CN114970099B - 一种输水明渠冬季水温智能预报方法 - Google Patents
一种输水明渠冬季水温智能预报方法 Download PDFInfo
- Publication number
- CN114970099B CN114970099B CN202210432897.XA CN202210432897A CN114970099B CN 114970099 B CN114970099 B CN 114970099B CN 202210432897 A CN202210432897 A CN 202210432897A CN 114970099 B CN114970099 B CN 114970099B
- Authority
- CN
- China
- Prior art keywords
- water
- water temperature
- temperature
- section
- open channel
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 220
- 238000013277 forecasting method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 239000002245 particle Substances 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract 1
- 241000283073 Equus caballus Species 0.000 description 11
- 238000005259 measurement Methods 0.000 description 5
- 238000000611 regression analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种输水明渠冬季水温智能预报方法，根据输水明渠线性、单向、顺序流动的特点，基于拉格朗日质点跟踪法，结合水体渐次失热物理过程，根据质量守恒和热量平衡原理，以初始断面水温+区间气温链模式，构建基于物理机制的水温智能预报模型；根据输水流量计算水体从初始断面运动至终末断面的时长t；基于历史运行水温和气温数据，监督训练模型关键参数K；将相关参数代入构建的水温智能预报模型的物理方程进行于明渠冬季水温预测。本发明构造的水温智能预报模型的物理方程结构形式简单，物理机制清晰，所需参数不多，水温预测精度高，简便易用。
Description
技术领域
本发明涉及长距离输水明渠冬季冰期输水技术领域，具体是一种输水明渠冬季水温智能预报方法。
背景技术
寒冷区长距离输水明渠冬季结冰是常见的自然现象。对于北方寒冷地区输水明渠而言，冬季输水面临结冰问题。多年输水明渠冰情原型观测表明，当断面平均水温Tw≤3.0℃时岸冰初生；当Tw≤1.5℃时出现流冰；当Tw≤0.2℃时冰盖开始生成。因此，精细的水温模拟预测是分析冰情演化的基础。冬季输水一旦形成冰盖，为防止冰塞险情，必须控制水流流速和弗劳德数(Fr≤0.06)，冰期输水安全流量仅为渠段设计流量的33％～50％，严重影响工程效益发挥。气温是水温-冰盖演化的最主要驱动因子，因此，渠道水温与气温的定量响应关系是长距离输水明渠冰情分析的重点和难点。
受水区不断增长的用水需求与输水能力不足的矛盾制约着工程效益的发挥，冬季冰期输水瓶颈尤为突出，成为总干渠输水能力提升的重点和难点。而精确的水温预测是提升冬季输水能力的前提和基础。
而现有的一维水温数学预测模型建模周期长，需要的各类实测数据较多，对数据要求较高，运算过程较为繁杂，与移动终端信息化平台接口较为困难，使其应用受到一定限制；统计参数模型物理机制不健全，有时仅凭数据进行相关分析和回归分析，可能是一种“伪相关”或“伪回归”。
发明内容
针对现有技术存在的上述不足，本发明提供一种输水明渠冬季水温智能预报方法，以解决科学性和时效性的问题，本发明以初始断面水温+区间气温链模式，构建基于物理机制的水温精细智能预报模型，基于运行冬季实测的气温和水温数据，利用回归分析和机器学习等手段，监督训练模型关键参数，阐明渠道水温与气温链的定量响应关系，从而预测冬季水温变化过程。
一种输水明渠冬季水温智能预报方法，包括如下步骤：
步骤一、以初始断面部分水体为研究对象，构建基于物理机制的水温智能预报模型，所述水温智能预报模型的物理方程如下：
cρQet0Tw1＝cρQet0Tw2+Kt(Tw1-Ta)
其中：
t：水体从初始断面运动至终末断面的时长；
t0：水股取样时间，此处取t0＝1s；
Tw1：水体初始断面平均水温；
Tw2：t时段后水体运动至终末断面的平均水温；
Ta：区间气温链；
K：水面与大气热交换系数；
Qe：终末断面流量；
ρ：水的密度；
c：水的比热；
步骤二、根据输水流量，计算明渠沿线布设的n个气象站的影响渠段水流流经时长t1、t2、、、tn，以及水流从渠首流动至渠末的总时长 t，精确到小时；
步骤三、根据历年运行的实测水温和气温数据，采用机器学习的方法监督训练大气与水体热交换系数K；
步骤四、根据已知初始断面实测水温Tw1和天气预报的区间气温链气温Ta，以及式(1)得到预测的终末断面水温Tw2：
其中，天气预报的区间气温链气温Ta根据步骤二所得n个气象站的影响渠段水流流经时长t1、t2、、、tn计算得到。
进一步的，步骤一中，初始断面流量Qi通常大于终末断面流量 Qe，以初始断面部分水体为研究对象，构建基于物理机制的水温智能预报模型，即初始断面指定水体携带的热量等于终末断面水体携带的热量加上沿程散失或吸收的热量，其中初始断面部分水体最终流至渠末断面的水股对应流量为Qe，初始断面指定水体携带的热量对应水温Tw1，终末断面水体携带的热量对应水温Tw2。
进一步的，步骤二具体实施步骤为：根据输水流量和水位，采用明渠恒定非均匀渐变流水面曲线的计算方法--逐段试算法，计算得出水流从渠首流动至渠末的时长t，再结合地形确定气象站的影响范围，计算得出沿线布设的n个气象站每个气象站影响渠段水流流经时长为t1、t2、、、tn，精确到小时。
进一步的，步骤四中，终末断面的水温计算公式是由式(1)整理得来的，将选取的初始断面的水温、区间气温链Ta与步骤三中应用实测数据训练得出的关键参数K带入到公式(2)中即可预测终末断面水温。
本发明具有如下有益效果：本发明根据调水明渠线性、单向顺序流动的特点，沿线选取n个气象站，结合初始断面水温与区间气温序列链，基于质量守恒和热量平衡原理，构造的物理方程结构形式简单，物理机制清晰，所需参数不多，采用工程运行实测数据监督训练模型关键参数，水温预测精度高，简便易用。
附图说明
图1为本发明输水工程与沿线气象站的示意图；
图2是岗头闸～北拒马河闸渠段示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实例是本发明的一部分实例，而不是全部的实例。基于本发明中的实例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实例，都属于本发明保护的范围。
本发明在充分分析输水明渠流动基础上，考虑到初始断面流量通常大于渠末流量，以初始断面部分水体(最终流动至渠末断面的水股) 为研究对象，根据质量守恒和热量平衡原理，初始断面指定水体携带的热量等于终末断面同股水体携带的热量加上沿程散失(或吸收)的热量。故此，以初始断面水温+区间气温链模式，构建基于物理机制的水温精细智能预报模型，基于运行冬季实测的气温和水温数据，利用回归分析和机器学习等手段，监督训练模型关键参数，阐明渠道水温与气温链的定量响应关系，从而预测冬季水温变化过程。
本发明实施例提供一种输水明渠冬季水温智能预报方法，包括如下步骤：
步骤一、根据质量守恒和热量平衡原理，考虑输水明渠沿线分流，初始断面流量Qi通常大于终末断面流量Qe，以初始断面部分水体(最终流至渠末断面的水股，对应流量为Qe)为研究对象，构建基于物理机制的水温智能预报模型。即初始断面指定水体携带的热量(对应水温Tw1)等于终末断面水体携带的热量(对应水温Tw2)加上沿程散失(或吸收)的热量。构建物理方程如式(1)所示：
cρQet0Tw1＝cρQet0Tw2+Kt(Tw1-Ta) (1)
符号示例：
t：水体从初始断面运动至终末断面的时长(s)；
t0：水股取样时间(s)，此处取t0＝1s；
Tw1：水体初始断面平均水温(℃)；
Tw2：t时段后水体运动至终末断面的平均水温(℃)；
Ta：区间气温链(℃)；
K：水面与大气热交换系数(W/℃)；
Qe：终末断面流量(m3/s)；
ρ：水的密度(kg/m3)；
c：水的比热(J/kg·℃)。
步骤一中，是根据输水明渠线性、单向、顺序流动的特点，基于拉格朗日质点跟踪法，结合水体渐次失热物理过程，根据质量守恒和热量平衡原理，以初始断面水温+区间气温链模式，构建基于物理机制的水温智能预报模型。
若以初始断面全部水体(对应流量Qi)为研究对象构建方程，由于沿线分流，若要考虑质量守恒和热量平衡，构建的物理方程将非常冗繁复杂，而本发明巧妙地予以避免；步骤一中，主要考虑水体与大气的热交换并采用气温因子，其他因子影响很小。
步骤二、根据沿线输水流量(Qi、Qe)，计算输水明渠沿线布设的n个气象站(如图1所示)影响渠段水流流经的时长t1、t2、、、tn，以及水流从初始断面流动至终末断面的总时长t，精确到小时；具体的，根据输水流量和水位，采用明渠恒定非均匀渐变流水面曲线的计算方法--逐段试算法，计算得出水流从渠首流动至渠末的时长t，再结合地形确定气象站的影响范围，计算得出沿线布设的n个气象站每个气象站影响渠段水流流经时长为t1、t2、、、tn，精确到小时。
步骤三、根据历年运行的大量实测水温和气温数据，采用机器学习手段监督训练水面与大气热交换系数K；具体的，应用往年的实测运行数据，带入到步骤一所建立的模型中，监督训练模型关键参数K。
步骤四、根据已知初始断面实测水温Tw1和天气预报的区间气温链气温Ta，将(1)式稍加整理，预测的终末断面水温Tw2可描述为：
步骤四中，终末断面的水温计算公式是由式(1)整理得来的，将选取的初始断面的水温Tw1、区间气温链Ta与步骤三中应用实测数据练得出的关键参数K带入到公式(2)中即可预测终末断面水温。
本发明应用实例
某调水工程总干渠全长1432km，其中从陶岔渠首至明渠末端北拒马河节制闸渠长1198km，从南至北依次流经南阳、郑州、邢台和保定等城市。2016～2020年5个冬季输水流量相近趋于正常，观测表明，2016年冬季冰情最为严重，封冻冰盖长度360km；其次是2018 年冬季，封冻冰盖长度10km；次之是2019年，封冻冰盖长度2km；2017、2020冬季未形成冰盖。其中，岗头闸～北拒马河闸渠长86km，位于总干渠最末段，冬季输水现场冰情观测表明，本渠段冰情最为严重，通水8个冬季中有6个冬季形成冰盖，冰塞险情几乎均发生在本渠段，是冰情研究最为关注的渠段，因此选取岗头闸以北模型作为应用实例。按当前冰期输水流量计算，岗头闸～北拒马河闸水流运动时长约48小时，输水流量将改变区间水流运移时长(以实际运动时长计)。气温采用满城-易县-涿州3站逐小时气温数据(短期气象预报准确率高)，本模型预报时效短，预测精度要求最高，偏差小于0.2℃，以满足精细输水调度要求。具体实施步骤如下：
步骤一、中线岗头隧洞进口至北拒马进口明渠长L＝86km，确定初始断面为岗头节制闸处的水流断面，终末断面为北拒马节制闸处的水流断面(如图2)，水股取样时间为1s；对于岗头闸～北拒马河闸渠段而言，岗头闸前断面指定水体携带的热量(对应水温Tw1)等于北拒马闸前断面同股水体携带的热量(对应水温Tw2)加上沿程散失 (或吸收)的热量，即构建水温智能预报模型的物理方程如下：
cρQet0Tw1＝cρQet0Tw2+Kt(Tw1-Ta) (1)
t0：时间(s)，此处取t0＝1s；
Ta：气温(℃)；
ρ：水的密度(kg/m3)；
c：水的比热(J/kg·℃)
Qb：北拒马河闸输水流量(m3/s)；
t：水体从岗头闸-北拒马河闸运动时长(h)；
K：岗头闸-北拒马河闸渠段水面与大气热交换系数(W/h·℃)；
Tw1：岗头闸断面平均水温(℃)；
Tw2：北拒马断面平均水温(℃)；
Ta：区间岗头闸～北拒马河闸逐小时气温链的平均气温(℃)；
构建的水温智能预报模型的相关参数见表1：
表1
步骤二、在渠长范围内，结合地形的影响，选取沿线分布的满城、易县和涿州3个气象站，根据输水流量，计算得出上述三个气象站影响渠段水流流经时分别为12h、24h、12h，水流从初始断面流动至终末断面的总时长为48小时。
步骤三：根据2020～2021年冬季所选渠段的实测运行数据，计算得出大气与水体的热交换系数K＝78W/℃；
步骤四：由初始断面水温Tw1、区间气温链和公式(1)计算预报终末断面(北拒马闸断面)的水温Tw2即：
这里选取2021-12-25 8时岗头闸～2021-12-27 8时北拒马河闸、 2021-12-27 8时岗头闸～2021-12-29 8时北拒马河闸、2021-12-29 8时岗头闸～2021-12-31 8时北拒马河闸、2022-1-1 8时岗头闸～2022-1-3 8 时北拒马河闸、2022-1-3 8时岗头闸～2022-1-58时北拒马河闸、2022-1-5 8时岗头闸～2022-1-7 8时北拒马河闸、2022-1-7 8时岗头闸～2022-1-9 8时北拒马河闸、2022-1-8 8时岗头闸～2022-1-10 8时北拒马河闸共8条气温序列链，预报终末断面气温与实测气温如下表2：
表2工况预测结果对比
上述所选取的八条区间气温链，初始断面均为岗头闸断面，终末断面均为北拒马河闸断面，水股取样时长均为1s，水体的比热容和密度均为常量。从预测的结果来看，预测精度偏差较小，均在0.2℃以下，满足中线冬季安全高效输水气温预测的要求，可见本发明方法预测结果更精确，其物理机制更符合实际，在计算过程中，所需要的数据相对较少，步骤清晰简洁。
应该说明的是，本方法是基于质量守恒与热量平衡原理建立的预测模型，可适用于多种尺度水温预报问题，适用范围较广。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种输水明渠冬季水温智能预报方法，其特征在于：包括如下步骤：
步骤一、以初始断面部分水体为研究对象，构建基于物理机制的水温智能预报模型，所述水温智能预报模型的物理方程如下：
cρQet0Tw1＝cρQet0Tw2+Kt(Tw1-Ta)
其中：
t：水体从初始断面运动至终末断面的时长；
t0：水股取样时间，此处取t0＝1s；
Tw1：水体初始断面平均水温；
Tw2：t时段后水体运动至终末断面的平均水温；
Ta：区间气温链；
K：水面与大气热交换系数；
Qe：终末断面流量；
ρ：水的密度；
c：水的比热；
步骤二、根据输水流量，计算明渠沿线布设的n个气象站的影响渠段水流流经时长t1、t2、、、tn，以及水流从渠首流动至渠末的总时长t，精确到小时；
步骤三、根据历年运行的实测水温和气温数据，采用机器学习的方法监督训练大气与水体热交换系数K；
步骤四、根据已知初始断面实测水温Tw1和天气预报的区间气温链气温Ta，以及式(1)得到预测的终末断面水温Tw2：
其中，天气预报的区间气温链气温Ta根据步骤二所得n个气象站的影响渠段水流流经时长t1、t2、、、tn计算得到。
2.如权利要求1所述的输水明渠冬季水温智能预报方法，其特征在于：步骤一中，初始断面流量Qi通常大于终末断面流量Qe，以初始断面部分水体为研究对象，构建基于物理机制的水温智能预报模型，即初始断面指定水体携带的热量等于终末断面水体携带的热量加上沿程散失或吸收的热量，其中初始断面部分水体最终流至渠末断面的水股对应流量为Qe，初始断面指定水体携带的热量对应水温Tw1，终末断面水体携带的热量对应水温Tw2。
3.如权利要求1所述的输水明渠冬季水温智能预报方法，其特征在于：步骤二具体实施步骤为：根据输水流量和水位，采用明渠恒定非均匀渐变流水面曲线的计算方法--逐段试算法，计算得出水流从渠首流动至渠末的时长t，再结合地形确定气象站的影响范围，计算得出沿线布设的n个气象站每个气象站影响渠段水流流经时长为t1、t2、、、tn，精确到小时。
4.如权利要求1所述的输水明渠冬季水温智能预报方法，其特征在于：步骤四中，终末断面的水温计算公式是由式(1)整理得来的，将选取的初始断面的水温、区间气温链Ta与步骤三中应用实测数据训练得出的关键参数K带入到公式(2)中即可预测终末断面水温。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210432897.XA CN114970099B (zh) | 2022-04-24 | 2022-04-24 | 一种输水明渠冬季水温智能预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210432897.XA CN114970099B (zh) | 2022-04-24 | 2022-04-24 | 一种输水明渠冬季水温智能预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114970099A CN114970099A (zh) | 2022-08-30 |
| CN114970099B true CN114970099B (zh) | 2024-04-16 |
Family
ID=82979845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210432897.XA Active CN114970099B (zh) | 2022-04-24 | 2022-04-24 | 一种输水明渠冬季水温智能预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114970099B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115408887B (zh) * | 2022-10-31 | 2023-01-10 | 交通运输部天津水运工程科学研究所 | 一种近海电厂取水卷吸机制数值模拟与评估方法 |
| CN116400763B (zh) * | 2023-05-19 | 2023-09-01 | 长江水利委员会长江科学院 | 一种冬季输水明渠动态控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783321A (zh) * | 2020-08-05 | 2020-10-16 | 中国水利水电科学研究院 | 一种缺乏资料区河渠冬季冰情发展过程的模拟方法 |
| CN112465314A (zh) * | 2020-11-13 | 2021-03-09 | 长江水利委员会长江科学院 | 一种长距离调水明渠冬季气温等级评价方法 |
| CN112733367A (zh) * | 2021-01-13 | 2021-04-30 | 武汉科技大学 | 一种基于七日气象预报的调水工程冰期输水调度方法 |
| CN113283191A (zh) * | 2021-05-26 | 2021-08-20 | 北京华可实工程技术有限公司 | 一种引水渠道水温迭代预测方法 |
| CN114297862A (zh) * | 2021-12-30 | 2022-04-08 | 北京华可实工程技术有限公司 | 一种引水渠道冰情预测模型的构建方法 |
-
2022
- 2022-04-24 CN CN202210432897.XA patent/CN114970099B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783321A (zh) * | 2020-08-05 | 2020-10-16 | 中国水利水电科学研究院 | 一种缺乏资料区河渠冬季冰情发展过程的模拟方法 |
| CN112465314A (zh) * | 2020-11-13 | 2021-03-09 | 长江水利委员会长江科学院 | 一种长距离调水明渠冬季气温等级评价方法 |
| CN112733367A (zh) * | 2021-01-13 | 2021-04-30 | 武汉科技大学 | 一种基于七日气象预报的调水工程冰期输水调度方法 |
| CN113283191A (zh) * | 2021-05-26 | 2021-08-20 | 北京华可实工程技术有限公司 | 一种引水渠道水温迭代预测方法 |
| CN114297862A (zh) * | 2021-12-30 | 2022-04-08 | 北京华可实工程技术有限公司 | 一种引水渠道冰情预测模型的构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 冰水二相流渠道流冰输移演变规律及其安全运行措施研究;穆祥鹏;陈云飞;吴艳;陈文学;文;;南水北调与水利科技;20180829(05);全文 * |
| 南水北调中线冰情演变水温与气温阈值研究;李程喜;水利科学与寒区工程;20220228;第5卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114970099A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114970099B (zh) | 一种输水明渠冬季水温智能预报方法 | |
| CN106951612B (zh) | 土壤冻融过程中动态蓄水容量产流计算方法 | |
| Xu et al. | Temperature prediction model of asphalt pavement in cold regions based on an improved BP neural network | |
| CN102938021B (zh) | 一种输电线路覆冰负荷定量估计及预测方法 | |
| CN103886187B (zh) | 一种基于数据同化的河道水沙实时预测方法 | |
| CN104408913B (zh) | 一种考虑时空相关性的交通流三参数实时预测方法 | |
| CN107085943B (zh) | 一种道路旅行时间短期预测方法和系统 | |
| CN102117383A (zh) | 一种河流污染实时诊断的方法 | |
| CN111428942B (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
| CN104008278A (zh) | 一种基于特征向量和最小二乘支持向量机的pm25浓度预测方法 | |
| CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
| Huang et al. | A new air quality forecasting model using data mining and artificial neural network | |
| CN114580793B (zh) | 基于多源互补以及局部调控的水环境优化方法及系统 | |
| CN107133400A (zh) | 一种飞机结构疲劳可靠度贝叶斯组合预测方法 | |
| CN108171007A (zh) | 一种基于数值集合预报极值修正的中长期径流预报方法 | |
| CN107293118A (zh) | 一种交通速度动态区间短时预测方法 | |
| CN113139224B (zh) | 一种寒区隧道安全运行监测系统 | |
| CN106251027A (zh) | 基于模糊支持向量分位数回归的电力负荷概率密度预测方法 | |
| CN105404934A (zh) | 一种基于条件随机场的城市人口移动数据模型分析方法 | |
| CN103257000B (zh) | 一种桥梁结构日照作用分析的极值温度预测方法 | |
| CN115099162A (zh) | 一种复杂地形下风场的订正方法 | |
| CN106408936B (zh) | 一种基于手机数据的高速公路异常事件实时检测方法 | |
| Trachsel et al. | Modelling annual mass balances of eight Scandinavian glaciers using statistical models | |
| CN113435645B (zh) | 一种路面凝冰时间预测方法、系统、装置及存储介质 | |
| Zhao et al. | Damage prediction model for concrete pavements in seasonally frozen regions |
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 |