CN115290148A - 一种复杂水流条件下的流量测量方法及系统 - Google Patents
一种复杂水流条件下的流量测量方法及系统 Download PDFInfo
- Publication number
- CN115290148A CN115290148A CN202210932918.4A CN202210932918A CN115290148A CN 115290148 A CN115290148 A CN 115290148A CN 202210932918 A CN202210932918 A CN 202210932918A CN 115290148 A CN115290148 A CN 115290148A
- Authority
- CN
- China
- Prior art keywords
- flow
- model
- section
- water level
- verification
- 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
- 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
-
- 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
- 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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Fluid Mechanics (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Biomedical Technology (AREA)
- Computer Graphics (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明公开了一种复杂水流条件下的流量测量方法及系统,所述方法包括以下步骤:根据流量测算断面位置,确定三维水动力模型建模区域和模型进出口位置及验证位置,建立三维水动力模型;利用图像识别技术,获取边界断面和验证位置的水位、表面流速及边界断面流量数据;对建立的三维水动力模型进行参数率定与验证;采用三维水动力模型进行模拟,获取测算断面流量;以测算断面流量为输出,构建LSTM人工智能模型及模型训练集、测试集,训练LSTM模型算法,利用训练好的LSTM模型进行快速计算,得到实时流量测算数据。本发明解决了复杂水流条件水位与流量无稳定对应关系、非平面水面采用单一水位值估算断面面积不准确等问题,并提供一种流量的快速计算方法。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种复杂水流条件下的流量测量方法及系统。
背景技术
流量是反映水利资源和江河、湖泊、水库等水体水量变化的基本资料,也是河流最重要的水文特征值,通过实时流量监测来掌握天然河流水体水量变化,对河流健康保护、水旱灾害防御、河湖水资源管理十分重要。
对于断面平均、水流单一顺直的明渠水流的实时流量监测可以通过流速面积法,将测验断面分成多个部分,并在每部分上布设测速垂线,利用流速仪等设备测量各垂线上测点的流速,得到垂线平均流速并计算该部分流量,进而累加得到整个断面的流量,但是受限于测量设备成本高、测量过程复杂等因素,实时流量通常基于临时流量测量结果拟定水位-流量比率曲线进行估计。但是对于感潮河道、闸坝控制河道、干支流交汇口等复杂水流条件,水位流量无稳定的对应关系,水位-流量比率曲线并不适用。
针对这种情况,现有技术中多通过声学多普勒流速仪获取监测断面某一水深单元流速或垂线平均流速作为指标流速,建立指标流速与断面平均流速之间的函数关系,然后建立水位与断面面积之间的函数关系,通过平均流速与面积的乘积获得断面流量,然而该方法存在以下不足:1)对于流速横向差异较大的断面单一指标流速很难构建反映整个断面平均流速的函数关系;2)由于受科氏力和河道弯曲影响,某些水域的水面并非平面,而是一个坡面,采用单一水位值估算的断面面积并不准确;3)声学多普勒流速仪设备花费高、操作复杂、测次周期长,无法及时提供流量数据,而且受水流条件影响,测量精度无法保证。也有通过建立二维水动力模型模拟水位流量关系的方法,但是模型计算复杂且参数率定需要大量上下游实时流量、水位监测数据来保证,受限于监测成本和监测数据的时效性,模型精度及流量计算结果的时效性难以满足实际测算要求。
发明内容
为了解决现有技术存在的问题,本发明提供一种复杂水流条件下的流量测量方法及系统,解决了复杂水流条件水位与流量无稳定对应关系、非平面水面采用单一水位值估算断面面积不准确等问题和解决了测量设备成本高、操作复杂、无法及时提供流量数据问题,通过耦合人工智能模型,实现流量的快速计算。
本发明提供一种复杂水流条件下的流量测量方法,所述方法包括以下步骤:
根据流量测算断面位置,确定三维水动力模型建模区域和确定的模型进出口位置及验证位置,建立三维水动力模型;
利用图像识别技术,获取边界断面和验证位置的水位、表面流速及边界断面流量数据;
利用边界断面和验证位置的水位、表面流速及边界断面流量数据对建立的三维水动力模型进行参数率定与验证;
对率定好的三维水动力模型进行模拟,获取测算断面流量;
以测算断面流量为输出,构建LSTM人工智能模型及训练集、测试集,训练LSTM模型算法;
利用训练好的LSTM模型进行快速计算,得到实时流量测算数据。
优选地,所述确定三维水动力模型建模区域和确定的模型进出口位置及验证位置,之后还包括:
收集建模区域水下地形及岸线数据,对建模区域进行三维网格剖分;设置三维水动力模型边界条件及初始条件。
优选地,所述确定的模型进出口位置通过以下步骤实施:
模型进口断面,选在流量测算断面上游,且水流流态平稳处,包括干流入流断面、支流入流断面;
模型出口断面,选在流量测算断面下游,且水流流态平稳处,包括干流出流断面、支流出流断面。
优选地,所述三维水动力模型以N-S方程为控制方程,在垂向上采用σ坐标系拟合不规则的底部地形,在水平上使用非重叠的无结构三角形网格对计算区域进行空间离散拟合岸线,采用有限体积的离散方法进行求解。
优选地,所述获取边界断面和验证位置的水位、表面流速及边界断面流量数据,包括以下步骤:
通过摄像头采集进出口处岸线图像,构建水面线像素-高程关系数据集,通过水域岸线分割算法得到水位线的像素对应的水位值,采用时空平均方法得到断面平均水位值;
通过摄像头采集断面水流表面图像,提取水面图像中的波纹、漂浮物、气泡特征,沿断面水流方向绘制测速线,以测速线长度为横轴,以视频采集时长为纵轴,合成时空图像,计算断面表面流速监测数据。
优选地,所述对建立的三维水动力模型进行参数率定包括:采用试错法对模型参数进行率定,直至三维水动力模型计算结果达到精度要求。
优选地,对率定好的三维水动力模型进行模拟,获取测算断面流量包括以下步骤:
基于建立的三维水动力模型及率定得到的参数,利用进口断面、出口断面实时监测水位数据驱动三维水动力模型计算,得到建模区域内任意位置水位、三维流速计算结果;
根据流量测算断面位置的三维流速计算结果,对全断面流速进行积分,得到测算断面的流量。
优选地,所述以测算断面流量为输出,构建LSTM人工智能模型及训练集、测试集,训练LSTM模型算法包括:
对流量测算断面建立LSTM人工智能模型;所述LSTM人工智能模型输出层为测算断面流量,模型输入层为进、出口断面水位、流量及验证断面处的水位、表面流速监测过程;
利用图像识别方法得到进、出口断面及验证断面处的水位、流量、及表面流速监测过程,以及三维水动力模型测算得到的断面流量,构建人工智能模型训练集及测试集;
利用训练集及测试集,对人工智能模型进行模型训练、测试、验证,采用均方根误差、平均绝对误差及纳什系数等指标对模型精度进行评价,直至模型精度达到流量测算精度要求。
优选地,所述利用训练好的LSTM模型进行快速计算,得到实时流量测算数据包括:利用进、出口断面及验证断面处的水位、流量、及表面流速监测过程数据,采用训练测试验证通过的人工智能模型计算流量测算断面的实时流量,实现复杂水流条件下流量实时测算。
本发明还提供一种复杂水流条件下的流量测量系统,所述系统应用于上述任一所述的一种复杂水流条件下的流量测量方法,所述系统包括:
模型建立模块:用于根据流量测算断面位置,确定三维水动力模型建模区域和确定的模型进出口位置及验证位置,建立三维水动力模型;
模型处理模块:用于利用图像识别技术,获取边界断面及验证位置的水位、表面流速及断面流量数据;
模型验证模块:用于利用边界断面及验证位置的水位、表面流速及断面流量数据对建立的三维水动力模型进行参数率定与验证;
模型模拟模块:用于对率定好的三维水动力模型进行模拟,获取测算断面流量;
模型训练模块:用于以测算断面流量为输出,构建LSTM人工智能模型及训练集、测试集,训练LSTM模型算法;
模型计算模块:用于利用训练好的LSTM模型进行快速计算,得到实时流量测算数据。
本发明的技术效果和优点:
本发明通过利用实测地形和水文资料建立三维水动力模型对测验河段的水位流场进行数值模拟,解决复杂水流条件水位与流量无稳定对应关系、非平面水面采用单一水位值估算断面面积不准确等问题;基于视频识别提出更便利的水位、流速、流量实时监测方法,解决测量设备成本高、操作复杂、无法及时提供水位、流量数据问题,同时为三维水动力模型参数率定提供数据保障;通过耦合人工智能模型,实现流量的快速计算。
附图说明
图1为本发明实施例提供的一种复杂水流条件下的流量测量方法中流量测算过程示意图;
图2为本发明实施例提供的一种复杂水流条件下的流量测量方法建模区域及断面配置示意图;
图3为本发明实施例提供的一种复杂水流条件下的流量测量方法的表面流速计算示意图;
图4为本发明实施例提供的一种复杂水流条件下的流量测量方法流量测算断面的流量计算示意图。
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。
为解决现有技术的问题,本发明实施例提出一种复杂水流条件下的流量测量方法,具体参考如图1所示,所述方法包括以下步骤:
步骤一、根据流量测算断面位置,确定三维水动力模型建模区域和确定的模型进出口位置及验证位置,建立三维水动力模型;
具体地,所述根据流量测算断面位置具体包括以下步骤:根据流量测算断面所在河段水流条件,选取数值模型建模区域,确定模型进口位置、出口位置及验证位置。
其中,具体参考如图2所示,所述确定的模型进出口位置通过以下步骤实施:
模型进口断面,选在流量测算断面上游,且水流流态平稳处,包括干流入流断面、支流入流断面等。
模型出口断面,选在流量测算断面下游,且水流流态平稳处,包括干流出流断面、支流出流断面等。
根据图2中,在进口断面和出口断面之间还设置有验证断面,验证断面设置为两道,在两验证断面之间还设置有流量测算断面,图中,箭头方向表示水流方向,为确保测量的准确性,河流的支流和主流的进口、出口处均需设置模型出口断面和模型进口断面。
根据本发明的另一实施例,所述通过数值模拟确定三维水动力模型建模区域和确定的模型进出口位置及验证位置,之后还包括:收集建模区域水下地形及岸线数据,对建模区域进行三维网格剖分;设置模型边界条件及初始条件。
具体地,根据建模范围及确定的进出口位置,收集建模区域水下地形及岸线数据,对建模区域进行三维网格剖分。
所述设置模型边界条件包括进口边界条件设置和出口边界条件设置,其中,
进口边界条件:给定进口处的流量监测过程Qm,t或水位监测过程Zm,t。
出口边界条件:给定出口处的流量监测过程Qn,t或水位监测过程Zn,t。
其中,m=1,2,…,M;n=1,2,…,N;t=1,2,…,T;M为进口位置总数;N为出口位置总数;T为模型计算总时长,下同。
所述设置边界初始条件采用冷启动或热启动,其中,
2)热启动:以冷启动运行稳定后的模型结果作为初始条件。
所述建立三维水动力模型包括:选择三维水动力数值模型进行水动力计算,三维水动力模型以N-S方程为控制方程,在垂向上采用σ坐标系拟合不规则的底部地形,采用应用广泛的Mellor-Yamada2.5阶模式紊流模型进行闭合,在水平上使用非重叠的无结构三角形网格对计算区域进行空间离散拟合岸线,采用有限体积的离散方法进行求解。
步骤二:利用图像识别技术,获取边界断面和验证位置的水位、表面流速及边界断面流量数据;
需要说明的是,在所述步骤二之前还包括:边界条件数据获取;所述边界条件数据获取具体包括进行进出口边界断面配置;进一步地,
所述边界断面配置表现为配置河段进口处对应的水位、流量测量断面;配置河段出口处对应的水位、流量测量断面。
所述获取边界断面及验证位置的水位、表面流速及断面流量数据;包括以下步骤:
通过摄像头采集进出口处岸线图像,构建水面线像素-高程关系数据集,通过水域岸线分割算法得到水位线的像素对应的水位值,采用时空平均方法得到断面平均水位值;
通过摄像头采集断面水流表面图像,提取水面图像中的波纹、漂浮物、气泡特征,沿断面水流方向绘制测速线,以测速线长度为横轴,以视频采集时长为纵轴,合成时空图像,计算断面表面流速监测数据。
获取表面流速包括:具体可参考如图3所示,通过摄像头采集水流表面图像,提取水面图像中的波纹、漂浮物、气泡等特征,在图像空间和序列时间合成的时空图像,时空图像具有显著的纹理特征,该纹理的主方向与时间轴的夹角表征了表面流速信息,在河流测速中,沿顺流方向绘制测速线,运动的特征量在时间T内沿着测速线运动的距离为S,与此同时,像素点在l帧内运动了j个像素,则沿该方向上像素速度矢量的大小v与时空图像中的纹理特征的关系可以表示为:
其中,vi为第i条测速线的表面流速,Sx为像素代表的空间尺度,St为每帧图像的时间间隔,tanθ为时空图像的斜率的正切值。
利用流速面积法计算得到断面流量Qm,t和Qn,t;
需要说明的是,边界断面流量数据包括Qm,t、Qn,t,其中,Qm,t表示进口处的流量监测过程,Qn,t表示出口处的流量监测过程,Qm,t、Qn,t可通过上述公式(2)和公式(3)得到。
步骤三、利用边界断面和验证位置的水位、表面流速及边界断面流量数据对建立的三维水动力模型进行参数率定与验证;
在本实施例中,通过建立的三维水动力模型进行模型验证和参数率定,利用边界断面流量、水位数据作为边界进行三维水动力模拟计算,以验证断面的水位及表面流速监测数据作为验证数据对三维水动力模型参数进行率定与验证。
所述进行三维水动力模型验证包括:验证断面配置、获取验证断面水位监测过程、获取验证断面表面流速监测过程、进行三维水动力模型计算、三维水动力模型结果的抽取和验证断面计算结果与监测数据对比;其中,
验证断面配置;其具体表现为配置河段内水流验证断面。模型验证断面,选在建模范围内的重要断面,包括干支流交汇处、水工建筑物上下游等,并应均匀分布。
获取验证断面水位监测过程;通过摄像头采集进出口处岸线图像,构建水面线像素-高程关系数据集,通过水域岸线分割算法得到水位线的像素对应的水位值,采用时空平均方法得到断面平均水位值,获取Zk,t(k=1,2,…,K,K为验证断面数量)。
获取验证断面表面流速监测过程;通过摄像头采集水流表面图像,提取水面图像中的波纹、漂浮物、气泡等特征,在图像空间和序列时间合成的时空图像,时空图像具有显著的纹理特征,该纹理的主方向与时间轴的夹角表征了表面流速信息,如图4所示,在河流测速中,沿顺流方向绘制测速线,运动的特征量在时间T内沿着测速线运动的距离为S,与此同时,像素点在l帧内运动了j个像素,则沿该方向上像素速度矢量的大小v与时空图像中的纹理特征的关系可以表示为
进行三维水动力模型验证计算;其具体表现为基于建立的三维水动力模型,利用河段进口断面与出口断面水位、流量监测数据Qm,t、Qn,t、Zm,t、Zn,t驱动三维水动力模型计算,获取建模区域内任意位置处的水位及表面流速。
验证断面计算结果与监测数据对比;将水流验证断面处的水位监测过程Zk,t、表面流速监测过程与模型计算得到的相同位置处的水位过程Z′k,t及表面流速过程进行对比,采用均方根误差、平均绝对误差及纳什系数等指标测算模型精度。
均方根误差公式:
平均绝对误差:
纳什系数:
式中,RMSEz,k为k断面水位均方根误差,RMSEv,k为k断面表面流速均方根误差,MAEz,k为k断面水位平均绝对误差,MAEv,k为k断面流速平均绝对误差,EZ,k为k断面水位纳什系数,Ev,k为k断面流速纳什系数,Zk,t为k断面水位监测过程,Z′k,t为k断面模型计算水位过程,为k断面i测速线表面流速监测过程,为k断面i测速线模型计算表面流速过程,T为模型计算总时长(t=1,2,…,T),为k断面水位监测过程均值,为k断面i测速线表面流速监测过程均值。
所述进行三维水动力模型参数率定包括:采用试错法对模型参数进行率定,直至三维水动力模型计算结果达到精度要求。
步骤四、对率定好的三维水动力模型进行模拟,获取测算断面流量;
需要说明的是,所述对率定好的三维水动力模型进行模拟,获取测算断面流量包括以下步骤:
1)模型计算:基于建立的三维水动力模型及率定得到的参数,利用进口断面、出口断面实时监测水位数据驱动模型计算,得到建模区域内任意位置水位、三维流速计算结果。
2)流量计算:根据流量测算断面位置的流速计算结果,对全断面流速进行积分,具体可参考如图4所示,以y轴和z轴建立坐标轴,图中,Zb表示流量测算断面的河床底部高程;Zs表示流量测算断面的t时刻的水面高程,Qt表示流量测算断面位置t时刻的瞬时流量,uyz,t表示河流断面(y,z)单元格处流体t时刻的流速;计算流量测算断面的流量Qt,计算式如下:
Qt=∫∫uyz,tdydz (13)
步骤五、以测算断面流量为输出,构建LSTM人工智能模型及训练集、测试集,训练LSTM模型算法。
在本实施例中,所述以测算断面流量为输出,构建LSTM人工智能模型及训练集、测试集,训练LSTM模型算法具体包括以下步骤:
其次,利用图像识别方法得到进、出口断面及验证断面处的水位、流量、及表面流速监测过程Zm,t、Zn,t、Qm,t、Qn,t、Zl,t、以及三维水动力模型测算得到的断面流量Qt,构建人工智能模型训练集及测试集;
然后,利用训练集及测试集,对人工智能模型进行模型训练、测试、验证,采用均方根误差、平均绝对误差及纳什系数等指标对模型精度进行评价,直至模型精度达到流量测算精度要求。
步骤六、利用训练好的LSTM模型进行快速计算,得到实时流量测算数据。
具体地,所述利用训练好的LSTM模型进行快速计算,得到实时流量测算数据具体包括:利用进、出口断面及验证断面处的水位、流量、及表面流速监测过程数据Zm,t、Zn,t、Qm,t、Qn,t、Zk,t、采用训练测试验证通过的人工智能模型计算流量测算断面的实时流量,实现复杂水流条件下流量实时测算。
与此同时,本发明实施例还提供一种复杂水流条件下的流量测量系统,所述系统应用于上述所述的一种复杂水流条件下的流量测量方法,其中,所述系统包括:
模型建立模块:用于根据流量测算断面位置,确定三维水动力模型建模区域和确定的模型进出口位置及验证位置,建立三维水动力模型;
模型处理模块:用于利用图像识别技术,获取边界断面及验证位置的水位、表面流速及断面流量数据;
模型验证模块:用于利用边界断面和验证位置的水位、表面流速及边界断面流量数据对建立的三维水动力模型进行参数率定与验证;
模型模拟模块:用于对率定好的三维水动力模型进行模拟,获取测算断面流量;
模型训练模块:用于构建测算断面流量的LSTM人工智能模型及构建人工智能模型训练集、测试集,训练LSTM模型算法;
模型计算模块:用于利用训练好的LSTM模型进行快速计算,得到实时流量测算数据。
可以理解的是,本发明提供的一种复杂水流条件下的流量测量系统与前述各实施例提供的一种复杂水流条件下的流量测量方法相对应,一种复杂水流条件下的流量测量系统的相关技术特征可参考一种复杂水流条件下的流量测量方法的相关技术特征,在此不再赘述。
综上所述,本发明通过建立三维水动力模型对测验河段的水位流场进行数值模拟,解决复杂水流条件水位与流量无稳定对应关系、非平面水面采用单一水位值估算断面面积不准确等问题;基于视频识别提出更便利的水位、流速、流量实时监测方法,解决测量设备成本高、操作复杂、无法及时提供流量数据问题;通过耦合人工智能模型,实现流量的快速计算。
本发明的保护范围并不限于上述的示例,显然,本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的范围和精神。倘若这些改动和变形属于本发明权利要求及其等同技术的范围内,则本发明的意图也包含这些改动和变形在内。
Claims (10)
1.一种复杂水流条件下的流量测量方法,所述方法包括以下步骤:
根据流量测算断面位置,确定三维水动力模型建模区域和确定的模型进出口位置及验证位置,建立三维水动力模型;
利用图像识别技术,获取边界断面和验证位置的水位、表面流速及边界断面流量数据;
利用获取的边界断面和验证位置的水位、表面流速及边界断面流量数据对建立的三维水动力模型进行参数率定与验证;
对率定好的三维水动力模型进行模拟,获取测算断面流量;
以测算断面流量为输出,构建LSTM人工智能模型及训练集、测试集,训练LSTM模型算法;
利用训练好的LSTM模型进行快速计算,得到实时流量测算数据。
2.根据权利要求1所述的方法,其特征在于:所述确定三维水动力模型建模区域和确定的模型进出口位置及验证位置,之后还包括:
收集建模区域水下地形及岸线数据,对建模区域进行三维网格剖分;设置三维水动力模型边界条件及初始条件。
3.根据权利要求1所述的方法,其特征在于:所述确定的模型进出口位置通过以下步骤实施:
模型进口断面,选在流量测算断面上游,且水流流态平稳处,包括干流入流断面、支流入流断面;
模型出口断面,选在流量测算断面下游,且水流流态平稳处,包括干流出流断面、支流出流断面。
4.根据权利要求1所述的方法,其特征在于:所述三维水动力模型以N-S方程为控制方程,在垂向上采用σ坐标系拟合不规则的底部地形,在水平上使用非重叠的无结构三角形网格对计算区域进行空间离散拟合岸线,并采用有限体积的离散方法进行求解。
5.根据权利要求1所述的方法,其特征在于:所述获取边界断面及验证位置的水位、表面流速及断面流量数据包括以下步骤:
通过摄像头采集进出口处岸线图像,构建水面线像素-高程关系数据集,通过水域岸线分割算法得到水位线的像素对应的水位值,采用时空平均方法得到边界断面平均水位值;
通过摄像头采集断面水流表面图像,提取水面图像中的波纹、漂浮物、气泡特征,沿断面水流方向绘制测速线,以测速线长度为横轴,以视频采集时长为纵轴,合成时空图像,计算断面表面流速监测数据。
6.根据权利要求1所述的方法,其特征在于:所述对建立的三维水动力模型进行参数率定包括:采用试错法对模型参数进行率定,直至三维水动力模型计算结果达到精度要求。
7.根据权利要求1所述的方法,其特征在于:所述对率定好的三维水动力模型进行模拟,获取测算断面流量包括以下步骤:
基于建立的三维水动力模型及率定得到的参数,利用进口断面、出口断面实时监测水位、流量数据驱动三维水动力模型计算,得到建模区域内任意位置水位、三维流速计算结果;
根据流量测算断面位置的三维流速计算结果,对全断面流速进行积分,得到测算断面的流量。
8.根据权利要求1所述的方法,其特征在于:所述以测算断面流量为输出,构建LSTM人工智能模型及训练集、测试集,训练LSTM模型算法包括以下步骤:
对流量测算断面建立LSTM人工智能模型;所述LSTM人工智能模型输出层为测算断面流量,模型输入层为进、出口断面水位、流量及验证断面处的水位、表面流速监测过程;
利用图像识别技术得到进、出口断面及验证断面处的水位、流量、及表面流速监测过程,以及三维水动力模型测算得到的断面流量,构建人工智能模型训练集及测试集;
利用构建好的训练集及测试集,对人工智能模型进行模型训练、测试和验证,采用均方根误差、平均绝对误差及纳什系数指标对模型精度进行评价,直至模型精度达到流量测算精度要求。
9.根据权利要求1所述的方法,其特征在于:所述利用训练好的LSTM模型进行快速计算,得到实时流量测算数据包括:
利用进、出口断面及验证断面处的水位、流量、及表面流速监测过程数据,采用训练测试验证通过的人工智能模型计算流量测算断面的实时流量,实现复杂水流条件下流量的实时测算。
10.一种复杂水流条件下的流量测量系统,所述系统应用于权利要求1-9任一所述的一种复杂水流条件下的流量测量方法,其特征在于:包括:
模型建立模块:用于根据流量测算断面位置,确定三维水动力模型建模区域和确定的模型进出口位置及验证位置,建立三维水动力模型;
模型处理模块:用于利用图像识别技术,获取边界断面及验证位置的水位、表面流速及断面流量数据;
模型验证模块:用于利用边界断面及验证位置的水位、表面流速及断面监测数据对建立的三维水动力模型进行参数率定与验证;
模型模拟模块:用于对率定好的三维水动力模型进行模拟,获取测算断面流量;
模型训练模块:用于以测算断面流量为输出,构建LSTM人工智能模型及训练集、测试集,训练LSTM模型算法;
模型计算模块:用于对利用训练好的LSTM模型进行快速计算,得到实时流量测算数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210932918.4A CN115290148A (zh) | 2022-08-04 | 2022-08-04 | 一种复杂水流条件下的流量测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210932918.4A CN115290148A (zh) | 2022-08-04 | 2022-08-04 | 一种复杂水流条件下的流量测量方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115290148A true CN115290148A (zh) | 2022-11-04 |
Family
ID=83826420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210932918.4A Pending CN115290148A (zh) | 2022-08-04 | 2022-08-04 | 一种复杂水流条件下的流量测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115290148A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687308A (zh) * | 2022-12-08 | 2023-02-03 | 长江水利委员会水文局 | 一种水位流量关系智能定线方法 |
CN116562448A (zh) * | 2023-05-12 | 2023-08-08 | 大连海事大学 | 一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法 |
-
2022
- 2022-08-04 CN CN202210932918.4A patent/CN115290148A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687308A (zh) * | 2022-12-08 | 2023-02-03 | 长江水利委员会水文局 | 一种水位流量关系智能定线方法 |
CN115687308B (zh) * | 2022-12-08 | 2023-04-21 | 长江水利委员会水文局 | 一种水位流量关系智能定线方法 |
CN116562448A (zh) * | 2023-05-12 | 2023-08-08 | 大连海事大学 | 一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法 |
CN116562448B (zh) * | 2023-05-12 | 2023-10-03 | 大连海事大学 | 一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657418B (zh) | 一种基于mike21的湖泊水环境容量计算方法 | |
CN115290148A (zh) | 一种复杂水流条件下的流量测量方法及系统 | |
CN102289570B (zh) | 基于降雨-径流-洪水演进计算的洪水预报方法 | |
CN114091359B (zh) | 一种水库水沙预测模型训练、水库水沙预测方法及装置 | |
JP6736731B2 (ja) | エネルギー過程の類似性に基づく水文モデル流域スケール決定方法 | |
CN105608326B (zh) | 一种山区复杂地形风场大涡模拟入口边界条件输入方法 | |
Anderson et al. | Relationships between wind-driven and hydraulic flow in Lake St. Clair and the St. Clair River Delta | |
CN103473809B (zh) | 基于3d打印技术的流域水文模拟方法 | |
CN112464584B (zh) | 自由表面流的水位和流量推求方法 | |
CN111021304B (zh) | 一种基于库容实时调节的堤坝溃决试验复合模拟装置及方法 | |
CN107025356A (zh) | 基于硬件在环的内河航道通航安全仿真试验平台及方法 | |
CN111259607A (zh) | 一种河湖过渡区水文边界界定方法 | |
RAN et al. | Three-dimensional numerical simulation of flow in trapezoidal cutthroat flumes based on FLOW-3D | |
CN111311734A (zh) | 铀尾矿库排洪系统水力特性三维数值模拟方法 | |
CN113074786B (zh) | 一种曲线型渠道流量测定方法及装置 | |
KR101106548B1 (ko) | 텐서형 와점성계수를 가진 2차원 하천흐름모형을 이용하여 천수흐름을 해석하는 방법 | |
CN111222229B (zh) | 气液两相流动态流动过程的瞬时流量测量模型构建方法 | |
CN110847112B (zh) | 一种基于水力学模拟的河道泄洪预警方法 | |
CN101964020A (zh) | 一种江河流域水动力模型取水量的预测方法 | |
Wright et al. | Environmental applications of computational fluid dynamics | |
CN113946964A (zh) | 一种草原河流河道流量汇流计算方法 | |
Mali et al. | Experimental and numerical study of flood in a river-network-floodplain set-up | |
CN115510771A (zh) | 一种基于水文水动力耦合模型的社区雨涝数值模拟方法 | |
Majdalani et al. | Experimental investigation of loop rating curve on a small 3D printed laboratory channel | |
CN112308967A (zh) | 基于产汇流分析的城市洪水风险数值模拟分析方法 |
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 |