kt表示系统参数，a表示声衰系数。
有益效果：本申请能够剔除仪器上的噪声干扰，减小环境因素对测量的影响，从而进一步提升超声波预测河道泥沙的精度和扩大泥沙粒径的适用区间。
附图说明
图1是本申请的流程示意图；
图2是本申请中协和模型的架构图；
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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。
如图1-2所示，本申请具体包括以下步骤：
S1：构建超声波测量系统，所述超声波测量系统包括有检测模块、噪声剔除模块、数据融合处理模块和输出模块；
其中检测模块包括有超声波探头、水温计、流速计、水深计和压强计，在本实施例中超声波探头采用多频超声波探头；
S2：对检测模块中超声波探头采集到的河道水流信号幅值M(n)采用核自适应滤波器进行处理，剔除接收到的信号幅值M(n)中存在的传感器本身的噪声干扰，得到处理后的真实信号幅值Mt(n)；
其中核自适应滤波器的限定频率与超声波探头的发射频率相同，具体的为：
超声波探头的发射频率为f，输入核自适应滤波器的信号幅值为M(n)，期望信号(干扰信号的期望)D(n)，D(n)经过核自适应滤波器后输出值为y(n)，M(n)与y(n)相减得到误差e(n)后重新输入核自适应滤波器，自动更新权重系数和向量参数，当误差收敛时，则输出值y(n)逼近真实的噪声，从而e(n)逼近真实信号幅值Mt(n)
S3：对真实信号幅值Mt(n)利用反演算法初步获取河道泥沙信息：单位体积含沙量S 以及泥沙粒径r，具体包括以下步骤：
S3.1：由于超声波在介质中传播会产生衰减，计算声压变化：
I＝I0e-ax
其中I0为初始声压，a表示声衰系数，x表示传播距离；
S3.2：利用超声波探头在测量区的一次回波A1和二次回波A2计算声衰系数：
M1＝e-2αpdpRp,sMi
M2＝e-2αpdp(1-R2 p,s)Rs,wMie-2αd
其中M1表示第一次回波信号幅值，M2表示第二次回波信号幅值，Mi表示原来信号幅值，a表示声衰系数，d表示测量区距离，Rp,s表示超声波探头玻璃到待测区的发射系数，Rs,w表示待测区到反射板的反射系数，由此可得声衰系数a表示如下：
Figure BDA0003620990950000041
S3.3：变化超声波探头频率以计算不同的声衰系数a，得到超声衰减谱，从而得到泥沙粒径r的分布情况；
S3.4：根据声压变化方程，获得初步的含沙量信息：
Figure BDA0003620990950000042
其中S为单位体积含沙量，Mi表示原来信号幅值，d表示测量区距离，
Figure BDA0003620990950000043
表示散射修正系数，ks表示颗粒散射系数由粒径大小确定，kt表示系统参数，a表示声衰系数；
S4：将初步获取的河道泥沙信息以及测量区距离d、水深h、水温T和流速v输入到RBF神经网络模型中进行训练，所述RBF神经网络模型中的隐含层到输出层是线性映射，映射函数的权通过线性函数解出，RBF神经网络模型的基函数为高斯函数：
Figure BDA0003620990950000051
其中φj是隐含层中的第j个节点输出，Cj是高斯基函数的中心值，隐含层节点数为M，σ是标准化常数；
隐含层的节点输出的线性组合经过输出层的输出函数为：
Figure BDA0003620990950000052
其中p为节点个数，wij为网络输出加权值；
S5：RBF神经网络模型利用输出值和实测值的误差，以均方误差最小为原则，求出输出层的权值，最终得到剔除了噪声干扰和环境干扰的含沙量值St。

Claims (5)

1.基于KAF-RBF协同融合的悬移质含沙量测量方法，其特征在于：具体包括以下步骤：
S1：构建超声波测量系统，所述超声波测量系统包括有检测模块、噪声剔除模块、数据融合处理模块和输出模块；
S2：对检测模块中超声波探头采集到的河道水流信号幅值M(n)采用核自适应滤波器进行处理，剔除接收到的信号幅值M(n)中存在的传感器本身的噪声干扰，得到处理后的真实信号幅值Mt(n)；
S3：对真实信号幅值Mt(n)利用反演算法初步获取河道泥沙信息：单位体积含沙量S以及泥沙粒径r；
S4：将初步获取的河道泥沙信息以及测量区距离d、水深h、水温T和流速v输入到RBF神经网络模型中进行训练，所述RBF神经网络模型中的隐含层到输出层是线性映射，映射函数的权通过线性函数解出，RBF神经网络模型的基函数为高斯函数：
Figure FDA0003620990940000011
其中φj是隐含层中的第j个节点输出，Cj是高斯基函数的中心值，隐含层节点数为M，σ是标准化常数；
隐含层的节点输出的线性组合经过输出层的输出函数为：
Figure FDA0003620990940000012
其中p为节点个数，wij为网络输出加权值；
S5：RBF神经网络模型利用输出值和实测值的误差，以均方误差最小为原则，求出输出层的权值，最终得到剔除了噪声干扰和环境干扰的含沙量值St。
2.根据权利要求1所述的基于KAF-RBF协同融合的悬移质含沙量测量方法，其特征在于：所述S1中检测模块包括有超声波探头、水温计、流速计、水深计和压强计，所述超声波探头采用多频超声波探头。
3.根据权利要求1所述的基于KAF-RBF协同融合的悬移质含沙量测量方法，其特征在于：所述S2中真实信号幅值Mt(n)的求解方式具体为：超声波探头的发射频率为f，输入核自适应滤波器的信号幅值为M(n)，期望信号(干扰信号的期望)D(n)，D(n)经过核自适应滤波器后输出值为y(n)，M(n)与y(n)相减得到误差e(n)后重新输入核自适应滤波器，自动更新权重系数和向量参数，当误差收敛时，则输出值y(n)逼近真实的噪声，从而e(n)逼近真实信号幅值Mt(n)。
4.根据权利要求1所述的基于KAF-RBF协同融合的悬移质含沙量测量方法，其特征在于：所述S2中核自适应滤波器需要限定的频率与超声波探头的发射频率相同。
5.根据权利要求1所述的基于KAF-RBF协同融合的悬移质含沙量测量方法，其特征在于：所述S3中利用反演算法初步获得河道泥沙信息具体包括有以下步骤：
S3.1：由于超声波在介质中传播会产生衰减，计算声压变化：
I＝I0e-ax
其中I0为初始声压，a表示声衰系数，x表示传播距离；
S3.2：利用超声波探头在测量区的一次回波A1和二次回波A2计算声衰系数：
M1＝e-2αpdpRp,sMi
M2＝e-2αpdp(1-R2 p,s)Rs,wMie-2αd
其中M1表示第一次回波信号幅值，M2表示第二次回波信号幅值，Mi表示原来信号幅值，a表示声衰系数，d表示测量区距离，Rp,s表示超声波探头玻璃到待测区的发射系数，Rs,w表示待测区到反射板的反射系数，由此可得声衰系数a表示如下：
Figure FDA0003620990940000021
S3.3：变化超声波探头频率以计算不同的声衰系数a，得到超声衰减谱，从而得到泥沙粒径r的分布情况；
S3.4：根据声压变化方程，获得初步的含沙量信息：
Figure FDA0003620990940000022
其中S为单位体积含沙量，Mi表示原来信号幅值，d表示测量区距离，
Figure FDA0003620990940000023
表示散射修正系数，ks表示颗粒散射系数由粒径大小确定，kt表示系统参数，a表示声衰系数。
CN202210457653.7A 2022-04-28 2022-04-28 基于kaf-rbf协同融合的悬移质含沙量测量方法 Pending CN114965199A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210457653.7A CN114965199A (zh) 2022-04-28 2022-04-28 基于kaf-rbf协同融合的悬移质含沙量测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210457653.7A CN114965199A (zh) 2022-04-28 2022-04-28 基于kaf-rbf协同融合的悬移质含沙量测量方法

Publications (1)

Publication Number Publication Date
CN114965199A true CN114965199A (zh) 2022-08-30

Family

ID=82980541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210457653.7A Pending CN114965199A (zh) 2022-04-28 2022-04-28 基于kaf-rbf协同融合的悬移质含沙量测量方法

Country Status (1)

Country Link
CN (1) CN114965199A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115452670A (zh) * 2022-11-11 2022-12-09 清华大学 一种流动水体中泥沙含量的测定方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115452670A (zh) * 2022-11-11 2022-12-09 清华大学 一种流动水体中泥沙含量的测定方法及装置
WO2024098605A1 (zh) * 2022-11-11 2024-05-16 清华大学 一种流动水体中泥沙含量的测定方法及装置

Similar Documents

Publication Publication Date Title
Leighton et al. Quantification of undersea gas leaks from carbon capture and storage facilities, from pipelines and from methane seeps, by their acoustic emissions
Moore et al. Using multi-frequency acoustic attenuation to monitor grain size and concentration of suspended sediment in rivers
WO2003040718A1 (en) Fluid density measurement in pipes using acoustic pressures
CN106556647A (zh) 一种冲击回波数据处理方法
Li et al. A novel sensitivity matrix construction method for ultrasonic tomography based on simulation studies
Kalashnikov et al. Errors and uncertainties in the measurement of ultrasonic wave attenuation and phase velocity
CN114965199A (zh) 基于kaf-rbf协同融合的悬移质含沙量测量方法
Rychagov et al. Multipath flowrate measurements of symmetric and asymmetric flows
Eren Accuracy in real time ultrasonic applications and transit-time flow meters
Thorne et al. Constraining acoustic backscatter estimates of suspended sediment concentration profiles using the bed echo
Baik et al. Investigation of a method for real time quantification of gas bubbles in pipelines
CN116361621A (zh) 基于风云四号卫星的大气波导监测诊断方法和系统
Meral et al. Analyses of turbidity and acoustic backscatter signal with artificial neural network for estimation of suspended sediment concentration
Hirnschrodt et al. Time domain evaluation of resonance antireflection (RAR) signals for ultrasonic density measurement
Mueller Velocity bias induced by flow patterns around ADCPs and associated deployment platforms
Martinsson et al. Model-based phase velocity and attenuation estimation in wideband ultrasonic measurement systems
Sun et al. Research on the sediment acoustic properties based on a water coupled laboratory measurement system
CN107907591B (zh) 多组分固液两相混合物组分浓度的超声检测系统和方法
Horoshenkov et al. Determination of sewer roughness and sediment properties using acoustic techniques
Temsamani et al. Experimental validation for the diffraction effect in the ultrasonic field of piston transducers and its influence on absorption and dispersion measurements
Hirnschrodt et al. Ultrasonic characterization of liquids using resonance antireflection
Catak et al. Self-Calibration of Ultrasonic Water Flow Meter
CN115655994B (zh) 一种水域泥沙超声波测量方法及系统
Shen et al. Improvements in acoustic sediment concentration profiling using an LMS compensation algorithm
Thorne et al. Analysis of results obtained from a triple frequency acoustic backscatter system for measuring suspended sediments

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