CN116070549B - 一种地下空间水淹态势快速推演方法、装置、设备及介质 - Google Patents

一种地下空间水淹态势快速推演方法、装置、设备及介质 Download PDF

Info

Publication number
CN116070549B
CN116070549B CN202310201638.0A CN202310201638A CN116070549B CN 116070549 B CN116070549 B CN 116070549B CN 202310201638 A CN202310201638 A CN 202310201638A CN 116070549 B CN116070549 B CN 116070549B
Authority
CN
China
Prior art keywords
water flow
distribution cloud
flow speed
speed distribution
cloud image
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
CN202310201638.0A
Other languages
English (en)
Other versions
CN116070549A (zh
Inventor
马剑
葛鑫茹
王巧
陈娟
何梦辰
黄然
夏钤强
赵思琪
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202310201638.0A priority Critical patent/CN116070549B/zh
Publication of CN116070549A publication Critical patent/CN116070549A/zh
Application granted granted Critical
Publication of CN116070549B publication Critical patent/CN116070549B/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
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Optimization (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种地下空间水淹态势快速推演方法、装置、设备及介质，涉及水势预测技术领域，包括分别获取地下空间的每个预设工况在预设周期内的水流速度分布云图集；按照预设工况将水流速度分布云图集分类，并随机划分为训练集和测试集；搭建深度卷积生成对抗网络模型，利用训练集和测试集对所述深度卷积生成对抗网络模型进行训练和测试，得到水淹态势推演模型；获取地下空间的当前工况，利用所述当前工况和水淹态势推演模型得到目标水流速度分布云图，所述目标水流速度分布云图为当前工况在待预测时刻的水流速度分布云图，本发明用于快速、准确预测地下空间遭遇水侵灾害紧急情况时，地下空间流场的分布情况。

Description

一种地下空间水淹态势快速推演方法、装置、设备及介质
技术领域
本发明涉及水势预测技术领域，具体而言，涉及一种地下空间水淹态势快速推演方法、装置、设备及可读存储介质。
背景技术
随着城市化发展的进程加快，地面建筑的拥挤使得人们开始发展地下空间。由于地下空间的密闭性以及有限的出口，其中的行人疏散问题一直是安全学领域学者们研究的重点内容。由于水灾紧急情况发生时，地下空间的水灾流速、水位高度、流场分布等对行人疏散效率及最优路径选择具有直接影响，因此准确预测地下空间遭遇水侵灾害等紧急情况时的地下空间流场的分布情况，对行人疏散路径选择，救援人员制定营救方案，减少人身财产损失具有重要意义。
发明内容
本发明的目的在于提供一种地下空间水淹态势快速推演方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种地下空间水淹态势快速推演方法，包括：
分别获取地下空间的每个预设工况在预设周期内的水流速度分布云图集；
按照预设工况将水流速度分布云图集分类，并随机划分为训练集和测试集；
搭建深度卷积生成对抗网络模型，利用训练集和测试集对所述深度卷积生成对抗网络模型进行训练和测试，得到水淹态势推演模型；
获取地下空间的当前工况，利用所述当前工况和水淹态势推演模型得到目标水流速度分布云图，所述目标水流速度分布云图为当前工况在待预测时刻的水流速度分布云图。
第二方面，本申请还提供了一种地下空间水淹态势快速推演装置，包括：
获取模块：用于分别获取地下空间的每个预设工况在预设周期内的水流速度分布云图集，每个所述水流速度分布云图集中包括至少一个水流速度分布云图；
划分模块：用于按照预设工况将水流速度分布云图集随机划分为训练集和测试集；
模型生成模块：用于搭建深度卷积生成对抗网络模型，利用训练集和测试集对所述深度卷积生成对抗网络模型进行训练和测试，得到水淹态势推演模型；
预测模块：用于获取地下空间的当前工况，利用所述当前工况和水淹态势推演模型得到目标水流速度分布云图，所述目标水流速度分布云图为当前工况在待预测时刻的水流速度分布云图。
第三方面，本申请还提供了一种地下空间水淹态势快速推演设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述地下空间水淹态势快速推演方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于地下空间水淹态势快速推演方法的步骤。
本发明的有益效果为：
本发明利用CFD有限元仿真软件，计算出各类工况下地下空间的流场分布情况云图并构建一一对应的数据集，再通过深度卷积生成对抗网络（DCGAN）来提取云图中的重要流场信息特征。基于所构建的数据集，完成对DCGAN的训练标定，利用DCGAN对水侵后地下空间流场分布进行快速、准确的预测，能够及时的做出指导行人疏散路径的选择及救援方案的制定。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的地下空间水淹态势快速推演方法流程示意图;
图2为本发明实施例中的水流速度分布云图;
图3为本发明实施例中的生成对抗网络结构图;
图4为本发明实施例中的生成对抗网络的原理图;
图5为本发明实施例中所述的地下空间水淹态势快速推演装置结构示意图；
图6为本发明实施例中所述的地下空间水淹态势快速推演设备结构示意图。
图中标记：
800、地下空间水淹态势快速推演设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种地下空间水淹态势快速推演方法。
参见图1，图中示出了本方法包括：
S1.分别获取地下空间的每个预设工况在预设周期内的水流速度分布云图集；
具体的，所述步骤S1包括：
S11.获取地下空间的几何信息，基于所述几何信息利用有限元分析软件搭建所述地下空间的仿真模型；
具体的，所述有限元分析软件包括但不限于Fluent，CFX，COMSOL。
获取地下空间建筑图建立实际尺寸的几何模型，以利用Fluent搭建模型，本实施例选取地下空间中的地下空间入口及其阶梯和站厅层部分区域进行举例说明。
S12.获取所述地下空间的每个所述预设工况的初始特征参数；
具体的，所述步骤S12包括：
S121.获取所述地下空间的初始水流高度范围、初始流速范围和至少一个入水口；
本实施例中，初始水流高度范围为[5,25]cm，初始流速范围为[1,3]m/s，并配置有4个入水口，将4个入水口进行排列组合得到15种情况。
S122.根据预设的高度步长在所述初始水流高度范围中选取出多个初始水流高度；
具体的，所述预设的高度步长Δh=5cm；
S123.根据预设的流速步长在初始流速范围中选取出多个初始流速；
具体的，所述预设的流速步长Δv=0.5m/s；
S124.将至少一个入水口、多个初始水流高度和多个初始流速进行随机组合得到多种预设工况，所述预设工况的初始特征参数为组成该预设工况的初始水流高度和初始流速：
本实施例中利用步骤S121和S123中的数据进行排列组合，得到5*5*15=375种工况，例如，一种工况的初始特征参数为：初始水流高度h0=10cm，初始流速v0=1m/s，有且仅有一个入口遭遇水淹。
S13.将所述预设周期划分为若干个连续时刻，分别将所有初始特征参数输入所述仿真模型中推演得到各个预设工况在每个时刻的水流速度分布云图；
本实施例中，所述预设周期可以为100s，200s...本实施例中，以预设周期为1-100s为例，以时间步骤Δt=1s将所述预设周期划分为100个连续时刻，在将各个工况的初始特征参数输入仿真模型中进行模拟，在预设周期的每一秒得到一张水流速度分布云图，所述水流速度分布云图如图2所示，图2中，水流相对速度与像素的映射关系如表1所示，白色代表水流相对速度为0或不存在水流，颜色越深则代表此处水流相对速度越大，因此该灰度云图中有颜色的地方即表示有水流过，可以准确反映出地下空间水位的变化情况，云图颜色的深浅可表示水流相对速度大小，指导行人疏散路径选择。
表1
Figure SMS_1
表中，Vmax表示最大水流相对速度。
S14.分别将每个预设工况在预设周期内的所有水流速度分布云图进行汇总，分别得到每个所述预设工况的水流速度分布云图集，即，每个工况包括了100张水流速度分布云图。
本实施例利用CFD有限元仿真方法，综合考虑多种对流场分布产生影响的因素，建立可靠的地下空间水侵过程仿真计算模型，利用该模型计算获取地下空间遭遇水侵时流场的变化过程。
基于以上实施例，本方法还包括以下步骤：
S2.按照工况将水流速度分布云图集划分为训练集和测试集；
具体的，将80%的工况对应的水流速度分布云图集划分为训练集，将20%的工况对应的水流速度分布云图集划分为测试集。
基于以上实施例，本方法还包括以下步骤：
S3.搭建深度卷积生成对抗网络模型，利用训练集和测试集对所述深度卷积生成对抗网络模型进行训练和测试，得到水淹态势推演模型；
具体的，所述步骤S3包括：
S31.由生成器和判别器构成深度卷积生成对抗网络模型，如图3所示；
具体的，所述生成器由输入层、三层去卷积层及输出层构成；
所述判别器由输入层、三层卷积层、全连接层及输出层构成；
S32.在所述预设周期内选取两个时间段分别作为输入时段和预测时段，所述预测时段在输入时段之后，且所述输入时段和预测时段的时长相同；
本实施例中，将1-30s作为输入时段，将61s-90s作为预测时段，具体的，第1s的水流速度分布云图对应第61s的水流速度分布云图、第2s的水流速度分布云图对应第62s的水流速度分布云图...以此类推。具体来说，第1s的水流速度分布云图和第61s的水流速度分布云图为一组数据样本，第1s的水流速度分布云图为输入标签，第61s的水流速度分布云图作为输出标签。
S33.将训练集中输入时段对应的水流速度分布云图输入至生成器，所述生成器对输入时段对应的水流速度分布云图进行学习后，按照时间顺序生成预测时段内对应的第一预测水流速度分布云图；
例如，将训练集中t=1s对应的水流速度分布云图输入至生成器后，通过卷积层进行图像特征提取训练，再采用最大池化和“ReLu”激活函数进行特征简化，最后通过去卷积层将特征重组实现图像识别。此时生成器会根据识别到的特征进行图像生成像素大小为256*256的预测水流速度分布云图，所述预测水流速度分布云图为t=61s的水流速度分布云图。
S34.将训练集中预测时段对应的水流速度分布云图输入至判别器，将预测时段对应的水流速度分布云图作为输入时段的真实结果；
将训练集中t=61s对应的水流速度分布云图输入至判别器。
S35.所述判别器对预测时段对应的水流速度分布云图进行学习，具体的，
判别器分别对t=61s对应的水流速度分布云图和预测水流速度分布云图同时进行三次卷积，并对第1，3层卷积层进行最大池化操作，以防止输入的数据过大而造成反向传播时梯度爆炸以及降低学习速率；同时，对每层卷积层进行Batch Normalization（BN，批量归一化）处理，随后将输入的两张图片变为向量，并对每个参数根据特征赋予不同的权重；
判断所述第一预测水流速度分布云图是否为真；
若判断为真，则所述深度卷积生成对抗网络模型训练完成；
否则，所述生成器重新对输入时段对应的水流速度分布云图进行学习，直到判别器将所述第一预测水流速度分布云图判断为真。
具体的，所述步骤S35包括：
S351.获取第一预测水流速度分布云图集中的任意一张预测水流速度分布云图；
S352.当判别器判断所述预测水流速度分布云图为真实的水流速度分布云图时，则所述生成器生成的第一预测水流速度分布云图集符合要求，结合图4和公式1，所述判断原理为：
Figure SMS_2
；（1）
式中，D为判别器，G为生成器，G(z)为生成器根据输入的随机噪声z生成的内容，D(x)为判别器对真实数据集中的数据所产生的判别结果，D(G(z))为判别器对生成数据产生的判别结果，
Figure SMS_3
为真实数据集中x的数学期望，x为生成器的输入，
Figure SMS_4
为输入随机噪声中z的数学期望。
当G不变时，通过调整D的参数值使得价值函数V最大，即令D(x)趋于1，D(G(z))趋于0，即判别器将真实的水流速度分布云图判断为真，预测水流速度分布云图则判断为假，进行真假二分类。若判断为假，则返回生成器，并进行参数调整，优化后重新生成图片；若判断为真，则通过去卷积将生成预测水流速度分布云图进行输出。
另一方面，当D不变时，通过调整G的参数值使得价值函数最小，即令D(G(z))趋于1，表示判别器将生成器生成的预测水流速度分布云图判别为真。
重复上述步骤，当所述D(G(z))的值达到平衡时，说明判别器的判断精度达到要求，也说明由判别器判断为真的预测水流速度分布云图与真实的水流速度分布云图相比，相似度达到要求。
也说明生成器训练完成。
基于以上实施例，所述步骤S3还包括：
S35.将测试集在输入时段的水流速度分布云图输入至生成器，所述生成器对输入时段的水流速度分布云图进行学习后，按照时间顺序生成预测时段内的第二预测水流速度分布云图；
S36.将所述第二预测水流速度分布云图与测试集在预测时段的水流速度分布云图进行比较，计算每张第二预测水流速度分布云图与对应的水流速度分布云图之间的像素差：
Figure SMS_5
；（2）
式中，
Figure SMS_6
表示像素差，/>
Figure SMS_7
表示预测水流速度分布云图的像素值，/>
Figure SMS_8
表示水流速度分布云图的像素值，n表示像素点的数量，其中，/>
Figure SMS_9
，/>
Figure SMS_10
表示第i个像素点。
S37.对所有第二预测水流速度分布云图与对应的水流速度分布云图之间的像素差求和得到平均绝对百分比；
Figure SMS_11
；（3）
式中，
Figure SMS_12
平均绝对百分比，N表示预测水流速度分布云图的数量，/>
Figure SMS_13
表示第j张预测水流速度分布云图，/>
Figure SMS_14
表示第j张预测水流速度分布云图的像素差。
S38.若所述平均绝对百分比小于预设值，则对抗网络模型测试完成，得到水淹态势推演模型，本实施例中，所述预设值为10。
基于以上实施例，本方法还包括以下步骤：
S4.真实情况发生时，获取地下空间的当前工况，利用所述当前工况和水淹态势推演模型得到目标水流速度分布云图，所述目标水流速度分布云图为当前工况在待预测时刻的水流速度分布云图，所述预测时刻为当前时刻加上30s后的时刻；具体的，所述步骤S4包括：
S41.采集地下空间当前时刻的当前工况，即水位高度和水流相对速度，所述水位高度和水流相对速度可以由均匀设置在地下空间的若干个水位传感器实时采集；
S42.对水位高度和水流相对速度进行拟合，得到当前工况的水流速度分布云图；
S43.将所述当前工况的水流速度分布云图输入至水淹态势推演模型，得到目标水流速度分布云图。
根据表1，从所述水流速度分布云图中可分析得到水流相对速度大小和水流高度信息。
基于以上实施例，本方法还包括以下步骤：
S51.获取地下空间的实际高度
Figure SMS_15
；
S52.根据地下空间的实际高度计算目标水流速度分布云图中像素点对应的实际高度：
Figure SMS_16
；（4）
Figure SMS_17
表示一个像素点对应的真实场景的实际高度。
S53.在目标水流速度分布云图上确定水流区域，并计算所述水流区域在目标水流速度分布云图上的面积占比；
本实施例中，可通过将水流区域的像素面积计算得到水流区域在目标水流速度分布云图上的面积占比
Figure SMS_18
。
S54.由像素点的实际高度和面积占比的乘积得到地下空间的水位信息。
Figure SMS_19
；（5）
式中，
Figure SMS_20
表示预测的地下空间的水位高度。
实施例2：
如图5所示，本实施例提供了一种地下空间水淹态势快速推演装置，所述装置包括：
获取模块：用于分别获取地下空间的每个预设工况在预设周期内的水流速度分布云图集，每个所述水流速度分布云图集中包括至少一个水流速度分布云图；
划分模块：用于按照预设工况将水流速度分布云图集随机划分为训练集和测试集；
模型生成模块：用于搭建深度卷积生成对抗网络模型，利用训练集和测试集对所述深度卷积生成对抗网络模型进行训练和测试，得到水淹态势推演模型；
预测模块：用于获取地下空间的当前工况，利用所述当前工况和水淹态势推演模型得到目标水流速度分布云图，所述目标水流速度分布云图为当前工况在待预测时刻的水流速度分布云图。
基于以上实施例,所述获取模块包括：
第一获取单元：用于获取地下空间的几何信息，基于所述几何信息利用有限元分析软件搭建所述地下空间的仿真模型；
第二获取单元：用于获取所述地下空间的每个所述预设工况的初始特征参数；
仿真单元：用于将所述预设周期划分为若干个连续时刻，分别将所有初始特征参数输入所述仿真模型中计算得到各个预设工况在每个时刻的水流速度分布云图；
构成单元：用于分别将每个预设工况在预设周期内的所有水流速度分布云图进行汇总，分别得到每个所述预设工况的水流速度分布云图集。
基于以上实施例,所述第二获取单元包括：
第三获取单元：用于获取所述地下空间的初始水流高度范围、初始流速范围和入水口数量；
第一选取单元：用于根据预设的高度步长在所述初始水流高度范围中选取出多个初始水流高度；
第二选取单元：用于根据预设的流速步长在初始流速范围中选取出多个初始流速；
组合单元：用于将至少一个入水口、多个初始水流高度和多个初始流速进行随机组合得到多种预设工况，所述预设工况的初始特征参数为组成该预设工况的初始水流高度和初始流速。
基于以上实施例,所述模型生成模块包括：
第一生成单元：用于由生成器和判别器构成深度卷积生成对抗网络模型；
第三选取单元：用于在所述预设周期内选取两个时间段分别作为输入时段和预测时段，所述预测时段在输入时段之后，且所述输入时段和预测时段的时长相同；
第二生成单元：用于将训练集中输入时段的水流速度分布云图输入至生成器，所述生成器对输入的水流速度分布云图进行学习后，按照时间顺序生成预测时段内对应的第一预测水流速度分布云图；
输入单元：用于将训练集中预测时段对应的水流速度分布云图输入至判别器，将预测时段对应的水流速度分布云图作为输入时段的真实结果；
学习单元：所述判别器对预测时段对应的水流速度分布云图进行学习后，判断所述第一预测水流速度分布云图是否为真；
若判断为真，则所述深度卷积生成对抗网络模型训练完成；
否则，所述生成器重新对输入时段对应的水流速度分布云图进行学习，直到判别器将所述第一预测水流速度分布云图判断为真。
基于以上实施例,所述模型生成模块还包括：
第三生成单元：用于将测试集在输入时段的水流速度分布云图输入至生成器，所述生成器对输入的水流速度分布云图进行学习后，按照时间顺序生成预测时段内对应的第二预测水流速度分布云图；
第一计算单元：用于将将所述第二预测水流速度分布云图与测试集在预测时段的水流速度分布云图进行比较，计算每张第二预测水流速度分布云图与对应的水流速度分布云图之间的像素差；
第二计算单元：用于对所有第二预测水流速度分布云图与对应的水流速度分布云图之间的像素差求和得到平均绝对百分比；
判断单元：若所述平均绝对百分比小于预设值，则对抗网络模型测试完成，得到水淹态势推演模型。
基于以上实施例,所述预测模块之后还包括计算模块：
第四获取单元：用于获取地下空间的实际高度；
第三计算单元：用于根据地下空间的实际高度计算目标水流速度分布云图中像素点对应的实际高度；
第四计算单元：用于在目标水流速度分布云图上确定水流区域，并计算所述水流区域在目标水流速度分布云图上的面积占比；
第五计算单元：用于由像素点的实际高度和面积占比的乘积得到地下空间的水位信息。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种地下空间水淹态势快速推演设备，下文描述的一种地下空间水淹态势快速推演设备与上文描述的一种地下空间水淹态势快速推演方法可相互对应参照。
图6是根据示例性实施例示出的一种地下空间水淹态势快速推演设备800的框图。如图6所示，该地下空间水淹态势快速推演设备800可以包括：处理器801，存储器802。该地下空间水淹态势快速推演设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该地下空间水淹态势快速推演设备800的整体操作，以完成上述的地下空间水淹态势快速推演方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该地下空间水淹态势快速推演设备800的操作，这些数据例如可以包括用于在该地下空间水淹态势快速推演设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该地下空间水淹态势快速推演设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，地下空间水淹态势快速推演设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital SignalProcessing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的地下空间水淹态势快速推演方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的地下空间水淹态势快速推演方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由地下空间水淹态势快速推演设备800的处理器801执行以完成上述的地下空间水淹态势快速推演方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种地下空间水淹态势快速推演方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的地下空间水淹态势快速推演方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述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。
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，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种地下空间水淹态势快速推演方法，其特征在于，包括：
分别获取地下空间的每个预设工况在预设周期内的水流速度分布云图集；
按照预设工况将水流速度分布云图集分类，并随机划分为训练集和测试集；
搭建深度卷积生成对抗网络模型，利用训练集和测试集对所述深度卷积生成对抗网络模型进行训练和测试，得到水淹态势推演模型,包括:
由生成器和判别器构成深度卷积生成对抗网络模型；
在所述预设周期内选取两个时间段分别作为输入时段和预测时段，所述预测时段在输入时段之后，且所述输入时段和预测时段的时长相同；
将训练集中输入时段对应的水流速度分布云图输入至生成器，所述生成器对输入时段对应的水流速度分布云图进行学习后，按照时间顺序生成预测时段内对应的第一预测水流速度分布云图；
将训练集中预测时段对应的水流速度分布云图输入至判别器，将预测时段对应的水流速度分布云图作为输入时段的真实结果；
所述判别器对预测时段对应的水流速度分布云图进行学习后，判断所述第一预测水流速度分布云图是否为真；
若判断为真，则所述深度卷积生成对抗网络模型训练完成；
否则，所述生成器重新对输入时段对应的水流速度分布云图进行学习，直到判别器将所述第一预测水流速度分布云图判断为真；
将测试集在输入时段的水流速度分布云图输入至生成器，所述生成器对输入的水流速度分布云图进行学习后，按照时间顺序生成预测时段内对应的第二预测水流速度分布云图；
将所述第二预测水流速度分布云图与测试集在预测时段的水流速度分布云图进行比较，计算每张第二预测水流速度分布云图与对应的水流速度分布云图之间的像素差；
对所有第二预测水流速度分布云图与对应的水流速度分布云图之间的像素差求和得到平均绝对百分比；
若所述平均绝对百分比小于预设值，则对抗网络模型测试完成，得到水淹态势推演模型；
获取地下空间的当前工况，利用所述当前工况和水淹态势推演模型得到目标水流速度分布云图，所述目标水流速度分布云图为当前工况在待预测时刻的水流速度分布云图。
2.根据权利要求1所述的地下空间水淹态势快速推演方法，其特征在于,分别获取地下空间的每个预设工况在预设周期内的水流速度分布云图集，包括：
获取地下空间的几何信息，基于所述几何信息利用有限元分析软件搭建所述地下空间的仿真模型；
获取所述地下空间的每个所述预设工况的初始特征参数；
将所述预设周期划分为若干个连续时刻，分别将所有初始特征参数输入所述仿真模型中计算得到各个预设工况在每个时刻的水流速度分布云图；
分别将每个预设工况在预设周期内的所有水流速度分布云图进行汇总，分别得到每个所述预设工况的水流速度分布云图集。
3.根据权利要求2所述的地下空间水淹态势快速推演方法，其特征在于,获取所述地下空间的每个所述预设工况的初始特征参数，包括：
获取所述地下空间的初始水流高度范围、初始流速范围和入水口数量；
根据预设的高度步长在所述初始水流高度范围中选取出多个初始水流高度；
根据预设的流速步长在初始流速范围中选取出多个初始流速；
将至少一个入水口、多个初始水流高度和多个初始流速进行随机组合得到多种预设工况，所述预设工况的初始特征参数为组成该预设工况的初始水流高度和初始流速。
4.根据权利要求1所述的地下空间水淹态势快速推演方法，其特征在于,利用所述当前工况和水淹态势推演模型得到当前工况在待预测时刻的水流速度分布云图之后，还包括：
获取地下空间的实际高度；
根据地下空间的实际高度计算目标水流速度分布云图中像素点对应的水流实际高度；
在目标水流速度分布云图上确定水流区域，并计算所述水流区域在目标水流速度分布云图上的面积占比；
由像素点的实际高度和面积占比的乘积得到地下空间的水位信息。
5.一种地下空间水淹态势快速推演装置，其特征在于，包括：
获取模块：用于分别获取地下空间的每个预设工况在预设周期内的水流速度分布云图集，每个所述水流速度分布云图集中包括至少一个水流速度分布云图；
划分模块：用于按照预设工况将水流速度分布云图集随机划分为训练集和测试集；
模型生成模块：用于搭建深度卷积生成对抗网络模型，利用训练集和测试集对所述深度卷积生成对抗网络模型进行训练和测试，得到水淹态势推演模型，包括:
由生成器和判别器构成深度卷积生成对抗网络模型；
在所述预设周期内选取两个时间段分别作为输入时段和预测时段，所述预测时段在输入时段之后，且所述输入时段和预测时段的时长相同；
将训练集中输入时段对应的水流速度分布云图输入至生成器，所述生成器对输入时段对应的水流速度分布云图进行学习后，按照时间顺序生成预测时段内对应的第一预测水流速度分布云图；
将训练集中预测时段对应的水流速度分布云图输入至判别器，将预测时段对应的水流速度分布云图作为输入时段的真实结果；
所述判别器对预测时段对应的水流速度分布云图进行学习后，判断所述第一预测水流速度分布云图是否为真；
若判断为真，则所述深度卷积生成对抗网络模型训练完成；
否则，所述生成器重新对输入时段对应的水流速度分布云图进行学习，直到判别器将所述第一预测水流速度分布云图判断为真；
将测试集在输入时段的水流速度分布云图输入至生成器，所述生成器对输入的水流速度分布云图进行学习后，按照时间顺序生成预测时段内对应的第二预测水流速度分布云图；
将所述第二预测水流速度分布云图与测试集在预测时段的水流速度分布云图进行比较，计算每张第二预测水流速度分布云图与对应的水流速度分布云图之间的像素差；
对所有第二预测水流速度分布云图与对应的水流速度分布云图之间的像素差求和得到平均绝对百分比；
若所述平均绝对百分比小于预设值，则对抗网络模型测试完成，得到水淹态势推演模型；
预测模块：用于获取地下空间的当前工况，利用所述当前工况和水淹态势推演模型得到目标水流速度分布云图，所述目标水流速度分布云图为当前工况在待预测时刻的水流速度分布云图。
6.一种地下空间水淹态势快速推演设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述地下空间水淹态势快速推演方法的步骤。
7.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述地下空间水淹态势快速推演方法的步骤。
CN202310201638.0A 2023-03-06 2023-03-06 一种地下空间水淹态势快速推演方法、装置、设备及介质 Active CN116070549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310201638.0A CN116070549B (zh) 2023-03-06 2023-03-06 一种地下空间水淹态势快速推演方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310201638.0A CN116070549B (zh) 2023-03-06 2023-03-06 一种地下空间水淹态势快速推演方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116070549A CN116070549A (zh) 2023-05-05
CN116070549B true CN116070549B (zh) 2023-06-20

Family

ID=86183760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310201638.0A Active CN116070549B (zh) 2023-03-06 2023-03-06 一种地下空间水淹态势快速推演方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116070549B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642675A (zh) * 2021-09-07 2021-11-12 湖南大学 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111460196A (zh) * 2020-05-21 2020-07-28 南京大学 一种基于深度学习的云层变化趋势预测方法
CN112258496A (zh) * 2020-11-02 2021-01-22 郑州大学 一种基于全卷积神经网络的地下排水管道病害分割方法
CN113627093B (zh) * 2021-07-01 2023-11-21 武汉大学 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法
CN114155451A (zh) * 2021-11-15 2022-03-08 武汉富思特创新信息技术有限公司 一种图像识别地下室淹水隐患的方法及系统
CN114818548B (zh) * 2022-06-28 2022-09-06 南京大学 一种基于卷积生成对抗网络的含水层参数场反演方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642675A (zh) * 2021-09-07 2021-11-12 湖南大学 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Prediction of River Water Quality Based on Neural Network Model;Yankun Hu 等;2020 IEEE 6th International Conference on Computer and Communications (ICCC);1-36 *

Also Published As

Publication number Publication date
CN116070549A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN106683048B (zh) 一种图像超分辨率方法及设备
Barron et al. Mip-nerf 360: Unbounded anti-aliased neural radiance fields
CN112052787B (zh) 基于人工智能的目标检测方法、装置及电子设备
CN103020978B (zh) 结合多阈值分割与模糊聚类的sar图像变化检测方法
CN108416250A (zh) 人数统计方法及装置
AU2021101142A4 (en) Method and System for Constructing Digital Rock
CN109948593A (zh) 基于结合全局密度特征的mcnn人群计数方法
CN115169855B (zh) 一种基于数字孪生车间混合数据集的不安全状态检测方法
CN110956412A (zh) 基于实景模型的洪灾动态评估方法、装置、介质和设备
CN111639878A (zh) 一种基于知识图谱构建的滑坡风险预测方法及系统
CN106056577B (zh) 基于mds-srm混合级联的sar图像变化检测方法
CN111932451A (zh) 重定位效果的评价方法、装置、电子设备和存储介质
CN106960433B (zh) 一种基于图像熵以及边缘的全参考声纳图像质量评测方法
CN115145817A (zh) 一种软件测试方法、装置、设备及可读存储介质
CN116070549B (zh) 一种地下空间水淹态势快速推演方法、装置、设备及介质
WO2023024007A1 (zh) 速度、速度场测量方法、系统、设备、装置及存储介质
CN110163140A (zh) 人群密度图获取方法及装置
CN107564045A (zh) 基于梯度域引导滤波的立体匹配算法
CN109583513B (zh) 一种相似帧的检测方法、系统、装置及可读存储介质
CN110363792A (zh) 一种基于光照不变性特征提取的遥感图像变化检测方法
CN113706582B (zh) 速度、速度场测量方法、系统、设备、装置及存储介质
CN115909347A (zh) 仪表示数识别方法、装置、设备及介质
CN115393501A (zh) 信息处理方法及装置
Nikolopoulos et al. A cellular automata urban growth model for water resources strategic planning
CN112215122A (zh) 基于视频图像目标检测的火灾检测方法、系统、终端以及存储介质

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