CN115238602B - 一种波致海床瞬态液化对再悬浮贡献率的预测方法 - Google Patents

一种波致海床瞬态液化对再悬浮贡献率的预测方法 Download PDF

Info

Publication number
CN115238602B
CN115238602B CN202210766235.6A CN202210766235A CN115238602B CN 115238602 B CN115238602 B CN 115238602B CN 202210766235 A CN202210766235 A CN 202210766235A CN 115238602 B CN115238602 B CN 115238602B
Authority
CN
China
Prior art keywords
lstm
model
wave
seabed
resuspension
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
CN202210766235.6A
Other languages
English (en)
Other versions
CN115238602A (zh
Inventor
贾永刚
刘汉露
张少同
田壮才
李正辉
陈天
薛凉
孙志文
范智涵
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202210766235.6A priority Critical patent/CN115238602B/zh
Publication of CN115238602A publication Critical patent/CN115238602A/zh
Application granted granted Critical
Publication of CN115238602B publication Critical patent/CN115238602B/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
    • G06F30/28—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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了波致海床瞬态液化对再悬浮贡献率的深度学习预测方法，将多变量时间序列矩阵数据按照一定的时间步长划分为3D张量格式。1D‑CNN可以从3D张量数据中提取特征，利用CNN的输出作为LSTM的输入，发挥LSTM的输入之间有一个很长的延迟和反馈，梯度既不会爆炸也不会消失的优点，进行时间序列的预测。使用原位观测的悬沙浓度和水动力条件数据，构建拟合了基于CNN‑LSTM的混合深度学习模型的波致海床瞬态液化对再悬浮贡献率模型，对侵蚀再悬浮沉积物的来源之一波致瞬态液化导致的再悬浮量进行预测。结合1D‑CNN自动提取多变量之间特征，以及LSTM自动提侵蚀再悬浮过程中的时间序列信息，最后通过捕捉各种再悬浮发生的变量相关性和时间序列相关性以得到更高的预测准确率。

Description

一种波致海床瞬态液化对再悬浮贡献率的预测方法
技术领域
本发明涉及海洋沉积动力学领域，具体而言，特别涉及一种波致海床瞬态液化对再悬浮贡献率的预测方法。
背景技术
在波浪循环荷载作用下，海床内孔隙水压力累积导致的海床渗流甚至液化，会使海床内部细颗粒发生向上输运到海水中，成为悬浮物质。已有研究成果表明，粉质土海床具有波致液化特性，瞬态液化和累积液化都会使海床内部细颗粒沉积物输运到上覆水体，其中，瞬态液化对沉积物再悬浮的贡献率不容忽视，达到了20％～60％。因此，准确预测不同海况下瞬态泵送对再悬浮的贡献率对近岸海床侵蚀量的计算和侵蚀灾害的有效评估具有重要意义。
近底床海水悬沙浓度(Suspended Sediment Concentration,SSC)是研究海底侵蚀再悬浮的关键参数。对于悬沙浓度的预测，通常做法是在现场采集海水样品在室内进行分析，建立基于物理规律的数值计算模型或基于统计的数学模型。然而，为了使模型的计算精度更高，就需要考虑非常多的参数和复杂的过程，这是沉积物侵蚀再悬浮的一大难点。
因此，针对以上问题，需要建立一种找到一种具有物理意义的数据驱动方法，准确实现波致瞬态液化对再悬浮贡献率的预测，基于深度学习的人工智能方法是可行的方案。深度学习方法可以从大量数据集中提取特征信息，这些信息可以作为理解深层次物理规律的证据。人工神经网络(ANN)已广泛应用于海岸泥沙动力学研究，在悬沙浓度(时间序列数据)的预测和沿岸泥沙输移速率计算等方面表现突出。
发明内容
为了弥补现有技术的不足，本发明提供了一种波致海床瞬态液化对再悬浮贡献率的预测方法,解决了以往技术中数据特征获取、传统预测方法精度不高等问题。
本发明是通过如下技术方案实现的：一种波致海床瞬态液化对再悬浮贡献率的预测方法，其特征在于,具体包括以下步骤：
步骤1：在研究区进行海水悬沙浓度和水动力条件的原位长期观测，获取训练和测试模型的数据集，包括水深(D)、有效波高(Hs)、有效波周期(Ts)、海底床内部沉积物泵送再悬浮泥沙浓度(Sin)、总悬浮泥沙浓度(St)；
步骤2：按照公式(1)计算波致海床瞬态液化对沉积物再悬浮贡献率；
Figure GDA0004246560420000011
其中，
Figure GDA0004246560420000021
为总悬浮泥沙浓度(St)的均值；步骤3：得到自变量和目标变量C的时间序列数据，自变量包括水深(D)、有效波高(Hs)、有效波周期(Ts)、海底床内部沉积物泵送再悬浮泥沙浓度(Sin)、总悬浮泥沙浓度(St)；
步骤4：根据式(2)对原始数据集进行归一化处理：
Figure GDA0004246560420000022
其中xmax和xmin分别为数据集的最大值和最小值，x为输入值，z为x的转换值；
步骤5：将数据集拆分为训练集和测试集，将训练集和测试集分别拆分为输入和输出变量。最后将输入变量(X)转变成Conv1D需要的三维格式，即[samples,timesteps,features]；
步骤6：搭建深度学习预测方法的运行环境，安装Python 3.6和集成开发环境PyCharm软件，在PyCharm上安装深度学习框架TensorFlow和深度学习库Keras；
步骤7：建立CNN-LSTM深度学习模型；依次设置Conv1D层和MaxPooling1D层三组，LSTM层两层，在每层LSTM后设置Dropout防止过拟合，预测值在最后一层(第九层)输出；
步骤8：设置超参数，包括学习率为0.0001，Conv1D层和MaxPooling1D层神经元单元数量均为64，filters＝8，kernelsize＝2，poolsize＝2，两层LSTM神经元数量均为100个，输出层设置一个神经元，也作为预测值的输出；Dropout设置为0.5；
步骤9：通过调用Keras内置的model.fit函数来拟合混合CNN-LSTM模型，设置迭代次数epoch＝64，得到train和测试集test的损失函数值lossvalue1；
步骤10：以迭代次数epoch为x轴，以损失函数值lossvalue1为y轴绘制平均绝对误差(MAE)损失函数的趋势线；
步骤11：调用Keras内置的model.predict函数进行预测，输入数据为测试集的自变量矩阵，输出为模型的预测值C’；
步骤12：将预测的数据集与测试数据集相结合，进行步骤4归一化处理的逆运算；
步骤13：根据式(3)计算与变量本身相同的单位产生误差的均方根误差(RMSE)：
Figure GDA0004246560420000023
其中，t为计数参数，N为数据的个数，C′t和Ct分别为真实值和模型预测值；
步骤14：若RMSE过大，或者损失函数的趋势线手动调整CNN-LSTM模型的超参数进行模型优化，直到得到相对较小的RMSE值；
步骤15：调用Keras内置的model.save函数保存模型至计算机；
步骤16：结束。
作为优选方案，步骤3中的自变量包括水深(D)、有效波高(Hs)、有效波周期(Ts)、海底床内部沉积物泵送再悬浮泥沙浓度(Sin)、总悬浮泥沙浓度(St)。
作为优选方案，步骤4中的数据集为训练集和测试集，x代指自变量和目标变量。
作为优选方案，步骤5中将数据集拆分为训练集和测试集，将前75％的数据作为训练集，后25％的数据作为测试集。
作为优选方案，步骤8中的所有激活函数都使用了整流线性单元(ReLUs)，优化算法optimizer为Adam算法。
本发明由于采用了以上技术方案，与现有技术相比使其具有以下有益效果：该方法使用原位观测的悬沙浓度和水动力条件数据，构建并拟合了基于CNN-LSTM的混合深度学习模型的波致海床瞬态液化对再悬浮贡献率模型，对侵蚀再悬浮沉积物的来源之一——波致瞬态液化导致的再悬浮量进行预测。该模型结合1D-CNN自动提取多变量之间特征，以及LSTM自动提侵蚀再悬浮过程中的时间序列信息，最后通过捕捉各种再悬浮发生的变量相关性和时间序列相关性以得到更高的预测准确率。
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明总体流程图；
图2为本发明构建混合CNN-LSTM模型的逻辑结构图；
图3为用于本发明一种波致海床瞬态液化对再悬浮贡献率的预测方法的训练和预测的时间序列数据示例图；
图4为本发明步骤10得到的损失函数的趋势线图；
图5为本发明步骤11得到的预测值与真实值对比图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明的原理如下：将多变量时间序列矩阵数据按照一定的时间步长划分为3D张量格式，即[samples,timesteps,features]。1D-CNN可以从3D张量数据中提取特征，然后利用CNN的输出作为LSTM的输入，发挥LSTM的输入之间有一个很长的延迟和反馈，梯度既不会爆炸也不会消失的优点，进行时间序列的预测。
下面结合图1至图5对本发明的实施例的波致海床瞬态液化对再悬浮贡献率的深度学习预测方法进行具体说明。
如图1所示，本发明提出了骤1：在研究区进行海水悬沙浓度和水动力条件的原位长期观测，得到数据集包括水深(D)、有效波高(Hs)、有效波周期(Ts)、海底床内部沉积物泵送再悬浮泥沙浓度(Sin)、总悬浮泥沙浓度(St)。
步骤2：按照公式(1)计算波致海床瞬态液化对沉积物再悬浮贡献率。
Figure GDA0004246560420000041
其中，
Figure GDA0004246560420000042
为总悬浮泥沙浓度(St)的均值；
步骤3：得到自变量(D,Hs,Ts,Sin,,St)和目标变量(C)的时间序列数据(如附图3)。
步骤4：根据式(2)对原始数据集进行归一化处理。
Figure GDA0004246560420000043
其中xmax和xmin分别为数据集(训练集和测试集)的最大值和最小值，x为输入值(这里代指自变量和目标变量)，z为x的转换值。
步骤5：将数据集拆分为训练集和测试集，这里将前75％的数据作为训练集，后25％的数据作为测试集。然后将训练集和测试集分别拆分为输入和输出变量。最后将输入变量(X)转变成Conv1D需要的三维格式，即[samples,timesteps,features]。
步骤6：搭建深度学习预测方法的运行环境。安装Python 3.6和集成开发环境PyCharm软件，在PyCharm上安装深度学习框架TensorFlow和深度学习库Keras。
步骤7：建立CNN-LSTM深度学习模型。依次设置Conv1D层和MaxPooling1D层三组，LSTM层两层，在每层LSTM后设置Dropout防止过拟合，预测值在最后一层(第九层)输出。
步骤8：设置超参数，包括学习率为0.0001，Conv1D层和MaxPooling1D层神经元单元数量均为64，filters＝8，kernelsize＝2，poolsize＝2，两层LSTM神经元数量均为100个，输出层设置一个神经元，也作为预测值的输出。Dropout设置为0.5。所有的激活函数都使用了整流线性单元(ReLUs)，优化算法optimizer为Adam算法。
步骤9：通过调用Keras内置的model.fit函数来拟合混合CNN-LSTM模型，设置迭代次数epoch＝64，得到训练集train和测试集test的损失函数值lossvalue1。
步骤10：以迭代次数epoch为x轴，以损失函数值lossvalue1为y轴绘制平均绝对误差(MAE)损失函数的趋势线(附图4)。
步骤11：调用Keras内置的model.predict函数进行预测，输入数据为测试集的自变量矩阵，输出为模型的预测值C’。预测值C’与真实值C的对比结果如附图5。
步骤12：根据式(3)计算与变量本身相同的单位产生误差的均方根误差(RMSE)。
Figure GDA0004246560420000051
其中，N为数据的个数，C′t和Ct分别为真实值和模型预测值。
步骤13：若RMSE过大，或者损失函数的趋势线手动调整CNN-LSTM模型的超参数进行模型优化，直到得到相对较小的RMSE值。最后的RMSE＝1.5155。
步骤14：保存模型至计算机。
步骤15：结束。
在本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种波致海床瞬态液化对再悬浮贡献率的预测方法，其特征在于,具体包括以下步骤：
步骤1：在研究区进行海水悬沙浓度和水动力条件的原位长期观测，获取训练和测试模型的数据集，包括水深D、有效波高H s 、有效波周期T s 、海底床内部沉积物泵送再悬浮泥沙浓度S i 、总悬浮泥沙浓度S t ；
步骤2：按照公式(1)计算波致海床瞬态液化对沉积物再悬浮贡献率；
Figure QLYQS_1
(1)
其中，
Figure QLYQS_2
为总悬浮泥沙浓度S t 的均值；
步骤3：得到自变量和目标变量C的时间序列数据，自变量包括水深D、有效波高H s 、有效波周期T s 、海底床内部沉积物泵送再悬浮泥沙浓度S in 、总悬浮泥沙浓度S t ；
步骤4：根据式(2)对原始数据集进行归一化处理：
Figure QLYQS_3
(2)；
其中
Figure QLYQS_4
和 />
Figure QLYQS_5
分别为数据集的最大值和最小值，x为输入值，z为x的转换值；
步骤5：将数据集拆分为训练集和测试集，将训练集和测试集分别拆分为输入和输出变量；最后将输入变量X转变成Conv1D需要的三维格式，即[samples, timesteps,features]；
步骤6：搭建深度学习预测方法的运行环境，安装Python 3.6和集成开发环境PyCharm软件，在PyCharm上安装深度学习框架TensorFlow和深度学习库Keras；
步骤7：建立CNN-LSTM深度学习模型；依次设置Conv1D层和MaxPooling1D层三组，LSTM层两层，在每层LSTM后设置Dropout防止过拟合，预测值在最后一层，即第九层输出；
步骤8：设置超参数，包括学习率为0.0001，Conv1D层和MaxPooling1D层神经元单元数量均为64，filters=8，kernelsize=2，poolsize=2，两层LSTM神经元数量均为100个，输出层设置一个神经元，也作为预测值的输出；Dropout设置为0.5；所有激活函数都使用了整流线性单元ReLUs，优化算法optimizer为Adam算法；
步骤9：通过调用Keras内置的model.fit函数来拟合混合CNN-LSTM模型，设置迭代次数epoch=64，得到train和测试集test的损失函数值lossvalue1；
步骤10：以迭代次数epoch为x轴，以损失函数值lossvalue1为y轴绘制平均绝对误差MAE损失函数的趋势线；
步骤11：调用Keras内置的model.predict函数进行预测，输入数据为测试集的自变量矩阵，输出为模型的预测值C’；
步骤12：将预测的数据集与测试数据集相结合，进行步骤4归一化处理的逆运算；
步骤13：根据式(3)计算与变量本身相同的单位产生误差的均方根误差RMSE：
Figure QLYQS_6
(3)；
其中，t为计数参数，N为数据的个数，
Figure QLYQS_7
和 />
Figure QLYQS_8
分别为真实值和模型预测值；
步骤14：若RMSE过大，或者损失函数的趋势线手动调整CNN-LSTM模型的超参数进行模型优化，直到得到相对较小的RMSE值；
步骤15：调用Keras内置的model.save函数保存模型至计算机；
步骤16：结束。
2.根据权利要求1所述的一种波致海床瞬态液化对再悬浮贡献率的预测方法,其特征在于,所述步骤4中的数据集为训练集和测试集，x代指自变量和目标变量。
3.根据权利要求1所述的一种波致海床瞬态液化对再悬浮贡献率的预测方法,其特征在于，所述步骤5中将数据集拆分为训练集和测试集，将前75%的数据作为训练集，后25%的数据作为测试集。
CN202210766235.6A 2022-07-01 2022-07-01 一种波致海床瞬态液化对再悬浮贡献率的预测方法 Active CN115238602B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210766235.6A CN115238602B (zh) 2022-07-01 2022-07-01 一种波致海床瞬态液化对再悬浮贡献率的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210766235.6A CN115238602B (zh) 2022-07-01 2022-07-01 一种波致海床瞬态液化对再悬浮贡献率的预测方法

Publications (2)

Publication Number Publication Date
CN115238602A CN115238602A (zh) 2022-10-25
CN115238602B true CN115238602B (zh) 2023-07-11

Family

ID=83671925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210766235.6A Active CN115238602B (zh) 2022-07-01 2022-07-01 一种波致海床瞬态液化对再悬浮贡献率的预测方法

Country Status (1)

Country Link
CN (1) CN115238602B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117688788B (zh) * 2024-02-04 2024-05-03 自然资源部第一海洋研究所 一种波致粉土液化状态的泥沙启动通量计算方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021007812A1 (zh) * 2019-07-17 2021-01-21 深圳大学 一种深度神经网络超参数优化方法、电子设备及存储介质
CN114445634A (zh) * 2022-02-28 2022-05-06 南京信息工程大学 一种基于深度学习模型的海浪波高预测方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210201205A1 (en) * 2019-12-26 2021-07-01 Wipro Limited Method and system for determining correctness of predictions performed by deep learning model
CN111664887B (zh) * 2020-05-05 2021-09-21 中国海洋大学 基于电阻率探杆的海底浮泥层动态变化原位观测方法
CN112561146B (zh) * 2020-12-08 2023-04-18 哈尔滨工程大学 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021007812A1 (zh) * 2019-07-17 2021-01-21 深圳大学 一种深度神经网络超参数优化方法、电子设备及存储介质
CN114445634A (zh) * 2022-02-28 2022-05-06 南京信息工程大学 一种基于深度学习模型的海浪波高预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
波浪作用下沉积物再悬浮过程研究进展;郑杰文;贾永刚;刘晓磊;印萍;单红仙;;海洋地质与第四纪地质(第05期);第177-187页 *

Also Published As

Publication number Publication date
CN115238602A (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
Noori et al. Uncertainty analysis of developed ANN and ANFIS models in prediction of carbon monoxide daily concentration
CN112541572B (zh) 基于卷积编码器-解码器网络的剩余油分布预测方法
CN105546352A (zh) 基于声音信号的天然气管道微泄漏检测方法
CN111523713A (zh) 一种预测油田中剩余油饱和度分布的方法和装置
CN115238602B (zh) 一种波致海床瞬态液化对再悬浮贡献率的预测方法
CN115935834B (zh) 一种基于深度自回归网络和持续学习策略的历史拟合方法
CN115169733B (zh) 基于深度学习的内孤立波对深海沉积物再悬浮量预测方法
CN112541256A (zh) 基于深度学习降维重构的强非均质油藏历史拟合方法
He et al. Developing ladder network for intelligent evaluation system: Case of remaining useful life prediction for centrifugal pumps
CN114218872A (zh) 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法
CN114693005A (zh) 基于卷积傅里叶神经网络的三维地下油藏动态预测方法
Jiang et al. Use of multifidelity training data and transfer learning for efficient construction of subsurface flow surrogate models
Gao et al. Modeling of meandering river deltas based on the conditional generative adversarial network
Fan et al. Daily suspended sediment concentration forecast in the upper reach of Yellow River using a comprehensive integrated deep learning model
Huang et al. Physics-informed tensor-train ConvLSTM for volumetric velocity forecasting of the loop current
Hrnjica et al. Application of deep learning neural networks for nitrate prediction in the Klokot River, Bosnia and Herzegovina
Puscasu Integration of artificial neural networks into operational ocean wave prediction models for fast and accurate emulation of exact nonlinear interactions
Chen et al. Forward prediction of surface wave elevations and motions of offshore floating structures using a data-driven model
CN112307410A (zh) 基于船载ctd测量数据的海水温盐信息时序预测方法
Fattakhov et al. Using artificial neural networks for analyzing efficiency of advanced recovery methods
CN114964476B (zh) 油气管道系统动设备的故障诊断方法、装置及设备
Liu et al. Prediction of dam horizontal displacement based on CNN-LSTM and attention mechanism
CN116070126A (zh) 基于对抗自监督的航空柱塞泵配油盘磨损检测方法及系统
Luo et al. DCNN with explicable training guide and its application to fault diagnosis of the planetary gearboxes
Isik et al. Importance of data preprocessing for neural networks modeling: The case of estimating the compaction parameters of soils

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