CN116976221A - 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质 - Google Patents
基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质 Download PDFInfo
- Publication number
- CN116976221A CN116976221A CN202311006468.7A CN202311006468A CN116976221A CN 116976221 A CN116976221 A CN 116976221A CN 202311006468 A CN202311006468 A CN 202311006468A CN 116976221 A CN116976221 A CN 116976221A
- Authority
- CN
- China
- Prior art keywords
- parameters
- dam
- neural network
- group
- parameter
- 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
- 230000003628 erosive effect Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 210000002569 neuron Anatomy 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 108010014172 Factor V Proteins 0.000 claims description 15
- 239000002245 particle Substances 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 1
- 230000005484 gravity Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 239000013590 bulk material Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于冲蚀特性的堰塞体溃决峰值流量预测方法，属于水利工程技术这一技术领域；其技术要点在于：包括如下步骤：S100，获取若干组训练数据；S200，采用RBF神经网络，确定神经网络的层数和神经元个数；S300，模型训练：采用S100的数据对S200的RBF神经网络进行训练：将每组训练数据的第一类参数、第二类参数、第三类参数作为RBF神经网络的6种输入层参数，每组训练数据的第四类参数作为RBF神经网络的1种输出层参数；S400，获取至少一组评价数据，每组评价数据包括：第一类参数、第二类参数、第三类参数；S500，针对所述评价数据中的每一组，利用经过S300得到的RBF神经网络获得该组测试数据对应的输出值，进而再获得与该组评价数据对应的Qp。
Description
技术领域
本发明涉及水利工程技术这一技术领域，更具体地说，尤其涉及一种基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质。
背景技术
堰塞体是由天然土体组成的天然堆积体，其材料材料组成具有松散、级配分布不均匀等特性。堰塞体的危险在于，其形成后堵塞河道且在其上游易形成堰塞湖。
由于天然堰塞体无法泄洪，随着湖体水位不断上涨，堰塞体存在较大的溃决风险，给坝体稳定以及溃决特征值预测带来严峻挑挑战。
堰塞体与土石坝溃决过程不同，一旦形成有可能在短时间内发生溃决，同时具有寿命短、难勘测、无法实地快速获得详细坝体参数的难题，在276例堰塞体中有9％的堰塞体在1h内溃决，34％的堰塞体在1天内溃决，50％在1周内溃决(参考文献1：Shi Z M,Ma X L,Peng M,et al.Statistical analysis and efficient dam burst modelling oflandslide dams based on a large-scale database[J].Chinese Journal of RockMechanics and Engineering,2014,33(9):1780-1790.)。
因此，堰塞体溃决峰值流量的快速预测对于堰塞体灾害处理具有实际工程意义，能够为应急抢险提供支撑。
而对于堰塞体溃决峰值流量的快速预测这一领域，主要使用历史堰塞体溃决样本作为数据源，通过线性回归、曲线回归、多元回归等方法，建立溃决峰值流量与关键控制参数之间的关系。
例如：
参考文献2：“Costa J E.Floods from dam failures[M].US GeologicalSurvey,1985”在其溃决回归模型中强调堰塞体高程对于溃决流量预测的影响。
参考文献3：“Costa J E,Schuster R L.The formation and failure ofnatural dams[J].Geological society of America bulletin,1988,100(7):1054-1068.”给出了基于水库库容、坝体高度两个参数的溃决流量预测方法。
然而，参考文献2、参考文献3作为早期建立的参数模型，上述两模型所使用的案例数量少，仅考虑了2个影响参数，没有考虑坝体材料的冲蚀特性。
为了解决上述问题，参考文献4：“Peng M,Zhang L M.Breaching parameters oflandslide dams[J].Landslides,2012,9(1):13-31”在1239例堰塞体溃决案例中选取52例，使用5种堰塞体参数进行了无量纲处理，将坝体冲蚀程度分为上3类，建立了用于快速预测堰塞体溃决峰值流量的参数模型。
参考文献5：“Ruan H,Chen H,Wang T,et al.Modeling Flood Peak DischargeCaused by Overtopping Failure of a Landslide Dam[J].Water,2021,13(7):921”使用了67个溃决案例提出了堰塞体溃决峰值流量预测公式。
参考文献6：CN113868942A(西安理工大学)提出了一种堰塞体溃决峰值流量快速预测方法，其考虑了坝体冲蚀程度以及土体粒径对溃决流量的影响以及考虑了参数之间的非线性关系。
参考文献7：“Froehlich D C.Peak Flood Discharge from a Landslide DamOutburst[J].Natural Hazards Review,2022,23(2):4022001”也提出了一种堰塞体溃决峰值流量的预测方法。
有上述文献可知：多年来，扩充溃决数据库、考虑控制参数、优化拟合方法是堰塞体模型的主要的发展趋势(理论法)，快速预测模型的建立有依赖数据库的扩充。
堰塞体溃决预测领域中，案例数据不断扩展，与溃决原理难以明确，是模型难以获得预期效果的根本原因。面对此类“黑箱”体系时，不同于统计回归方法的另外一种解决方案——神经网络算法值得关注。
参考文献8：“Hakimzadeh H,Nourani V,Amini A B.Genetic programmingsimulation of dam breach hydrograph and peak outflow discharge[J].Journal ofHydrologic Engineering,2014,19(4):757-768”通过搜集实际溃决案例数据、水力模型试验数据与基于物理的数值模型数据，考虑了坝体几何参数、坝体材料级配，使用了GP遗传算法建立的土石坝溃决流量预测模型。这也是遗传算法在此领域内的首次应用，提供了神经网络在坝体溃决预测方面的应用思路。
然而，参考文献8只是尝试将神经网络运用到坝体溃决预测。其存在如下不足：
第一，未考虑冲蚀的影响。坝体冲蚀率对于堰塞体溃决峰值流量的大小具有十分重要的影响。在土体与水进行耦合作用时，根据冲蚀率的不同，土壤颗粒对于水流将会产生不同程度的阻碍，影响水流流速与峰值流量，从而进一步影响到堰塞体溃决流量的大小。
第二，现有技术在运用神经网络时，其输入、输出往往直接使用物理量。这种方式的好处是输入、输出量的物理量清晰，样本选取容易。但是这种方式导致神经网络预测的结果往往一般。
发明内容
本申请的目的在于针对上述现有技术的不足，提供一种基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质。
本申请的技术方案如下：
一种基于冲蚀特性的堰塞体溃决峰值流量预测方法，其包括如下步骤：
S100，获取若干组训练数据；
S101，获取每组训练数据的基础性参数，其包括：坝体高度Hd、坝体宽度Wd、坝体体积Vd、水库库容Vl、溃口深度Hw，溃口平均宽度Wb、坝体中值粒径d50、溃决峰值流量Qp；
S102，对每组训练数据的基础性参数进行处理，求得：
第一类参数：堰塞体几何参数，其包括：坝体高宽比Hd/Wd、坝体形状系数Vd 1/3/Hd、湖面形状系数Vl 1/3/Hd；
第二类参数：坝体与溃口参数，其包括：(Hd/Hw)a、(Wd/Wb)b，其中，a、b均为冲蚀修正参数；
第三类参数：堰塞体平均粒径d50；
第四类参数：溃决流量参数Qp/(g0.5·Hd 2.5)，其中，g表示重力加速度；
S200，采用RBF神经网络，确定神经网络的层数和神经元个数：
RBF神经网络采用三层结构：1个输入层、1个中间层、1个输出层；输入层的神经元数量为6个；输出层的神经元数量为1个；中间层的神经元数目在RBF神经网络训练过程中确定；
S300，模型训练：采用S100的数据对S200的RBF神经网络进行训练；
将第一类参数、第二类参数、第三类参数作为RBF神经网络的输入层参数；第四类参数作为RBF神经网络的输出层参数；
S400，获取至少一组评价数据；
S401，获取每组评价数据的基础性参数，其包括：坝体高度Hd、坝体宽度Wd、坝体体积Vd、水库库容Vl、溃口深度Hw，溃口平均宽度Wb、坝体中值粒径d50；
S402，对每组评价数据的基础性参数进行处理，求得：
第一类参数：堰塞体几何参数，其包括：坝体高宽比Hd/Wd、坝体形状系数Vd 1/3/Hd、湖面形状系数Vl 1/3/Hd；
第二类参数：坝体与溃口参数，其包括：(Hd/Hw)a、(Wd/Wb)b，其中，a、b均为冲蚀修正参数；
第三类参数：堰塞体平均粒径d50；
S500，针对所述评价数据中的每一组，利用S300得到的RBF神经网络获得该组测试数据对应的输出值，进而再获得其对应的Qp。
进一步，S500中Qp通过如下方法获得：S500中获得的RBF神经网络求得的输出值×(g0.5·Hd 2.5)为Qp值。
进一步，a的取值范围为[1.1，1.2]，b的取值范围为[0.0004，0.0006]。
本申请的有益效果在于：
第一，本申请的基础构思是：RBF神经网路是一种成熟的计算方法。但是其运用在堰塞体溃决峰值流量快速预测这一领域还是一个空白。
对于RBF神经网络而言，输入层、输出层的参数确定是重点与难点，其直接决定了模型的预测精度。
常规的预测方式是：将堰塞体高度Hd、堰塞体宽度Wd、堰塞体体积Vd、水库库容Vl、溃口深度Hw、溃口平均宽度Wb，直接作为输入层的参数，将溃决峰值流量Qp直接作为输出层的参数。
对此问题，课题组打破了现有神经网络的固定思维，做了如下三种改进：
1.1，堰塞体几何参数，其采用3个无量纲参数：坝体高宽比Hd/Wd、坝体形状系数Vd 1 /3/Hd、湖面形状系数Vl 1/3/Hd。
1.2，考虑更细致的坝体与溃口参数(对应的是考虑了冲蚀特性分类)以及d50参数，将两者也作为输入层参数考虑了进来。通过冲蚀特性对于堰塞体溃决流量预测模型的影响的讨论可以得出，具有堰塞体冲蚀特征分类的模型与其他现有模型相比明显具有更高精度；d50参数的使用大幅提升了溃决模型的精度。也即，本申请的冲蚀特性主要体现在第二类参数、第三类参数上。
1.3，将溃决流量参数Qp/(g0.5·Hd 2.5)作为输出层参数来考虑。
第二，本申请提出的径向基神经网络模型与现有参数化模型相比，对于冲蚀特性的考虑更加完善，面对溃决流量预测的“黑箱问题”时能够更好的利用数据库优势，其对于数据的应用效率更加高效，面对数据库之外的数据时具有良好鲁棒性，能够建立考虑具有复杂参数关系的预测模型。
附图说明
下面结合附图中的实施例对本发明作进一步的详细说明，但并不构成对本发明的任何限制。
图1是径向基神经网络架构图。
图2是基于堰塞体数据库的无量纲参数三元图。
图3是基于径向基网络的堰塞体溃决峰值流量预测模型溃决流量预测流程图。
图4是溃决流量的实际值与径向基模型预测值对比。
图5是不同模型的统计箱型图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
<实施例一：一种基于冲蚀特性的堰塞体溃决峰值流量预测方法>
<一、研究难点>
<1.1、RBF的基本构造>
本申请的预测模型使用径向基RBF(Radial Basis Function)神经网络建立。
如图1所示，RBF神经网络由三个部分组成——输入层、隐含层、输出层。其中，从输入层到隐含层之间的转化是非线性变换，输出层则是所有神经元参数的线性组合。
在径向基神经网络中，连接输入层与隐含层的径向基函数常选用高斯函数G：
式中，x表示输入层向量，ci是各个隐藏层的中心参数，σi基函数的扩展常数。
隐含层样本中心点ci到输出层之间的权重矩阵W使用梯度下降法迭代确定。输出层元素y由非线性的径向基函数G与权重矩阵W组成，如下所示：
<1.2、模型构建难点>
对于RBF模型而言，其难点在于以下几点：
(1)输入层节点数量及参数定义。
(2)隐含层节点数量。
(3)输出层节点。
<二、输入层参数构建>
本申请确定的输入层参数分为以下：
2.1，第一类参数：堰塞体与堰塞湖的几何特征。
2.2，第二类参数：冲蚀分类构建。
2.3，第三类参数：堰塞体平均粒径d50。
<2.1、第一类参数：堰塞体与堰塞湖的几何特征>
使用3个无量纲参数描述堰塞体与堰塞湖的几何特征：坝体高宽比Hd/Wd、坝体形状系数Vd 1/3/Hd、湖面形状系数Vl 1/3/Hd；
其中，Hd表示坝高、Wd表示坝体的宽度；Vd表示坝体的体积、Vl表示堰塞湖水量的体积(附图2已经示意出了Hd、Wd、Vd、Vl的物理意义)；
其中，高宽比Hd/Wd的考量是：其考虑了坝体的边坡冲蚀，是控制冲刷流速以及相关冲蚀速率的关键参数；
其中，坝体形状系数Vd 1/3/Hd的考量是：由于堰塞体是由松散的颗粒材料天然堆积而成，在坝体溃决过程中，水流将会冲刷并带走大量坝体颗粒，因此选取坝体体积的立方根与坝高的比值Vd 1/3/Hd坝体形状系数作为关键参数，用于描述在坝体溃决过程中，水土流失的持续过程；
其中，湖面形状系数Vl 1/3/Hd是堰塞湖水量的立方根与坝体高度的比值，该参数能够反映堰塞湖中可能对坝体产生影响的水量大小，进一步影响溃口大小以及溃决流量。
如图2所示，坝体形状系数与湖面形状系数的数据分布具有对称性，且相对集中，可以认为所选参数具有良好的代表性。
<2.2、第二类参数：冲蚀分类构建>
使用2个无量纲参数描述来描述坝体冲蚀程度的关键参数：(Hd/Hw)a、(Wd/Wb)b。
其中，Hw表示溃口高度；Wb表示平均溃口宽度；a、b均为冲蚀修正参数。
随着冲蚀程度的提高，溃口的下切与横向扩展也随之加剧。在进行模型训练时，引入冲蚀修正参数a与b进行修正，冲蚀修正参数本身没有单位，对于冲蚀程度较高的案例，a与b的值将会使最终的峰值流量的输出值更高。
对于a、b的取值而言，其取值如下：a＝1.1～1.2，b＝0.0004～0.0006。
<2.3、第三类参数：堰塞体平均粒径d50>
关于细砂、中砂、黏土、卵石、粗
材料组成松散、级配分布不均是堰塞体最具代表性的特征。堰塞体的颗粒级配对堰塞体溃决时长、溃决临界流量、溃决峰值流量均有重要影响。中值粒径d50作为描述堰塞体颗粒级配的重要参数，在堰塞体溃决流量模型的理论研究与实际应用中，能够作为代表性参数应用于溃决流量模型的构建。
在本申请中直接使用d50数据将作为变量输入神经网络参与模型构建。d50并不和其他参数组成无量纲参数。由于神经网络的特性，使用d50本身作为关键参数计算对神经网络模型本身没有影响，因此无需针对d50参数进行额外处理。
<三、输出层参数：溃决流量参数>
溃决流量参数使用无量纲量：Qp/(g0.5·Hd 2.5)；其中，Qp表示溃决峰值流量；g表示重力加速度，即9.8m/s2；Hd表示坝高。
这一参数的考量在于：无量纲参数Qp/(g0.5·Hd 2.5)基本均与坝高Hd建立一定关系，这是因为溃决流量与坝高具有强相关性。选取坝高这一参数联系各个参数，使得每一个变量在进行神经网络训练时都不是独立的，能够保证每一项参数都对溃决流量的预测生效。
即本申请在设置输出层参数时，并非直接选择Qp作为输出结果。
<四、模型的训练>
本申请通过搜集堰塞体溃决案例，总结前人研究，建立了包含国内外2060例堰塞溃决实例数据库。每一条溃决案例数据都包含数个关键性溃决参数。
上述数据可通过链接下载或查看：perfectyuan/data-base-of-landslide-dam-breach(github.com)。
本申请在训练时，选取60％的数据集作为训练集，20％作为检验集、20％作为测试集。在建立模型时，隐含层设置有总结点数1/3的隐形节点(隐含层的节点数可根据实际进行调整)，并且在模型训练过程中，每一次迭代更新参数的同时，随机删除隐含层中间的个别隐形节点，以此方法来防止模型过拟合。最终模型经过适度训练，能够根据输入堰塞体参数输出溃决时的峰值流量参数Qp/(g0.5·Hd 2.5)。
进而能够获得Qp。
<五、预测模型性能评价>
<5.1、本申请的模型的R2>
为了更好地分析模型在堰塞体溃决峰值流量中的预测，分别使用统计学中均方根误差(RMSE)以及相关系数(R2)进行模型预测性能检验。
均方根误差与相关系数的计算方法如下所示：
其中，n表示参与计算的堰塞体样本案例总数，Qip表示对于第i个样本来说，预测的峰值流量结果，Qim表示对于第i个样本，堰塞体溃决峰值流量的真实值，表示所有n个案例中，溃决峰值流量的均值。
计算的均方根误差结果越小，表明该模型预报结果更加稳定与可靠，计算结果越大，表明计算结果在不同区间内存在较大差异。
R2取值范围为[-∞,1]，R2＝1时为最理想的情况，表明模型预测结果与测量结果完全一致，没有误差；R2＝0相当于使用该模型预测的结果全部等于样本平均值，越接近0表明模型预测结果越差。R2的最小值没有下限。R2<0表示该模型没有参考价值。
使用本申请中建立的径向基神经网络溃决模型，选取案例计算堰塞体溃决峰值流量，其计算结果如图4所示。使用120个堰塞体溃决案例进行模型检验，本申请所提出的径向基神经网络模型的均方根误差与相关系数R2分别为9581m3/s与0.965。
<5.2、与现有技术的模型的比较>
基于相同数据库(即本申请所建立的包含2060例溃决信息的数据库)，选用典型堰塞体溃决流量预测模型与本申请提出的模型进行了对比分析，使用数据库中的数据进行堰塞体溃决峰值流量预测。
具体信息如表1所示：
表1堰塞体溃决流量预测模型结果对比表
从上表的结果可知：有一些模型中提出了2个以上的峰值流量预测模型公式，如Peng and Zhang；Costa and Schuster，同一提出者所建立的模型之间的主要区别在于关键参数之间的区别，或是模型本身的特色，如Peng and Zhang模型需要针对不同的堰塞体冲蚀程度选择参数。
在这些模型中，本申请提出的溃决模型具有最大的R2值0.965，具有良好的精度，能够应用于堰塞体溃决预测。考虑堰塞体冲蚀特性的模型与未考虑冲蚀特性的公式相比具有较高的精度，如Peng and Zhang全参数公式的R2值为0.918，同时具有较小的均方根误差值(5293m3/s)；同时，单独使用坝高(Hd)或者坝体积(Vd)为控制参数的溃决模型精度明显具有较低的R2值和较大的均方根误差E，预测精度与其余模型相比明显较低。
基于不同模型计算结果，绘制了箱线图用于从统计学的角度描述模型表现差异。对于参与计算的模型，可以观察该模型计算结果的最大值、最小值、上四分位数(Q3)、中位数(Q2)、下四分位数(Q1)、四分位间距(ΔQ)、均值。最大值区间为Q3+1.5ΔQ，最小值区间为Q1-1.5ΔQ，在这两个区间之外的点则为离群值。
从图5可以看出，随着数据库的不断补充，提出年代较为久远的Costa模型(模型E)、Costa and Schuster模型(模型F、G、H)与其余模型相比，其四分位间距ΔQ显著超出其余模型，预测均值在1.7左右，而其预测中位数更接近理想值1，预测存在明显的偏向性，同时存在着较多的预测异常值，这些均与Froehlich的研究所得出的结论一致，也进一步说明，堰塞体溃决流量预测模型需要随着数据库的不断扩充而改进的必要性。
在剩余的模型中，本申请提出的模型同时考虑了更细致的坝体冲蚀特性分类与坝体粒径组成(d50参数)，预测精度波动较小，仅产生3个异常值，具有最小的四分位间距ΔQ，box分布集中，并且拥有最接近理论预测值1的预测均值，表现出了良好的统计预测精度。Froehlich模型(模型B)整体同样具有较好的预测精度，其预测中值与平均值也同样接近理想值1，且没有明显的偏向性，其预测结果中拥有一定的异常值(6个)，说明在面对极端案例时该模型更可能出现3倍以上的误差，模型B用坝体分类的方法考虑堰塞体冲蚀特性，根据堰塞体的材料组成以及堆积物堵塞河道的具体特征不同，将坝体分为3大类，分类不同，模型中溃口几何参数(Hw、Wb)，以及溃口初始流速的计算过程也有所区别，异常值的出现可能与其考虑冲蚀的方式有关。
在Peng and Zhang所提出的2个模型中(模型C、模型D)，使用5参数建立的模型C在整体上表现较好，拥有良好的预测精度，由于其计算公式中使用的参数较多，仅有少数案例(66例)能够参与计算，案例样本数量与本申请模型(120例)、Froehlich模型(113例)相比较少，使用条件更为苛刻；使用3参数建立的模型D在案例数量上与其余模型基本一致(112例)，其预测平均值与预测中值则展现出明显的偏向性，同时，模型D也拥有最多的异常值，Peng and Zhang仅给出了其模型中用于计算冲蚀参数的数值，但并未给出具体的取值过程，模型C与D的表现不佳，可能是由于冲蚀参数随着数据库的扩充需要重新拟定所造成的。
整体看来公式中考虑了冲蚀特性的模型(本申请模型、Froehlich模型、Peng andZhang模型)能够更好的预测峰值流量，在高值区与低值区均拥有良好表现，而本模型在冲蚀的基础上进一步考虑了材料中值粒径d50的影响，在模型精度上表现的更加优秀。
以上所举实施例为本发明的较佳实施方式，仅用来方便说明本发明，并非对本发明作任何形式上的限制，任何所属技术领域中具有通常知识者，若在不脱离本发明所提技术特征的范围内，利用本发明所揭示技术内容所作出局部更动或修饰的等效实施例，并且未脱离本发明的技术特征内容，均仍属于本发明技术特征的范围内。
Claims (6)
1.一种基于冲蚀特性的堰塞体溃决峰值流量预测方法，其特征在于，包括如下步骤：
S100，获取若干组训练数据；
每组训练数据包括：
第一类参数：堰塞体几何参数，其包括：坝体高宽比Hd/Wd、坝体形状系数Vd 1/3/Hd、湖面形状系数Vl 1/3/Hd；
第二类参数：坝体与溃口参数，其包括：(Hd/Hw)a、(Wd/Wb)b，其中，a、b均为冲蚀修正参数；
第三类参数：堰塞体平均粒径d50；
第四类参数：溃决流量参数Qp/(g0.5·Hd 2.5)；
其中，Hd为坝体高度Hd、Wd为坝体宽度、Vd为坝体体积、Vl为水库库容、Hw为溃口深度，Wb为溃口平均宽度、d50为坝体中值粒径、Qp为溃决峰值流量、g表示重力加速度、a和b均为冲蚀修正参数；
S200，采用RBF神经网络，确定神经网络的层数和神经元个数：
RBF神经网络采用三层结构：1个输入层、1个中间层、1个输出层；输入层的神经元数量为6个；输出层的神经元数量为1个；中间层的神经元数目在RBF神经网络训练过程中确定；
S300，模型训练：采用S100的数据对S200的RBF神经网络进行训练：将每组训练数据的第一类参数、第二类参数、第三类参数作为RBF神经网络的6种输入层参数，每组训练数据的第四类参数作为RBF神经网络的1种输出层参数；
S400，获取至少一组评价数据，每组评价数据包括：第一类参数、第二类参数、第三类参数；
S500，针对所述评价数据中的每一组，利用经过S300得到的RBF神经网络获得该组测试数据对应的输出值，进而再获得与该组评价数据对应的Qp。
2.根据权利要求1所述的一种基于冲蚀特性的堰塞体溃决峰值流量预测方法，其特征在于，S500中Qp通过如下方法获得：S500中获得的RBF神经网络求得的输出值×(g0.5·Hd 2.5)为Qp值。
3.根据权利要求1所述的一种基于冲蚀特性的堰塞体溃决峰值流量预测方法，其特征在于，S100还包括如下子步骤：
S101，获取每组训练数据的基础性参数，其包括：坝体高度Hd、坝体宽度Wd、坝体体积Vd、水库库容Vl、溃口深度Hw，溃口平均宽度Wb、坝体中值粒径d50、溃决峰值流量Qp；
S102，对每组训练数据的基础性参数进行处理，求得：
第一类参数：堰塞体几何参数，其包括：坝体高宽比Hd/Wd、坝体形状系数Vd 1/3/Hd、湖面形状系数Vl 1/3/Hd；
第二类参数：坝体与溃口参数，其包括：(Hd/Hw)a、(Wd/Wb)b，其中，a、b均为冲蚀修正参数；
第三类参数：堰塞体平均粒径d50；
第四类参数：溃决流量参数Qp/(g0.5·Hd 2.5)，其中，g表示重力加速度。
4.根据权利要求1所述的一种基于冲蚀特性的堰塞体溃决峰值流量预测方法，其特征在于，S400还包括如下子步骤：
S401，获取每组评价数据的基础性参数，其包括：坝体高度Hd、坝体宽度Wd、坝体体积Vd、水库库容Vl、溃口深度Hw，溃口平均宽度Wb、坝体中值粒径d50；
S402，对每组评价数据的基础性参数进行处理，求得：
第一类参数：堰塞体几何参数，其包括：坝体高宽比Hd/Wd、坝体形状系数Vd 1/3/Hd、湖面形状系数Vl 1/3/Hd；
第二类参数：坝体与溃口参数，其包括：(Hd/Hw)a、(Wd/Wb)b，其中，a、b均为冲蚀修正参数；
第三类参数：堰塞体平均粒径d50。
5.根据权利要求1所述的一种基于冲蚀特性的堰塞体溃决峰值流量预测方法，其特征在于，a的取值范围为[1.1，1.2]，b的取值范围为[0.0004，0.0006]。
6.一种存储介质，其特征在于，其存储能够运行权利要求1至5任意一项所述的塞体溃决峰值流量预测方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311006468.7A CN116976221B (zh) | 2023-08-10 | 2023-08-10 | 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311006468.7A CN116976221B (zh) | 2023-08-10 | 2023-08-10 | 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116976221A true CN116976221A (zh) | 2023-10-31 |
| CN116976221B CN116976221B (zh) | 2024-05-17 |
Family
ID=88479512
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311006468.7A Active CN116976221B (zh) | 2023-08-10 | 2023-08-10 | 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116976221B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117744535A (zh) * | 2024-01-02 | 2024-03-22 | 昆明理工大学 | 一种松散岩土体堰塞坝泥石流流量峰值预测方法及系统 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017000557A1 (zh) * | 2015-06-30 | 2017-01-05 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
| CN109657281A (zh) * | 2018-11-26 | 2019-04-19 | 西安理工大学 | 一种引流槽开挖措施的堰塞坝溃决机制分析方法 |
| CN111815195A (zh) * | 2020-07-20 | 2020-10-23 | 四川大学 | 一种滑坡堰塞湖溃决危险性评估方法 |
| CN112182993A (zh) * | 2020-09-29 | 2021-01-05 | 中国科学院、水利部成都山地灾害与环境研究所 | 滑坡堰塞坝溃口深度测算方法、滑坡堰塞坝溃决洪水峰值流量测算方法 |
| CN112836280A (zh) * | 2021-03-03 | 2021-05-25 | 中国科学院、水利部成都山地灾害与环境研究所 | 泥石流堰塞坝溃口下切速率计算方法 |
| CN113361184A (zh) * | 2021-05-19 | 2021-09-07 | 武汉大学 | 一种基于卷积神经网络的颗粒体系宏观应力波动预测方法 |
| CN113868942A (zh) * | 2021-09-07 | 2021-12-31 | 西安理工大学 | 一种堰塞体溃决峰值流量快速预测方法 |
| US20220172064A1 (en) * | 2020-12-02 | 2022-06-02 | Htc Corporation | Machine learning method and machine learning device for eliminating spurious correlation |
| CN115310664A (zh) * | 2022-07-01 | 2022-11-08 | 中国石油大学(华东) | 基于基因调控遗传算法的rbf神经网络训练方法及预测系统 |
| WO2022252283A1 (zh) * | 2021-06-04 | 2022-12-08 | 中国科学院、水利部成都山地灾害与环境研究所 | 钢索网石笼结构体堰塞坝溃决排险防洪系统、应用 |
| CN115468633A (zh) * | 2022-09-01 | 2022-12-13 | 西安热工研究院有限公司 | 基于rbf神经网络的多点式流量计的校正方法和装置 |
| US20220398351A1 (en) * | 2021-06-11 | 2022-12-15 | Tsinghua University | Method and system for reverse design of micro-nano structure based on deep neural network |
| CN115796376A (zh) * | 2022-12-13 | 2023-03-14 | 浙江大学建筑设计研究院有限公司 | 基于深度学习的堰塞坝稳定性及溃决参数快速预测方法 |
| CN116050948A (zh) * | 2023-03-31 | 2023-05-02 | 四川大学 | 一种滑坡-堵江-溃决灾害链的风险评估方法 |
| CN116246183A (zh) * | 2022-12-26 | 2023-06-09 | 中国水利水电科学研究院 | 一种堰塞体表面粒组分区智能识别方法 |
| CN116341210A (zh) * | 2023-02-24 | 2023-06-27 | 武汉大学 | 一种基于微积分思想与险情特征的堰塞坝控泄结构及其优化方法 |
| CN116402209A (zh) * | 2023-03-28 | 2023-07-07 | 中国长江三峡集团有限公司 | 基于改进神经网络模型的三峡水库坝前来漂量预测方法 |
| CN116561529A (zh) * | 2023-05-18 | 2023-08-08 | 中国电建集团成都勘测设计研究院有限公司 | 基于案例统计及溃决过程的堰塞坝溃口形态预测方法 |
| US20230314649A1 (en) * | 2020-09-07 | 2023-10-05 | China Petroleum & Chemical Corporation | Reservoir parameter prediction method and apparatus based on geological characteristic constraint, and storage medium |
-
2023
- 2023-08-10 CN CN202311006468.7A patent/CN116976221B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017000557A1 (zh) * | 2015-06-30 | 2017-01-05 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
| CN109657281A (zh) * | 2018-11-26 | 2019-04-19 | 西安理工大学 | 一种引流槽开挖措施的堰塞坝溃决机制分析方法 |
| CN111815195A (zh) * | 2020-07-20 | 2020-10-23 | 四川大学 | 一种滑坡堰塞湖溃决危险性评估方法 |
| US20230314649A1 (en) * | 2020-09-07 | 2023-10-05 | China Petroleum & Chemical Corporation | Reservoir parameter prediction method and apparatus based on geological characteristic constraint, and storage medium |
| CN112182993A (zh) * | 2020-09-29 | 2021-01-05 | 中国科学院、水利部成都山地灾害与环境研究所 | 滑坡堰塞坝溃口深度测算方法、滑坡堰塞坝溃决洪水峰值流量测算方法 |
| US20220172064A1 (en) * | 2020-12-02 | 2022-06-02 | Htc Corporation | Machine learning method and machine learning device for eliminating spurious correlation |
| CN112836280A (zh) * | 2021-03-03 | 2021-05-25 | 中国科学院、水利部成都山地灾害与环境研究所 | 泥石流堰塞坝溃口下切速率计算方法 |
| CN113361184A (zh) * | 2021-05-19 | 2021-09-07 | 武汉大学 | 一种基于卷积神经网络的颗粒体系宏观应力波动预测方法 |
| WO2022252283A1 (zh) * | 2021-06-04 | 2022-12-08 | 中国科学院、水利部成都山地灾害与环境研究所 | 钢索网石笼结构体堰塞坝溃决排险防洪系统、应用 |
| US20220398351A1 (en) * | 2021-06-11 | 2022-12-15 | Tsinghua University | Method and system for reverse design of micro-nano structure based on deep neural network |
| CN113868942A (zh) * | 2021-09-07 | 2021-12-31 | 西安理工大学 | 一种堰塞体溃决峰值流量快速预测方法 |
| CN115310664A (zh) * | 2022-07-01 | 2022-11-08 | 中国石油大学(华东) | 基于基因调控遗传算法的rbf神经网络训练方法及预测系统 |
| CN115468633A (zh) * | 2022-09-01 | 2022-12-13 | 西安热工研究院有限公司 | 基于rbf神经网络的多点式流量计的校正方法和装置 |
| CN115796376A (zh) * | 2022-12-13 | 2023-03-14 | 浙江大学建筑设计研究院有限公司 | 基于深度学习的堰塞坝稳定性及溃决参数快速预测方法 |
| CN116246183A (zh) * | 2022-12-26 | 2023-06-09 | 中国水利水电科学研究院 | 一种堰塞体表面粒组分区智能识别方法 |
| CN116341210A (zh) * | 2023-02-24 | 2023-06-27 | 武汉大学 | 一种基于微积分思想与险情特征的堰塞坝控泄结构及其优化方法 |
| CN116402209A (zh) * | 2023-03-28 | 2023-07-07 | 中国长江三峡集团有限公司 | 基于改进神经网络模型的三峡水库坝前来漂量预测方法 |
| CN116050948A (zh) * | 2023-03-31 | 2023-05-02 | 四川大学 | 一种滑坡-堵江-溃决灾害链的风险评估方法 |
| CN116561529A (zh) * | 2023-05-18 | 2023-08-08 | 中国电建集团成都勘测设计研究院有限公司 | 基于案例统计及溃决过程的堰塞坝溃口形态预测方法 |
Non-Patent Citations (14)
| Title |
|---|
| SHARIF, YUSUF AHMED (SHARIF, YUSUF AHMED): "Experimental Study on Piping Failure of Earthen Levee and Dams", UNIVERSITY OF SOUTH CAROLINA, 31 December 2013 (2013-12-31) * |
| 刘建康，程尊兰 ，吴积善: "基于经验公式建立的滑坡泥石流坝溃口形式预测模型", 四川大学学报( 工程科学版), vol. 45, no. 2, 1 July 2013 (2013-07-01) * |
| 周兴波;陈祖煜;李守义;王琳;: "不同推移质输沙模型在溃坝洪水模拟中的对比分析", 应用基础与工程科学学报, no. 06, 15 December 2015 (2015-12-15) * |
| 周建银;姚仕明;王敏;朱勇辉;陈栋;: "土石坝漫顶溃决及洪水演进研究进展", 水科学进展, no. 02, 12 February 2022 (2022-02-12) * |
| 孙丹丹;何晓燕;黄金池;任明磊;: "堰塞湖风险等级判定模型及其参数敏感分析", 中国农村水利水电, no. 12, 15 December 2010 (2010-12-15) * |
| 张苏;丁元;李俊杰;金平;曹华林;: "唐家山堰塞湖泄洪问题的研究", 数学的实践与认识, no. 16, 23 August 2009 (2009-08-23) * |
| 李敬;苏爱军;: "唐家山滑坡坝溃坝洪水数值模型研究", 水电能源科学, no. 08, 25 August 2018 (2018-08-25) * |
| 梅世昂;陈生水;钟启明;阎志坤;: "土石坝溃坝参数模型研究", 工程科学与技术, no. 02, 20 March 2018 (2018-03-20) * |
| 沈光泽;盛金保;向衍;钟启明;: "堰塞坝漫顶溃决过程数值模拟及应用", 岩土工程学报, no. 2, 15 October 2018 (2018-10-15) * |
| 石振明，马小龙，彭 铭，张利民: "基于大型数据库的堰塞坝特征统计分析与 溃决参数快速评估模型", 岩石力学与工程学报, vol. 33, no. 9, 15 September 2014 (2014-09-15) * |
| 赵洋;李守义;: "堰塞体逐渐溃决数学模型研究", 自然灾害学报, no. 03, 15 June 2020 (2020-06-15) * |
| 钟启明;单熠博;: "堰塞坝稳定性快速评价方法对比", 人民长江, no. 04, 13 February 2019 (2019-02-13) * |
| 钟启明;陈生水;单熠博;: "考虑材料冲蚀性沿深度变化的堰塞体漫顶溃决模拟", 人民长江, no. 01, 28 January 2020 (2020-01-28) * |
| 魏迎奇;孙黎明;傅中志;吴帅峰;蔡红;: "堰塞湖多源信息及其感知技术", 人民长江, no. 04, 28 April 2019 (2019-04-28) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117744535A (zh) * | 2024-01-02 | 2024-03-22 | 昆明理工大学 | 一种松散岩土体堰塞坝泥石流流量峰值预测方法及系统 |
| CN117744535B (zh) * | 2024-01-02 | 2024-05-14 | 昆明理工大学 | 一种松散岩土体堰塞坝泥石流流量峰值预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116976221B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | A simulation model for meandering rivers | |
| Sinha et al. | Artificial neural network prediction models for soil compaction and permeability | |
| CN116976221B (zh) | 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质 | |
| Dong et al. | Logistic regression model for predicting the failure probability of a landslide dam | |
| JP5856896B2 (ja) | 発生流出量予測シミュレーション方法及びそのプログラム | |
| CN114360214B (zh) | 一种特大规模冰川泥石流预警方法 | |
| Mehta et al. | Analysis of scour depth in the case of parallel bridges using HEC-RAS | |
| Berghout et al. | Sediment transport modelling in wadi Chemora during flood flow events | |
| CN112101737A (zh) | 基于云模型的堰塞湖开发可行性评价方法 | |
| CN111539904A (zh) | 一种基于降雨量的灾害易发性预测方法 | |
| Wan et al. | Similarity-based optimal operation of water and sediment in a sediment-laden reservoir | |
| CN117171861A (zh) | 一种漫顶溃决水流侵蚀河床形成泥石流的预测方法 | |
| Kouzehgar et al. | Physical modeling into outflow hydrographs and breach characteristics of homogeneous earthfill dams failure due to overtopping | |
| CN116561529A (zh) | 基于案例统计及溃决过程的堰塞坝溃口形态预测方法 | |
| Eltarabily et al. | Predicting seepage losses from lined irrigation canals using machine learning models | |
| Salmasi et al. | Experimental investigation and prediction of free fall jet scouring using machine learning models | |
| Brunner et al. | Sediment transport modeling in HEC RAS | |
| CN117272749A (zh) | 一种用于直升机场深回填区沉降的预测模型及监测系统 | |
| Paquier et al. | River bed deformation calculated from boundary shear stress | |
| Kouzehgar et al. | Application of experimental data and soft computing techniques in determining the outflow and breach characteristics in embankments and landslide dams | |
| Abd Rahman et al. | Modeling of 1D sediment transport in the langat river using quasi-unsteady HEC-RAS | |
| Idrees et al. | Complementary modeling approach for estimating sedimentation and hydraulic flushing parameters using artificial neural networks and RESCON2 model | |
| CN109898461A (zh) | 一种计算排沙漏斗排沙效率的方法 | |
| Lai et al. | A numerical modeling study of sediment bypass tunnels at shihmen reservoir, Taiwan | |
| Chang et al. | Investigating the impact of the Chi‐Chi earthquake on the occurrence of debris flows using artificial neural networks |
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 |