CN117077571B - 一种水面线模拟方法、装置、计算机设备及存储介质 - Google Patents
一种水面线模拟方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117077571B CN117077571B CN202311324030.3A CN202311324030A CN117077571B CN 117077571 B CN117077571 B CN 117077571B CN 202311324030 A CN202311324030 A CN 202311324030A CN 117077571 B CN117077571 B CN 117077571B
- Authority
- CN
- China
- Prior art keywords
- flow
- water
- loss function
- water level
- water surface
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 358
- 238000004088 simulation Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003062 neural network model Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 136
- 230000015654 memory Effects 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000005484 gravity Effects 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 2
- 239000012530 fluid Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012795 verification 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
- G06F30/28—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
- G06N3/048—Activation functions
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,公开了一种水面线模拟方法、装置、计算机设备及存储介质,该方法包括获取目标水库沿程干支流断面信息,基于目标水库沿程干支流断面信息建立一维水动力模型;基于一维水动力模型构建目标损失函数,并利用目标损失函数对初始神经网络模型进行优化训练,生成水面线模拟模型;利用水面线模拟模型对水库水面线进行模拟,生成水面线模拟结果。本发明通过引入基于一维水动力模型的物理约束,以实现水面线模拟模型对水库水面线进行准确模拟的目的。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种水面线模拟方法、装置、计算机设备及存储介质。
背景技术
大型水库是实现水资源高效利用的基础设施和重要抓手,对其水面线进行有效地实时预测,对改善水库长时间尺度的调节效果,实现水库蓄洪补枯防洪兴利功能的具有积极作用。目前常用水动力模拟结果作为判断依据,该方法在边界条件精确的条件下可以准确预测水库水面线的变化过程,但是实际应用中难以确定边界条件,模型求解结果与实际测量水面线存在差距,常用来做事后水面线过程的验证;而大型水库下边界-坝前水位抬升带来天然河道区和湖泊区交界处水面线的变化,神经网络方法仅基于历史数据获得水面线,无法判断交接处位置的变化。因此如何对水库水面线进行准确模拟成为亟待解决的技术问题。
发明内容
有鉴于此,本发明提供了一种水面线模拟方法、装置、计算机设备及存储介质,以解决如何对水库水面线进行准确模拟的技术问题。
第一方面,本发明提供了一种水面线模拟方法,包括:获取目标水库沿程干支流断面信息,基于目标水库沿程干支流断面信息建立一维水动力模型;基于一维水动力模型构建目标损失函数,并利用目标损失函数对初始神经网络模型进行优化训练,生成水面线模拟模型;利用水面线模拟模型对水库水面线进行模拟,生成水面线模拟结果。
本实施例提供的水面线模拟方法,通过一维水动力模型构建目标损失函数,并利用目标损失函数对初始神经网络模型进行优化训练,生成水面线模拟模型,使得水面线模拟模型同时具有数据驱动和物理约束的特点,以实现对水库水面线进行准确模拟的目的。
在一种可选的实施方式中,基于目标水库沿程干支流断面信息建立一维水动力模型,包括:基于干支流断面信息进行河道划分,生成分布式河段的拓扑结构;基于分布式河段的拓扑结构建立一维水动力模型。
本实施例提供的水面线模拟方法,通过对干支流进行河道划分,生成分布式河段的拓扑结构,针对不同河段的拓扑结构建立一维水动力模型,以实现对不同河段水面线的准确模拟的目的。
在一种可选的实施方式中,基于分布式河段的拓扑结构建立一维水动力模型,包括:基于分布式河段的拓扑结构构建水流连续方程和水流运动方程;获取边界处水位和边界处流量,基于分布式河段的拓扑结构、边界处水位和边界处流量构建边界条件;获取初始时刻的水位和流量空间分布,基于分布式河段的拓扑结构与初始时刻的水位和流量空间分布构建初始条件;基于水流连续方程、水流运动方程、边界条件和初始条件建立一维水动力模型。
本实施例提供的水面线模拟方法,通过构建水流连续方程、水流运动方程、边界条件和初始条件,进而建立一维水动力模型,以实现所建立的一维水动力模型的完整性和与目标水库的适配性,从而提高水面线模拟模型对水库水面线的准确模拟。
在一种可选的实施方式中,基于分布式河段的拓扑结构构建水流连续方程和水流运动方程,包括:基于分布式河段的拓扑结构确定水面宽、预测水位、预测流量、空间位置、单位河长处的旁侧入流流量、过水断面面积、水力半径和旁侧入流断面平均流速沿河道方向的分量;基于水面宽、预测水位、预测流量、空间位置和单位河长处的旁侧入流流量构建水流连续方程;获取重力加速度和糙率系数,基于预测水位、预测流量、过水断面面积、水力半径、旁侧入流断面平均流速沿河道方向的分量、重力加速度和糙率系数构建水流运动方程。
本实施例提供的水面线模拟方法,通过分布式河段的拓扑结构确定对应河段的物理参数,进而构建水流连续方程、水流运动方程,以实现所建立水流连续方程、水流运动方程与目标水库的适配性,从而提高水面线模拟模型对水库水面线的准确模拟。
在一种可选的实施方式中,基于水面宽、预测水位、预测流量、空间位置和单位河长处的旁侧入流流量构建水流连续方程,水流连续方程的表达式如下所示:
其中,表示时间,/>表示空间位置,/>表示水面宽,/>表示预测水位,/>表示预测流量,/>表示单位河长上的旁侧入流流量。
在一种可选的实施方式中,基于预测水位、预测流量、过水断面面积、水力半径、旁侧入流断面平均流速沿河道方向的分量、重力加速度和糙率系数构建水流运动方程,水流运动方程的表达式如下所示:
其中,表示时间,/>表示空间位置,/>表示预测水位,/>表示预测流量,/>表示单位河长上的旁侧入流流量,/>表示旁侧入流断面平均流速沿河道方向的分量,/>表示重力加速度,/>表示过水断面面积,/>表示糙率系数,/>表示水力半径。
在一种可选的实施方式中,基于一维水动力模型构建目标损失函数,并利用目标损失函数对初始神经网络模型进行优化训练,生成水面线模拟模型,包括:基于水流连续方程、水流运动方程、边界条件和初始条件构建模型损失函数;获取目标水库沿程干支流水位流量的历史数据和预测数据,基于目标水库沿程干支流水位流量的历史数据和预测数据构建标签损失函数;基于模型损失函数和标签损失函数构建目标损失函数;基于目标水库沿程干支流水位流量的历史数据对初始神经网络模型进行训练,直至目标损失函数收敛,生成水面线模拟模型。
本实施例提供的水面线模拟方法,通过构建模型损失函数和标签损失函数,进而构建目标损失函数,并利用目标水库沿程干支流水位流量的历史数据对初始神经网络模型进行训练,直至目标损失函数收敛,得到优化的水面线模拟模型,以实现对水库水面线进行准确模拟的目的。
在一种可选的实施方式中,基于模型损失函数和标签损失函数构建目标损失函数,其中,目标损失函数的计算公式如下所示:
其中,表示目标损失函数,/>表示神经网络模型的权重值,/>表示河道被划分的个河段数,/>表示河段序号,/>表示第/>个河段水流连续方程的损失函数,/>表示第/>个河段水流运动方程的损失函数,/>和/>表示第/>个河段边界条件的损失函数,/>和/>表示第/>个河段初始条件的损失函数,/>和/>表示第/>个河段标签数据的损失函数,/>为水流连续方程和水流运动方程残差点数量,/>为边界条件残差点数量,/>为初始条件残差点数量,/>为标签数据数量。
在一种可选的实施方式中,基于目标水库沿程干支流水位流量的历史数据对初始神经网络模型进行训练,直至目标损失函数收敛,生成水面线模拟模型,包括:将目标水库沿程干支流水位流量的历史数据输入初始神经网络模型中,输出水位流量预测值;将水位流量预测值输入目标损失函数,生成损失函数值;将损失函数值与预设阈值进行比较,当损失函数值大于预设阈值时,对初始神经网络模型中的权重进行调整,直至损失函数值小于预设阈值时,生成水面线模拟模型。
本实施例提供的水面线模拟方法,通过将损失函数值与预设阈值进行比较,对初始神经网络模型中的权重进行调整,直至损失函数值小于预设阈值时,得到优化的水面线模拟模型,以实现对水库水面线进行准确模拟的目的。
在一种可选的实施方式中,还包括:利用水面线模拟结果,对目标水库的水位流量变化过程进行评价,生成水位流量变化评价结果。
本实施例提供的水面线模拟方法,利用水面线模拟结果,对目标水库的水位流量变化过程进行评价,生成水位流量变化评价结果,进而为相应策略的制定提供数据参考。
第二方面,本发明提供了一种水面线模拟装置,包括:建立模块,用于获取目标水库沿程干支流断面信息,基于目标水库沿程干支流断面信息建立一维水动力模型;生成模块,用于基于一维水动力模型构建目标损失函数,并利用目标损失函数对初始神经网络模型进行优化训练,生成水面线模拟模型;模拟模块,用于利用水面线模拟模型对水库水面线进行模拟,生成水面线模拟结果。
第三方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的水面线模拟方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的水面线模拟方法。
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是根据本发明实施例的水面线模拟方法的流程示意图;
图2是根据本发明实施例的神经信息网络结构示意图;
图3是根据本发明实施例的另一水面线模拟方法的流程示意图;
图4是根据本发明实施例的河道的分布式河段的拓扑结构示意图;
图5是根据本发明实施例的水面线模拟装置的结构框图;
图6是本发明实施例的计算机设备的硬件结构示意图。
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。基于本发明中的实施例,本领域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。
本说明书提供的水面线模拟方法,可以应用于对水库水面线进行模拟的电子设备;该电子设备可以但不限于包括笔记本、台式电脑、移动终端,移动终端如手机、平板电脑等;当然,本说明书提供的水面线模拟方法,也可以应用于运行在上述电子设备中的应用程序内。
大型水库是实现水资源高效利用的基础设施和重要抓手,对其水面线进行有效地实时预测,对改善水库长时间尺度的调节效果,实现水库蓄洪补枯防洪兴利功能的具有积极作用;现在常用水动力模拟结果作为判断依据,该方法在边界条件精确的条件下可以准确预测水库水面线的变化过程,但是实际应用中难以确定边界条件,模型求解结果与实际测量水面线存在差距,常用来做事后水面线过程的验证,而大型水库下边界-坝前水位抬升带来天然河道区和湖泊区交界处的变化,神经网络方法基于历史数据获得水面线,无法判断交接处位置的变化。
针对上述问题,本发明提出了一种先验的物理约束神经网络水面线模拟方法,通过构建物理信息神经网络(Physics-Informed Neural Networks,PINNs),该物理信息神经网络同时具有数据驱动和物理约束的特点,可以判断天然河道区和湖泊区交界处的变化同时通过训练监测数据得到水库水面线过程,并通过数据和物理双驱动的物理信息神经网络,在保证满足实际的物理过程的同时,利用实际监测数据,快速获得当前流量条件下的水面线过程。
根据本发明实施例,提供了一种水面线模拟方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种水面线模拟方法,可用于上述的笔记本、台式电脑、移动终端,移动终端如手机、平板电脑等,图1是根据本发明实施例的水面线模拟方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取目标水库沿程干支流断面信息,基于目标水库沿程干支流断面信息建立一维水动力模型。
步骤S102,基于一维水动力模型构建目标损失函数,并利用目标损失函数对初始神经网络模型进行优化训练,生成水面线模拟模型。
具体地,如图2所示,采用泛化能力更强的物理信息神经网络,物理信息神经网络是基于深层前向神经网络构建的,前向神经网络由一系列非线性激活函数组成,这些激活函数最终组合成输出函数,这些输出函数能够实现对任意函数的逼近;此处构建一维水动力模型中的两个未知量流量和水位的初始神经网络模型输出函数,即和,如式(1)和式(2)所示:
(1)
(2)
其中,表示观测流量,/>表示观测水位,/>表示初始神经网络模型输出的预测流量,/>表示初始神经网络模型输出的预测水位。
步骤S103,利用水面线模拟模型对水库水面线进行模拟,生成水面线模拟结果。
具体地,获取待模拟水库的目标位置和当前时刻,并将目标位置和当前时间输入水面线模拟模型,生成当前时刻下目标位置的水位;基于目标位置的水位,生成待模拟水库水面线模拟结果。利用水面线模拟结果,对目标水库的水位流量变化过程进行评价,生成水位流量变化评价结果;如将模拟结果上传水库调度部门,为其制定调度方案提供参考。
本实施例提供的水面线模拟方法,通过一维水动力模型构建目标损失函数,并利用目标损失函数对初始神经网络模型进行优化训练,生成水面线模拟模型,使得水面线模拟模型同时具有数据驱动和物理约束的特点,以实现对水库水面线进行准确模拟的目的。
在本实施例中提供了一种水面线模拟方法,可用于上述的笔记本、台式电脑、移动终端,移动终端如手机、平板电脑等,图3是根据本发明实施例的水面线模拟方法的流程图,如图3所示,该流程包括如下步骤:
步骤S301,获取目标水库沿程干支流断面信息,基于目标水库沿程干支流断面信息建立一维水动力模型。
在一些可选的实施方式中,上述步骤S301包括:
步骤S3011,基于干支流断面信息进行河道划分,生成分布式河段的拓扑结构。
具体地,分布式河段的拓扑结构示意图如图4所示。
步骤S3012,基于分布式河段的拓扑结构建立一维水动力模型。
在一些可选的实施方式中,上述步骤S3012包括:
步骤a1,基于分布式河段的拓扑结构构建水流连续方程和水流运动方程。
具体地,上述步骤a1包括:
1)基于分布式河段的拓扑结构确定水面宽、预测水位、预测流量、空间位置、单位河长处的旁侧入流流量、过水断面面积、水力半径和旁侧入流断面平均流速沿河道方向的分量。
2)基于水面宽、预测水位、预测流量、空间位置和单位河长处的旁侧入流流量构建水流连续方程;
具体地,水流连续方程的表达式如下式(3)所示:
(3)
其中,表示时间,/>表示空间位置,/>表示水面宽,/>表示预测水位,即初始神经网络模型输出的预测水位/>,/>表示预测流量,即初始神经网络模型输出的预测流量,/>表示单位河长上的旁侧入流流量。
3)获取重力加速度和糙率系数,基于预测水位、预测流量、过水断面面积、水力半径、旁侧入流断面平均流速沿河道方向的分量、重力加速度和糙率系数构建水流运动方程。
具体地,水流运动方程的表达式如下式(4)所示:
(4)
其中,表示时间,/>表示空间位置,/>表示预测水位,/>表示预测流量,/>表示单位河长上的旁侧入流流量,/>表示旁侧入流断面平均流速沿河道方向的分量,/>表示重力加速度,/>表示过水断面面积,/>表示糙率系数,/>表示水力半径。
本实施例提供的水面线模拟方法,通过分布式河段的拓扑结构确定对应河段的物理参数,进而构建水流连续方程、水流运动方程,以实现所建立水流连续方程、水流运动方程与目标水库的适配性,从而提高水面线模拟模型对水库水面线的准确模拟。
步骤a2,获取边界处水位和边界处流量,基于分布式河段的拓扑结构、边界处水位和边界处流量构建边界条件。
具体地,边界条件的表达式如下式(5)-(6)所示:
(5)
(6)
其中,表示空间算子,/>表示沿边界,/>和/>分别表示边界处水位和流量的函数。
步骤a3,获取初始时刻的水位和流量空间分布,基于分布式河段的拓扑结构与初始时刻的水位和流量空间分布构建初始条件。
具体地,初始条件的表达式如下式(7)-(8)所示:
(7)
(8)
其中,和/>分别表示初始时刻水位和流量的空间分布。
步骤a4,基于水流连续方程、水流运动方程、边界条件和初始条件建立一维水动力模型。
具体地,一维水动力模型的表达式如式(3)-(8)所示。
本实施例提供的水面线模拟方法,通过构建水流连续方程、水流运动方程、边界条件和初始条件,进而建立一维水动力模型,以实现所建立的一维水动力模型的完整性和与目标水库的适配性,从而提高水面线模拟模型对水库水面线的准确模拟。
步骤S302,基于一维水动力模型构建目标损失函数,并利用目标损失函数对初始神经网络模型进行优化训练,生成水面线模拟模型。
在一些可选的实施方式中,上述步骤S302包括:
步骤S3021,基于水流连续方程、水流运动方程、边界条件和初始条件构建模型损失函数。
具体地,模型损失函数的表达式如下式(9)-(14)所示:
(9)
(10)
(11)
(12)
(13)
(14)
其中,表示河段序号,/>表示第/>个河段水流连续方程的损失函数,/>表示第/>个河段水流运动方程的损失函数,/>和/>表示第/>个河段边界条件的损失函数,/>和/>表示第/>个河段初始条件的损失函数,/>表示时间,/>表示空间位置,表示水面宽,/>表示第/>个河段单位河长上的旁侧入流流量,/>表示第/>个河段旁侧入流断面平均流速沿河道方向的分量,/>表示重力加速度,/>表示第/>个河段过水断面面积,/>表示第/>个河段糙率系数,/>表示第/>个河段水力半径,/>表示空间算子,/>和/>分别表示第/>个河段边界处水位和流量的函数,/>和/>分别表示第/>个河段初始时刻水位和流量的空间分布,/>表示观测水位,/>表示观测流量。
步骤S3022,获取目标水库沿程干支流水位流量的历史数据和预测数据,基于目标水库沿程干支流水位流量的历史数据和预测数据构建标签损失函数。
具体地,干支流水位流量的历史数据可以包括但不限于观测水位和观测流量;干支流水位流量的历史数据可以通过河道干支流上设立的监测站点获取;标签损失函数的表达式如下式(15)-(16)所示:
(15)
(16)
其中,和/>表示第/>个河段标签数据的损失函数,/>表示神经网络模型输出的水位,/>表示神经网络模型输出的流量,/>表示观测水位,/>表示观测流量。
步骤S3023,基于模型损失函数和标签损失函数构建目标损失函数。
具体地,目标损失函数的计算公式如下式(17)所示:
(17)
其中,表示目标损失函数,/>表示神经网络模型的权重值,/>表示河道被划分的个河段数,/>表示河段序号,/>,/>表示第/>个河段水流连续方程的损失函数,/>表示第/>个河段水流运动方程的损失函数,/>和/>表示第/>个河段边界条件的损失函数,/>和/>表示第/>个河段初始条件的损失函数,/>和/>表示第/>个河段标签数据的损失函数,为水流连续方程和水流运动方程残差点数量,/>为边界条件残差点数量,/>为初始条件残差点数量,/>为标签数据数量。
步骤S3024,基于目标水库沿程干支流水位流量的历史数据对初始神经网络模型进行训练,直至目标损失函数收敛,生成水面线模拟模型。
在一些可选的实施方式中,上述步骤S3024包括:
步骤b1,将目标水库沿程干支流水位流量的历史数据输入初始神经网络模型中,输出水位流量预测值。
步骤b2,将水位流量预测值输入目标损失函数,生成损失函数值。
步骤b3,将损失函数值与预设阈值进行比较,当损失函数值大于预设阈值时,对初始神经网络模型中的权重进行调整,直至损失函数值小于预设阈值时,生成水面线模拟模型。
具体地,如图2所示,通过对初始神经网络模型中的权重值进行调整,来降低损失函数值,使得神经网络的输出的预测水位和预测流量逼近历史数据中的观测水位和观测流量,得到最适权重值/>,即如式(18)所示:
(18)
本实施例可以采用基于牛顿迭代法的L-BFGS(Limited Memory Broyden-Fletcher-Goldfarb-Shanno,一种优化算法)和自适应学习率的Adam(Adaptive MomentEstimation,自适应时刻估计方法)算法,两种算法的基本形式如式(19)所示:
(19)
其中,表示目标损失函数,/>表示学习速率;L-BFGS算法收敛速度快,内存占用小,Adam算法采用了自适应学习率提高学习效率,并引入动量增强算法稳定性,从而更适合复杂的非凸优化问题;如若出现局部收敛问题,可采用全局优化算法如遗传算法(Genetic Algorithm,GA)和粒子群优化方法(Particle Swarm Optimization,PSO),但是该方法运行效率低,无法较短时间内获得水面线结果。
本实施例提供的水面线模拟方法,通过构建模型损失函数和标签损失函数,进而构建目标损失函数,并利用目标水库沿程干支流水位流量的历史数据对初始神经网络模型进行训练,并通过将损失函数值与预设阈值进行比较,对初始神经网络模型中的权重进行调整,直至损失函数值小于预设阈值时,得到优化的水面线模拟模型,以实现对水库水面线进行准确模拟的目的。
步骤S303,利用水面线模拟模型对水库水面线进行模拟,生成水面线模拟结果;详细请参见图1所示实施例的步骤S103,在此不再赘述。
本实施例提供的水面线模拟方法,通过对干支流进行河道划分,生成分布式河段的拓扑结构,针对不同河段的拓扑结构建立一维水动力模型,以实现对不同河段水面线的准确模拟的目的。
在本实施例中还提供了一种水面线模拟装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种水面线模拟装置,如图5所示,包括:
建立模块501,用于获取目标水库沿程干支流断面信息,基于目标水库沿程干支流断面信息建立一维水动力模型;
生成模块502,用于基于一维水动力模型构建目标损失函数,并利用目标损失函数对初始神经网络模型进行优化训练,生成水面线模拟模型;
模拟模块503,用于利用水面线模拟模型对水库水面线进行模拟,生成水面线模拟结果。
在一些可选的实施方式中,建立模块501包括:
划分子模块,用于基于干支流断面信息进行河道划分,生成分布式河段的拓扑结构。
建立子模块,用于基于分布式河段的拓扑结构建立一维水动力模型。
在一些可选的实施方式中,建立子模块包括:
第一构建单元,用于基于分布式河段的拓扑结构构建水流连续方程和水流运动方程。
第二构建单元,用于获取边界处水位和边界处流量,基于分布式河段的拓扑结构、边界处水位和边界处流量构建边界条件。
第三构建单元,用于获取初始时刻的水位和流量空间分布,基于分布式河段的拓扑结构与初始时刻的水位和流量空间分布构建初始条件。
建立单元,用于基于水流连续方程、水流运动方程、边界条件和初始条件建立一维水动力模型。
在一些可选的实施方式中,第一构建单元包括:
确定子单元,用于基于分布式河段的拓扑结构确定水面宽、预测水位、预测流量、空间位置、单位河长处的旁侧入流流量、过水断面面积、水力半径和旁侧入流断面平均流速沿河道方向的分量。
第一构建子单元,用于基于水面宽、预测水位、预测流量、空间位置和单位河长处的旁侧入流流量构建水流连续方程。
第二构建子单元,用于获取重力加速度和糙率系数,基于预测水位、预测流量、过水断面面积、水力半径、旁侧入流断面平均流速沿河道方向的分量、重力加速度和糙率系数构建水流运动方程。
在一些可选的实施方式中,第一构建子单元水流连续方程的表达式如下所示:
(3)
其中,表示时间,/>表示空间位置,/>表示水面宽,/>表示预测水位,/>表示预测流量,/>表示单位河长上的旁侧入流流量。
在一些可选的实施方式中,第二构建子单元中水流运动方程的表达式如下所示:
(4)
其中,表示时间,/>表示空间位置,/>表示预测水位,/>表示预测流量,/>表示单位河长上的旁侧入流流量,/>表示旁侧入流断面平均流速沿河道方向的分量,/>表示重力加速度,/>表示过水断面面积,/>表示糙率系数,/>表示水力半径。
在一些可选的实施方式中,生成模块502包括:
第一构建子模块,用于基于水流连续方程、水流运动方程、边界条件和初始条件构建模型损失函数。
第二构建子模块,用于获取目标水库沿程干支流水位流量的历史数据和预测数据,基于目标水库沿程干支流水位流量的历史数据和预测数据构建标签损失函数。
第三构建子模块,用于基于模型损失函数和标签损失函数构建目标损失函数。
第四构建子模块,用于基于目标水库沿程干支流水位流量的历史数据对初始神经网络模型进行训练,直至目标损失函数收敛,生成水面线模拟模型。
在一些可选的实施方式中,第三构建子模块中目标损失函数的计算公式如下所示:
(17)
其中,表示目标损失函数,/>表示神经网络模型的权重值,/>表示河道被划分的个河段数,/>表示河段序号,/>表示第/>个河段水流连续方程的损失函数,/>表示第/>个河段水流运动方程的损失函数,/>和/>表示第/>个河段边界条件的损失函数,/>和/>表示第/>个河段初始条件的损失函数,/>和/>表示第/>个河段标签数据的损失函数,/>为水流连续方程和水流运动方程残差点数量,/>为边界条件残差点数量,/>为初始条件残差点数量,/>为标签数据数量。
在一些可选的实施方式中,第四构建子模块包括:
输入单元,用于将目标水库沿程干支流水位流量的历史数据输入初始神经网络模型中,输出水位流量预测值。
第一生成单元,用于将水位流量预测值输入目标损失函数,生成损失函数值。
第二生成单元,用于将损失函数值与预设阈值进行比较,当损失函数值大于预设阈值时,对初始神经网络模型中的权重进行调整,直至损失函数值小于预设阈值时,生成水面线模拟模型。
在一些可选的实施方式中,还包括:
评价模块,用于利用水面线模拟结果,对目标水库的水位流量变化过程进行评价,生成水位流量变化评价结果。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例中的水面线模拟装置是以功能单元的形式来呈现,这里的单元是指ASIC(Application Specific Integrated Circuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备,具有上述图5所示的水面线模拟装置。
请参阅图6,图6是本发明可选实施例提供的一种计算机设备的结构示意图,如图6所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,所述存储器20存储有可由至少一个处理器10执行的指令,以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20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计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括输入装置30和输出装置40。处理器10、存储器20、输入装置30和输出装置40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。
输入装置30可接收输入的数字或字符信息,以及产生与该计算机设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等。输出装置40可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。上述显示设备包括但不限于液晶显示器,发光二极管,显示器和等离子体显示器。在一些可选的实施方式中,显示设备可以是触摸屏。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种水面线模拟方法,其特征在于,所述方法包括:
获取目标水库沿程干支流断面信息,基于所述目标水库沿程干支流断面信息建立一维水动力模型;
基于所述一维水动力模型构建目标损失函数,并利用所述目标损失函数对初始神经网络模型进行优化训练,生成水面线模拟模型;
利用所述水面线模拟模型对水库水面线进行模拟,生成水面线模拟结果;
所述基于所述目标水库沿程干支流断面信息建立一维水动力模型,包括:
基于所述干支流断面信息进行河道划分,生成分布式河段的拓扑结构;
基于所述分布式河段的拓扑结构建立一维水动力模型;
所述基于所述分布式河段的拓扑结构建立一维水动力模型,包括:
基于所述分布式河段的拓扑结构构建水流连续方程和水流运动方程;
获取边界处水位和边界处流量,基于所述分布式河段的拓扑结构、所述边界处水位和所述边界处流量构建边界条件;
获取初始时刻的水位和流量空间分布,基于所述分布式河段的拓扑结构与所述初始时刻的水位和流量空间分布构建初始条件;
基于所述水流连续方程、所述水流运动方程、所述边界条件和所述初始条件建立所述一维水动力模型;
所述基于所述一维水动力模型构建目标损失函数,并利用所述目标损失函数对初始神经网络模型进行优化训练,生成水面线模拟模型,包括:
基于所述水流连续方程、所述水流运动方程、所述边界条件和所述初始条件构建模型损失函数;
获取目标水库沿程干支流水位流量的历史数据和预测数据,基于所述目标水库沿程干支流水位流量的历史数据和预测数据构建标签损失函数;
基于所述模型损失函数和所述标签损失函数构建所述目标损失函数;
基于目标水库沿程干支流水位流量的历史数据对所述初始神经网络模型进行训练,直至所述目标损失函数收敛,生成所述水面线模拟模型。
2.根据权利要求1所述的方法,其特征在于,所述基于所述分布式河段的拓扑结构构建水流连续方程和水流运动方程,包括:
基于所述分布式河段的拓扑结构确定水面宽、预测水位、预测流量、空间位置、单位河长处的旁侧入流流量、过水断面面积、水力半径和旁侧入流断面平均流速沿河道方向的分量;
基于所述水面宽、所述预测水位、所述预测流量、所述空间位置和所述单位河长处的旁侧入流流量构建所述水流连续方程;
获取重力加速度和糙率系数,基于所述预测水位、所述预测流量、所述过水断面面积、所述水力半径、所述旁侧入流断面平均流速沿河道方向的分量、所述重力加速度和所述糙率系数构建所述水流运动方程。
3.根据权利要求2所述的方法,其特征在于,所述基于所述水面宽、所述预测水位、所述预测流量、所述空间位置和所述单位河长处的旁侧入流流量构建所述水流连续方程,所述水流连续方程的表达式如下所示:
其中,表示时间,/>表示空间位置,/>表示水面宽,/>表示预测水位,/>表示预测流量,表示单位河长上的旁侧入流流量。
4.根据权利要求2所述的方法,其特征在于,所述基于所述预测水位、所述预测流量、所述过水断面面积、所述水力半径、所述旁侧入流断面平均流速沿河道方向的分量、所述重力加速度和所述糙率系数构建所述水流运动方程,所述水流运动方程的表达式如下所示:
其中,表示时间,/>表示空间位置,/>表示预测水位,/>表示预测流量,/>表示单位河长上的旁侧入流流量,/>表示旁侧入流断面平均流速沿河道方向的分量,/>表示重力加速度,/>表示过水断面面积,/>表示糙率系数,/>表示水力半径。
5.根据权利要求1所述的方法,其特征在于,所述基于所述模型损失函数和所述标签损失函数构建所述目标损失函数,其中,所述目标损失函数的计算公式如下所示:
其中,表示目标损失函数,/>表示神经网络模型的权重值,/>表示河道被划分的个河段数,/>表示河段序号,/>表示第/>个河段水流连续方程的损失函数,/>表示第/>个河段水流运动方程的损失函数,/>和/>表示第/>个河段边界条件的损失函数,/>和/>表示第/>个河段初始条件的损失函数,/>和/>表示第/>个河段标签数据的损失函数,/>为水流连续方程和水流运动方程残差点数量,/>为边界条件残差点数量,/>为初始条件残差点数量,为标签数据数量。
6.根据权利要求1所述的方法,其特征在于,所述基于目标水库沿程干支流水位流量的历史数据对所述初始神经网络模型进行训练,直至所述目标损失函数收敛,生成所述水面线模拟模型,包括:
将所述目标水库沿程干支流水位流量的历史数据输入所述初始神经网络模型中,输出水位流量预测值;
将所述水位流量预测值输入所述目标损失函数,生成损失函数值;
将所述损失函数值与预设阈值进行比较,当所述损失函数值大于所述预设阈值时,对初始神经网络模型中的权重进行调整,直至所述损失函数值小于所述预设阈值时,生成所述水面线模拟模型。
7.根据权利要求1所述的方法,其特征在于,还包括:
利用所述水面线模拟结果,对目标水库的水位流量变化过程进行评价,生成水位流量变化评价结果。
8.一种水面线模拟装置,其特征在于,所述装置包括:
建立模块,用于获取目标水库沿程干支流断面信息,基于所述目标水库沿程干支流断面信息建立一维水动力模型;
生成模块,用于基于所述一维水动力模型构建目标损失函数,并利用所述目标损失函数对初始神经网络模型进行优化训练,生成水面线模拟模型;
模拟模块,用于利用所述水面线模拟模型对水库水面线进行模拟,生成水面线模拟结果;
所述建立模块,包括:
划分子模块,用于基于所述干支流断面信息进行河道划分,生成分布式河段的拓扑结构;
建立子模块,用于基于所述分布式河段的拓扑结构建立一维水动力模型;
所述建立子模块,包括:
第一构建单元,用于基于所述分布式河段的拓扑结构构建水流连续方程和水流运动方程;
第二构建单元,用于获取边界处水位和边界处流量,基于所述分布式河段的拓扑结构、所述边界处水位和所述边界处流量构建边界条件;
第三构建单元,用于获取初始时刻的水位和流量空间分布,基于所述分布式河段的拓扑结构与所述初始时刻的水位和流量空间分布构建初始条件;
建立单元,用于基于所述水流连续方程、所述水流运动方程、所述边界条件和所述初始条件建立所述一维水动力模型;
生成模块包括:
第一构建子模块,用于基于水流连续方程、水流运动方程、边界条件和初始条件构建模型损失函数;
第二构建子模块,用于获取目标水库沿程干支流水位流量的历史数据和预测数据,基于目标水库沿程干支流水位流量的历史数据和预测数据构建标签损失函数;
第三构建子模块,用于基于模型损失函数和标签损失函数构建目标损失函数;
第四构建子模块,用于基于目标水库沿程干支流水位流量的历史数据对初始神经网络模型进行训练,直至目标损失函数收敛,生成水面线模拟模型。
9.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至7中任一项所述的水面线模拟方法。
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上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至7中任一项所述的水面线模拟方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324030.3A CN117077571B (zh) | 2023-10-13 | 2023-10-13 | 一种水面线模拟方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324030.3A CN117077571B (zh) | 2023-10-13 | 2023-10-13 | 一种水面线模拟方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077571A CN117077571A (zh) | 2023-11-17 |
CN117077571B true CN117077571B (zh) | 2024-01-26 |
Family
ID=88702855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311324030.3A Active CN117077571B (zh) | 2023-10-13 | 2023-10-13 | 一种水面线模拟方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077571B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5740342A (en) * | 1995-04-05 | 1998-04-14 | Western Atlas International, Inc. | Method for generating a three-dimensional, locally-unstructured hybrid grid for sloping faults |
CN107506909A (zh) * | 2017-08-07 | 2017-12-22 | 河海大学 | 鱼类栖息地保护的梯级水库水电站群调度控制系统及方法 |
CN112149314A (zh) * | 2020-10-16 | 2020-12-29 | 黄河勘测规划设计研究院有限公司 | 一种基于虚拟库容修正的多沙水库库容冲淤模拟方法 |
CN113282797A (zh) * | 2021-04-20 | 2021-08-20 | 广西大学 | 一种采用并行排序构建水库调度网络节点拓扑关系的方法 |
CN115471679A (zh) * | 2022-05-31 | 2022-12-13 | 水利部南京水利水文自动化研究所 | 一种天然河道水位流量同步同化方法及智能系统 |
CN115688246A (zh) * | 2022-11-10 | 2023-02-03 | 中国长江三峡集团有限公司 | 一种局部坐标系下的水库库容模拟方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8965700B2 (en) * | 2008-10-02 | 2015-02-24 | Certusview Technologies, Llc | Methods and apparatus for generating an electronic record of environmental landmarks based on marking device actuations |
-
2023
- 2023-10-13 CN CN202311324030.3A patent/CN117077571B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5740342A (en) * | 1995-04-05 | 1998-04-14 | Western Atlas International, Inc. | Method for generating a three-dimensional, locally-unstructured hybrid grid for sloping faults |
CN107506909A (zh) * | 2017-08-07 | 2017-12-22 | 河海大学 | 鱼类栖息地保护的梯级水库水电站群调度控制系统及方法 |
CN112149314A (zh) * | 2020-10-16 | 2020-12-29 | 黄河勘测规划设计研究院有限公司 | 一种基于虚拟库容修正的多沙水库库容冲淤模拟方法 |
CN113282797A (zh) * | 2021-04-20 | 2021-08-20 | 广西大学 | 一种采用并行排序构建水库调度网络节点拓扑关系的方法 |
CN115471679A (zh) * | 2022-05-31 | 2022-12-13 | 水利部南京水利水文自动化研究所 | 一种天然河道水位流量同步同化方法及智能系统 |
CN115688246A (zh) * | 2022-11-10 | 2023-02-03 | 中国长江三峡集团有限公司 | 一种局部坐标系下的水库库容模拟方法及装置 |
Non-Patent Citations (1)
Title |
---|
雅砻江下游梯级水库生态友好型优化调度;梅亚东;杨娜;翟丽妮;;水科学进展(第05期) * |
Also Published As
Publication number | Publication date |
---|---|
CN117077571A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220043951A1 (en) | Generating integrated circuit floorplans using neural networks | |
US20110252248A1 (en) | Systems, Devices, and/or Methods for Managing Energy Usage | |
US9705773B2 (en) | Parallelized network traffic flow availability simulation using stochastic process and traffic engineering algorithms | |
WO2020109891A1 (en) | Decentralized distributed deep learning | |
WO2020108319A1 (zh) | 水库渗水量预测方法、装置、计算机装置及存储介质 | |
WO2019178146A1 (en) | System and method for congestion forecasting in electrical networks | |
US10331814B2 (en) | Forecast-based refinement and load balancing for prediction of advection-diffusion processes | |
CN104993966B (zh) | 一种电力综合业务网流量预测方法 | |
US11205111B2 (en) | End of period metric projection with intra-period alerts | |
CN117077571B (zh) | 一种水面线模拟方法、装置、计算机设备及存储介质 | |
WO2024098950A1 (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 | |
CN114639233B (zh) | 一种拥堵状态预测方法、装置、电子设备及存储介质 | |
Wong et al. | Graph neural network based surrogate model of physics simulations for geometry design | |
CN111709778B (zh) | 出行流量预测方法、装置、电子设备和存储介质 | |
CN109408870A (zh) | 一种基于边界约束的拓扑网格生成方法及电子设备 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
CN115330067B (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
CN109905880A (zh) | 一种网络划分方法、系统及电子设备和存储介质 | |
CN114818228B (zh) | 基于结构网格的汇流耦合方法、装置、设备及存储介质 | |
US20170255537A1 (en) | Data-agnostic adjustment of hard thresholds based on user feedback | |
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 | |
CN117150974B (zh) | 基于大流量的库区水面线预测方法、装置、设备及介质 | |
CN109149655A (zh) | 一种风电消纳水平的计算方法、装置与存储介质 | |
CN116757003B (zh) | 平原河网模拟方法、装置、计算机设备及介质 | |
CN114745310B (zh) | 基于遗传算法的流量阈值的确定方法及装置 |
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 |