CN115563907A - 水动力模型参数优化、水位流量变化过程模拟方法及装置 - Google Patents
水动力模型参数优化、水位流量变化过程模拟方法及装置 Download PDFInfo
- Publication number
- CN115563907A CN115563907A CN202211405531.XA CN202211405531A CN115563907A CN 115563907 A CN115563907 A CN 115563907A CN 202211405531 A CN202211405531 A CN 202211405531A CN 115563907 A CN115563907 A CN 115563907A
- Authority
- CN
- China
- Prior art keywords
- optimization
- network model
- model
- parameter
- hydrodynamic
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 136
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000008569 process Effects 0.000 title claims abstract description 46
- 230000008859 change Effects 0.000 title claims abstract description 33
- 238000004088 simulation Methods 0.000 title claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 66
- 230000006870 function Effects 0.000 claims description 50
- 230000015654 memory Effects 0.000 claims description 16
- 239000004576 sand Substances 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种水动力模型参数优化、水位流量变化过程模拟方法及装置,其中,水动力模型参数优化方法包括:结合第一初始神经网络模型、第二初始神经网络模型、水动力模型建立优化目标函数,水动力模型中的糙率是通过第二初始神经网络模型确定的;求解优化目标函数,对第一网络模型参数和第二网络模型参数进行优化,得到使得优化目标函数的值最小的第一网络模型优化参数和第二网络模型优化参数;将包含有第二网络模型优化参数的第二初始神经网络模型确定为糙率优化模型。利用本发明实施例提供的方法优化得到的糙率优化模型确定的糙率更符合实际物理过程。
Description
技术领域
本发明涉及工程仿真与数值模拟技术领域,具体涉及一种水动力模型参数优化、水位流量变化过程模拟方法及装置。
背景技术
自然界中,河道水系复杂,水位受外界环境影响很大,地形地貌的变化、降雨条件的改变、人类活动等等都会对水位的测算带来显著的影响。对于复杂的大型河道的水位模拟一般常用建立分布式的水动力模型进行,而糙率参数是影响水动力模型模拟结果的关键要素。由于其受水位和河床断面等变化的因素影响是一种非恒定参数,同时分布式的模型需要率定出多个糙率参数,极容易存在多解问题,导致了精确模拟河道水位极其困难。
传统的水动力模型在进行水面线计算中的糙率参数高度依赖使用者的个人经验调试,而该参数的选择与当前水位和断面现状有关,处于不断变化中,而采用的一般神经网络拟合糙率参数,由于主要基于数学统计方法选择最优解,缺少物理过程的强约束,没有物理意义,经常出现解不唯一和过度拟合不符合实际物理过程的情况,同时存在拟合过程需要不断对控制方程求解,计算量大的问题,限制了该模型的进一步发展和应用。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中通过神经网络拟合的参数没有物理意义,优化得到的神经网络模型的输出结果与实际物理过程不符的缺陷,从而提供一种水动力模型参数优化、水位流量变化过程模拟方法及装置。
本发明提供了一种水动力模型参数优化方法,包括如下步骤:结合第一初始神经网络模型、第二初始神经网络模型、水动力模型建立优化目标函数,水动力模型中的水沙参数是通过第一初始神经网络模型确定的,水动力模型中的糙率是通过第二初始神经网络模型确定的,优化目标函数是根据各水动力模型的模拟残差的和确定的;求解优化目标函数,对第一网络模型参数和第二网络模型参数进行优化,得到使得优化目标函数的值最小的第一网络模型优化参数和第二网络模型优化参数,第一网络模型参数为第一初始神经网络模型中的参数,第二网络模型参数为第二初始神经网络模型中的参数;将包含有第二网络模型优化参数的第二初始神经网络模型确定为糙率优化模型。
可选地,在本发明提供的水动力模型参数优化方法中,水动力模型的模拟残差包括水流连续方程的残差和水流运动方程的残差。
可选地,在本发明提供的水动力模型参数优化方法中,第一初始神经网络模型确定的水沙参数包括流量和水位,优化目标函数还包括第一初始神经网络模型输出的流量对实际流量的逼近误差,以及第一初始神经网络模型输出的水位对实际水位的逼近误差。
可选地,在本发明提供的水动力模型参数优化方法中,水动力模型的模拟残差包括:
其中,e1表示水流连续方程的残差,e2表示水流运动方程的残差,B表示水面宽,Zs表示水位,Qs表示流量,t表示时间,x表示空间,qL表示单位河长上的旁侧入流流量,A表示水断面面积,g表示重力加速度,njs表示糙率,R表示水力半径,其中,Zs=Zs(x,t;θu),Qs=Qs(x,t;θu),njs=njs(x;θp),θu表示第一网络模型参数,θp表示第二网络模型参数。
本发明第二方面提供了一种水位流量变化过程模拟方法,包括:将目标河道划分为多个河段,获取各河段的水位流量数据;基于各河段对应的糙率优化模型,确定各河段的糙率,糙率优化模型是根据本发明第一方面提供的水动力模型参数优化方法确定的;将各河道的水位流量数据和糙率分别输入至水动力模型中,得到目标河道的水位流量变化过程。
可选地,在本发明提供的水位流量变化过程模拟方法中,当前时刻河段的水动力模型输入数据还包括相邻上游河段在上一时刻的水动力模型输出数据。
本发明第三方面提供了一种水动力模型参数优化装置,包括:优化目标函数建立模块,用于结合第一初始神经网络模型、第二初始神经网络模型、水动力模型建立优化目标函数,水动力模型中的水沙参数是通过第一初始神经网络模型确定的,水动力模型中的糙率是通过第二初始神经网络模型确定的,优化目标函数是根据各水动力模型的模拟残差的和确定的;网络参数优化模块,用于求解优化目标函数,对第一网络模型参数和第二网络模型参数进行优化,得到使得优化目标函数的值最小的第一网络模型优化参数和第二网络模型优化参数,第一网络模型参数为第一初始神经网络模型中的参数,第二网络模型参数为第二初始神经网络模型中的参数;优化模型确定模块,用于将包含有第二网络模型优化参数的第二初始神经网络模型确定为糙率优化模型。
本发明第四方面提供了一种水位流量变化过程模拟装置,包括:数据采集模块,用于将目标河道划分为多个河段,获取各河段的水位流量数据;参数确定模块,用于基于各河段对应的糙率优化模型,确定各河段的糙率,糙率优化模型是根据本发明第一方面提供的水动力模型参数优化方法确定的;模拟模块,用于将各河道的水位流量数据和糙率分别输入至水动力模型中,得到目标河道的水位流量变化过程。
本发明第五方面提供了一种计算机设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,从而执行如本发明第一方面提供的水动力模型参数优化方法,或,如本发明第二方面提供的水位流量变化过程模拟方法。
本发明第六方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行如本发明第一方面提供的水动力模型参数优化方法,或,如本发明第二方面提供的水位流量变化过程模拟方法。
本发明技术方案,具有如下优点:
1.本发明提供的水动力模型参数优化方法,由于优化目标函数是根据水动力模型的模拟残差的和确定的,其中,水动力模型中的糙率是通过第二初始神经网络模型确定的,在对优化目标函数求解的过程中确定的第二神经网络模型的第二网络模型优化参数,能够使得水动力模型的模拟残差的和最小,由此可见,本发明实施例提供的方法是在物理过程的强约束的基础上实现第二初始神经网络模型进行优化的,利用本发明实施例提供的方法优化得到的糙率优化模型确定的糙率更符合实际物理过程。并且,本发明实施例提供的方法通过将水动力模型的控制方程放到优化的目标函数中,可以直接利用梯度类优化算法优化这个目标函数,无需对方程进行迭代。同时在目标函数中引入了物理驱动项,使得该优化算法需要更少的观测数据。该方法无需求解控制方程即可得到具有物理意义的糙率参数的最优解,可以有效提高河道水位流量变化过程的模拟效率和精度。
2.本发明提供的水位流量变化过程模拟方法,将目标河道分为多个河段后,根据各河段对应的糙率优化模型确定各河段的糙率,并将将各河道的水位流量数据和糙率分别输入至水动力模型中,得到目标河道的水位流量变化过程,由于本发明实施例中所使用的糙率优化模型是在物理过程的强约束的基础上实现第二初始神经网络模型进行优化的,因此,本发明实施例中能够得到适合该河道水位流量变化过程的糙率,最终实现河道水位流量变化过程的精确模拟。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中水动力模型参数优化方法的一个具体示例的流程图;
图2为本发明实施例中水位流量变化过程模拟方法的一个具体示例的流程图;
图3为本发明实施例中布式河段的拓扑结构示意图;
图4为本发明实施例中水动力模型参数优化装置的一个具体示例的原理框图;
图5为本发明实施例中水位流量变化过程模拟装置的一个具体示例的原理框图;
图6为本发明实施例中计算机设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种水动力模型参数优化方法,如图1所示,包括如下步骤:
步骤S11:结合第一初始神经网络模型、第二初始神经网络模型、水动力模型建立优化目标函数,水动力模型中的水沙参数是通过第一初始神经网络模型确定的,水动力模型中的糙率是通过第二初始神经网络模型确定的,优化目标函数是根据各水动力模型的模拟残差的和确定的。
在一可选实施例中,建立优化目标函数所使用的水动力模型为一维水动力模型,第一初始神经网络模型的输出包括Zs=Zs(x,t;θu)、Qs=Qs(x,t;θu)等中的一项或多项,其中,Zs表示水位,Qs表示流量,x表示空间,t表示时间,θu表示第一网络模型参数,在求解优化目标函数时,需要对第一网络模型参数进行优化,x所表示的空间是指在模型建立的一维坐标系中,沿着河流方向的距离。
在一可选实施例中,第二初始神经网络模型的输出包括njs=njs(x;θp),其中,njs表示第j个河段的糙率,θp表示第二网络模型参数,在求解优化目标函数时,需要对第二网络模型参数进行优化。
步骤S12:求解优化目标函数,对第一网络模型参数和第二网络模型参数进行优化,得到使得优化目标函数的值最小的第一网络模型优化参数和第二网络模型优化参数,第一网络模型参数为第一初始神经网络模型中的参数,第二网络模型参数为第二初始神经网络模型中的参数。
在一可选实施例中,可以采用经典的寻找全局最优的模拟退火方法求解优化目标函数,从而得到第一网络模型优化参数和第二网络模型优化参数。
步骤S13:将包含有第二网络模型优化参数的第二初始神经网络模型确定为糙率优化模型。
在发明实施例提供的水动力模型参数优化方法中,由于优化目标函数是根据水动力模型的模拟残差的和确定的,其中,水动力模型中的糙率是通过第二初始神经网络模型确定的,在对优化目标函数求解的过程中确定的第二神经网络模型的第二网络模型优化参数,能够使得水动力模型的模拟残差的和最小,由此可见,本发明实施例提供的方法是在物理过程的强约束的基础上实现第二初始神经网络模型进行优化的,利用本发明实施例提供的方法优化得到的糙率优化模型确定的糙率更符合实际物理过程。并且,本发明实施例提供的方法通过将水动力模型的控制方程放到优化的目标函数中,可以直接利用梯度类优化算法优化这个目标函数,无需对方程进行迭代。同时在目标函数中引入了物理驱动项(即各水动力模型的模拟残差),使得该优化算法需要更少的观测数据。该方法无需求解控制方程即可得到具有物理意义的糙率参数的最优解,可以有效提高河道水位流量变化过程的模拟效率和精度。
在一可选实施实施例中,构建优化目标函数时所使用的水动力模型的模拟残差包括水流连续方程的残差和水流运动方程的残差,即,优化目标函数是根据水流连续方程的残差与水流运动方程的残差的和建立的。
在一可选实施例中,建立优化目标函数时的水动力模型的模拟残差包括:
其中,e1表示水流连续方程的残差,e2表示水流运动方程的残差,B表示水面宽,Zs表示水位,Qs表示流量,t表示时间,x表示空间,qL表示单位河长上的旁侧入流流量,A表示水断面面积,g表示重力加速度,njs表示糙率,R表示水力半径,其中,Zs=Zs(x,t;θu),Qs=Qs(x,t;θu),njs=njs(x;θp),θu表示第一网络模型参数,θp表示第二网络模型参数。
在一可选实施例中,优化目标函数还包括第一初始神经网络模型输出的流量对实际流量的逼近误差e3=Qs-Q*,以及第一初始神经网络模型输出的水位对实际水位的逼近误差e4=Zs-Z*,其中,Qs表示第一初始神经网络模型输出的流量,Q*表示实际流量,Zs表示第一初始神经网络模型输出的水位,Z*表示实际水位,实际流量和实际水位是通过观测得到的。
在本发明实施例中,通过对优化目标函数进行求解,直到得到第一网络模型优化参数和第二网络模型优化参数,使得两个神经网络模型的输出尽可能地满足控制方程和尽可能地逼近观测数据。
在一可选实施例中,由于同一河道中不断河段的水位和断面条件不同,糙率自然也不同,因此,即使对于同一河道,需要将该河道划分为多个河段,对于各河段,分别执行上述实施例中提供的方法,得到各河段对应的糙率优化模型。
本发明实施例提供了一种水位流量变化过程模拟方法,如图2所示,包括:
步骤S21:将目标河道划分为多个河段,获取各河段的水位流量数据。
在一可选实施例中,水位流量数据包括水体的水位和流量。
在一可选你实施例中,水位流量数据是根据河道干支流上设立的监测站点获取的。
在一可选实施例中,根据目标河道沿程干支流历史断面数据,分析其由来沙淤积带来的断面形态的变化,根据分析结果将目标河道划分为多个河段。
在一可选实施例中,可以按照目标河道的各截面的断面宽度对目标河道进行划分,将断面宽度相近的划分为同一河段,其分布式河段的拓扑结构示意图见图3。
步骤S22:基于各河段对应的糙率优化模型,确定各河段的糙率,糙率优化模型是根据上述实施例中提供的水动力模型参数优化方法确定的。
在本发明实施例中,由于每个河段的断面具有相似性,因此,同一河段中可以选择一个近似的糙率。
步骤S23:将各河道的水位流量数据和糙率分别输入至水动力模型中,得到目标河道的水位流量变化过程。
本发明实施例中,将上一时刻河段的水位流量数据输入至该河段对应的水动力模型中,即可得到当前时刻该河段的水位流量和含沙量,将当前时刻该河段的水位流量和含沙量输入至相邻下游河段对应的水动力模型中,即可得预测得到相邻下游河段在下一时刻的水位流量和含沙量,以此类推可以预测得到目标河道的水位流量变化过程。
本发明实施例中所使用的水动力模型与上述步骤S11中所使用的水动力模型相同。
本发明实施例提供的水位流量变化过程模拟方法,将目标河道分为多个河段后,根据各河段对应的糙率优化模型确定各河段的糙率,并将各河道的水位流量数据和糙率分别输入至水动力模型中,得到目标河道的水位流量变化过程,由于本发明实施例中所使用的糙率优化模型是在物理过程的强约束的基础上实现对第二初始神经网络模型优化的,因此,本发明实施例中能够得到适合该河道水位流量变化过程的糙率,最终实现河道水位流量变化过程的精确模拟。
在一可选实施例中,采用有限差分方法对水动力模型进行求解,得到目标河道的水位流量变化过程。
在一可选实施例中,由于每一河段的计算相对独立,上游河段在上一时刻的计算结果即为相邻河段的当前时刻数值计算的输入条件,通过对多个河段水位流量长时间历程的模拟,从而能够获取整个河道的水位流量和水位流量变化过程。
本发明实施例提供了一种水动力模型参数优化装置,如图4所示,包括:
优化目标函数建立模块11,用于结合第一初始神经网络模型、第二初始神经网络模型、水动力模型建立优化目标函数,水动力模型中的水沙参数是通过第一初始神经网络模型确定的,水动力模型中的糙率是通过第二初始神经网络模型确定的,优化目标函数是根据各水动力模型的模拟残差的和确定的,详细内容参加上述实施例中对步骤S11的描述,在此不再赘述。
网络参数优化模块12,用于求解优化目标函数,对第一网络模型参数和第二网络模型参数进行优化,得到使得优化目标函数的值最小的第一网络模型优化参数和第二网络模型优化参数,第一网络模型参数为第一初始神经网络模型中的参数,第二网络模型参数为第二初始神经网络模型中的参数,详细内容参加上述实施例中对步骤S12的描述,在此不再赘述。
优化模型确定模块13,用于将包含有第二网络模型优化参数的第二初始神经网络模型确定为糙率优化模型,详细内容参加上述实施例中对步骤S13的描述,在此不再赘述。
本发明实施例提供了一种水位流量变化过程模拟装置,如图5所示,包括:
数据采集模块21,用于将目标河道划分为多个河段,获取各河段的水位流量数据,详细内容参加上述实施例中对步骤S21的描述,在此不再赘述。
参数确定模块22,用于基于各河段对应的糙率优化模型,确定各河段的糙率,糙率优化模型是根据上述实施例中提供的水动力模型参数优化方法确定的,详细内容参加上述实施例中对步骤S22的描述,在此不再赘述。
模拟模块23,用于将各河道的水位流量数据和糙率分别输入至水动力模型中,得到目标河道的水位流量变化过程,详细内容参加上述实施例中对步骤S23的描述,在此不再赘述。
本发明实施例提供了一种计算机设备,如图6所示,该计算机设备主要包括一个或多个处理器31以及存储器32,图6中以一个处理器31为例。
该计算机设备还可以包括:输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接,图6中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit,CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器32可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据水动力模型参数优化装置,或,水位流量变化过程模拟装置的使用所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器32可选包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至水动力模型参数优化装置,或,水位流量变化过程模拟装置。输入装置33可接收用户输入的计算请求(或其他数字或字符信息),以及产生与水动力模型参数优化装置,或,水位流量变化过程模拟装置有关的键信号输入。输出装置34可包括显示屏等显示设备,用以输出计算结果。
本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储计算机指令,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的水动力模型参数优化方法,或,水位流量变化过程模拟方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccess Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种水动力模型参数优化方法,其特征在于,包括如下步骤:
结合第一初始神经网络模型、第二初始神经网络模型、水动力模型建立优化目标函数,所述水动力模型中的水沙参数是通过所述第一初始神经网络模型确定的,所述水动力模型中的糙率是通过所述第二初始神经网络模型确定的,所述优化目标函数是根据各水动力模型的模拟残差的和确定的;
求解所述优化目标函数,对第一网络模型参数和第二网络模型参数进行优化,得到使得所述优化目标函数的值最小的第一网络模型优化参数和第二网络模型优化参数,所述第一网络模型参数为所述第一初始神经网络模型中的参数,所述第二网络模型参数为所述第二初始神经网络模型中的参数;
将包含有所述第二网络模型优化参数的第二初始神经网络模型确定为糙率优化模型。
2.根据权利要求1所述的水动力模型参数优化方法,其特征在于,
所述水动力模型的模拟残差包括水流连续方程的残差和水流运动方程的残差。
3.根据权利要求1或2所述的水动力模型参数优化方法,其特征在于,所述第一初始神经网络模型确定的水沙参数包括流量和水位,
所述优化目标函数还包括第一初始神经网络模型输出的流量对实际流量的逼近误差,以及第一初始神经网络模型输出的水位对实际水位的逼近误差。
5.一种水位流量变化过程模拟方法,其特征在于,包括:
将目标河道划分为多个河段,获取各河段的水位流量数据;
基于各河段对应的糙率优化模型,确定各河段的糙率,所述糙率优化模型是根据权利要求1-4中任一项所述的水动力模型参数优化方法确定的;
将各河道的所述水位流量数据和所述糙率分别输入至水动力模型中,得到所述目标河道的水位流量变化过程。
6.根据权利要求5所述的水位流量变化过程模拟方法,其特征在于,
当前时刻河段的水动力模型输入数据还包括相邻上游河段在上一时刻的水动力模型输出数据。
7.一种水动力模型参数优化装置,其特征在于,包括:
优化目标函数建立模块,用于结合第一初始神经网络模型、第二初始神经网络模型、水动力模型建立优化目标函数,所述水动力模型中的水沙参数是通过所述第一初始神经网络模型确定的,所述水动力模型中的糙率是通过所述第二初始神经网络模型确定的,所述优化目标函数是根据各水动力模型的模拟残差的和确定的;
网络参数优化模块,用于求解所述优化目标函数,对第一网络模型参数和第二网络模型参数进行优化,得到使得所述优化目标函数的值最小的第一网络模型优化参数和第二网络模型优化参数,所述第一网络模型参数为所述第一初始神经网络模型中的参数,所述第二网络模型参数为所述第二初始神经网络模型中的参数;
优化模型确定模块,用于将包含有所述第二网络模型优化参数的第二初始神经网络模型确定为糙率优化模型。
8.一种水位流量变化过程模拟装置,其特征在于,包括:
数据采集模块,用于将目标河道划分为多个河段,获取各河段的水位流量数据;
参数确定模块,用于基于各河段对应的糙率优化模型,确定各河段的糙率,所述糙率优化模型是根据权利要求1-4中任一项所述的水动力模型参数优化方法确定的;
模拟模块,用于将各河道的所述水位流量数据和所述糙率分别输入至水动力模型中,得到所述目标河道的水位流量变化过程。
9.一种计算机设备,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,所述存储器存储有可被所述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,从而执行如权利要求1-4中任一项所述的水动力模型参数优化方法,或,如权利要求5或6所述的水位流量变化过程模拟方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-4中任一项所述的水动力模型参数优化方法,或,如权利要求5或6所述的水位流量变化过程模拟方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211405531.XA CN115563907B (zh) | 2022-11-10 | 2022-11-10 | 水动力模型参数优化、水位流量变化过程模拟方法及装置 |
PCT/CN2023/118520 WO2024098950A1 (zh) | 2022-11-10 | 2023-09-13 | 水动力模型参数优化、水位流量变化过程模拟方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211405531.XA CN115563907B (zh) | 2022-11-10 | 2022-11-10 | 水动力模型参数优化、水位流量变化过程模拟方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115563907A true CN115563907A (zh) | 2023-01-03 |
CN115563907B CN115563907B (zh) | 2024-06-14 |
Family
ID=84770859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211405531.XA Active CN115563907B (zh) | 2022-11-10 | 2022-11-10 | 水动力模型参数优化、水位流量变化过程模拟方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115563907B (zh) |
WO (1) | WO2024098950A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024098950A1 (zh) * | 2022-11-10 | 2024-05-16 | 中国长江三峡集团有限公司 | 水动力模型参数优化、水位流量变化过程模拟方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118364658B (zh) * | 2024-06-18 | 2024-09-20 | 深圳市中科云驰环境科技有限公司 | 一种针对水中泥沙扰动的控制方法、终端设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045568A (zh) * | 2017-02-07 | 2017-08-15 | 华北电力大学 | 基于动态规划逐次逼近法的河道糙率反演方法 |
US20200050718A1 (en) * | 2016-10-31 | 2020-02-13 | Nec Corporation | Simulation apparatus, simulation method, and storage medium |
CN112183718A (zh) * | 2020-08-31 | 2021-01-05 | 华为技术有限公司 | 一种用于计算设备的深度学习训练方法和装置 |
CN114091359A (zh) * | 2022-01-21 | 2022-02-25 | 中国长江三峡集团有限公司 | 一种水库水沙预测模型训练、水库水沙预测方法及装置 |
CN114818320A (zh) * | 2022-04-25 | 2022-07-29 | 珠江水利委员会珠江水利科学研究院 | 一种巨型河网水动力数学模型率定方法、系统及存储介质 |
CN115099500A (zh) * | 2022-06-29 | 2022-09-23 | 黄河水利职业技术学院 | 基于权重修正和drsn-lstm模型的水位预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018004358A (ja) * | 2016-06-29 | 2018-01-11 | 学校法人東京理科大学 | 河川水位流量計算装置及びそのプログラム |
CN113065689B (zh) * | 2021-03-18 | 2023-11-07 | 中国水利水电科学研究院 | 一种多生境城市生态水系构建系统及方法 |
CN115563907B (zh) * | 2022-11-10 | 2024-06-14 | 中国长江三峡集团有限公司 | 水动力模型参数优化、水位流量变化过程模拟方法及装置 |
-
2022
- 2022-11-10 CN CN202211405531.XA patent/CN115563907B/zh active Active
-
2023
- 2023-09-13 WO PCT/CN2023/118520 patent/WO2024098950A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200050718A1 (en) * | 2016-10-31 | 2020-02-13 | Nec Corporation | Simulation apparatus, simulation method, and storage medium |
CN107045568A (zh) * | 2017-02-07 | 2017-08-15 | 华北电力大学 | 基于动态规划逐次逼近法的河道糙率反演方法 |
CN112183718A (zh) * | 2020-08-31 | 2021-01-05 | 华为技术有限公司 | 一种用于计算设备的深度学习训练方法和装置 |
CN114091359A (zh) * | 2022-01-21 | 2022-02-25 | 中国长江三峡集团有限公司 | 一种水库水沙预测模型训练、水库水沙预测方法及装置 |
CN114818320A (zh) * | 2022-04-25 | 2022-07-29 | 珠江水利委员会珠江水利科学研究院 | 一种巨型河网水动力数学模型率定方法、系统及存储介质 |
CN115099500A (zh) * | 2022-06-29 | 2022-09-23 | 黄河水利职业技术学院 | 基于权重修正和drsn-lstm模型的水位预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024098950A1 (zh) * | 2022-11-10 | 2024-05-16 | 中国长江三峡集团有限公司 | 水动力模型参数优化、水位流量变化过程模拟方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2024098950A1 (zh) | 2024-05-16 |
CN115563907B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115563907A (zh) | 水动力模型参数优化、水位流量变化过程模拟方法及装置 | |
US20190303755A1 (en) | Water quality prediction | |
Wadsworth et al. | Likelihood-based procedures for threshold diagnostics and uncertainty in extreme value modelling | |
JP2018124937A (ja) | 異常検出装置、異常検出方法およびプログラム | |
CN115688246B (zh) | 一种局部坐标系下的水库库容模拟方法及装置 | |
US10948312B2 (en) | Environmental monitoring systems, methods and media | |
JP2007205001A (ja) | 流量予測装置 | |
JP6819692B2 (ja) | シミュレーション装置、シミュレーション方法及びプログラム | |
CN107516279A (zh) | 一种网络舆情自动预警的方法 | |
JP2004062440A (ja) | 予測モデルシステム | |
CN116542021A (zh) | 一种水文-水动力学耦合的河道型水库调洪演算方法 | |
CN115659871A (zh) | 一种局部坐标系下的一维水动力模拟方法及装置 | |
CN117744442A (zh) | 基于坝体级联溃决的溃决洪水数值模拟方法及装置 | |
US20170039477A1 (en) | Probabilistic inferences network utilizing second order uncertainty | |
CN115688526A (zh) | 一种高保真库区水动力模拟方法及装置 | |
CN115952916A (zh) | 基于人工智能的风电功率预测误差修正方法、装置及设备 | |
CN113780356B (zh) | 基于集成学习模型的水质预测方法及系统 | |
KR20220145785A (ko) | 홍수예측방법 및 홍수예측장치 | |
JP7254004B2 (ja) | コンピュータプログラムおよびダム流入量予測プログラム並びにダム流入量予測システム | |
JP7214672B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
CN115563908B (zh) | 一种水库洪峰预测方法及装置 | |
CN117150976B (zh) | 一种水温变化系数的确定方法、装置、设备及存储介质 | |
CN115600749B (zh) | 地下水位预测方法、装置及电子设备 | |
CN114923544B (zh) | 出口断面水位的预测方法、装置及电子设备 | |
CN109902867B (zh) | 水位预测及测量控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |