CN117150975A - 一种水动力模型参数优化、水动力过程模拟方法及装置 - Google Patents
一种水动力模型参数优化、水动力过程模拟方法及装置 Download PDFInfo
- Publication number
- CN117150975A CN117150975A CN202311426080.2A CN202311426080A CN117150975A CN 117150975 A CN117150975 A CN 117150975A CN 202311426080 A CN202311426080 A CN 202311426080A CN 117150975 A CN117150975 A CN 117150975A
- Authority
- CN
- China
- Prior art keywords
- model
- hydrodynamic
- residual
- water flow
- flow data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000004088 simulation Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 144
- 230000006870 function Effects 0.000 claims description 63
- 230000015654 memory Effects 0.000 claims description 28
- 230000001133 acceleration Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 19
- 230000004060 metabolic process Effects 0.000 claims description 10
- 230000000284 resting effect Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012417 linear regression 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
- 230000001419 dependent effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012549 training 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Fluid Mechanics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及工程仿真与数值预测技术领域,公开了一种水动力模型参数优化、水动力过程模拟方法及装置,首先利用第一水文模型在第一模型参数下对水流数据进行预测,利用第二水文模型在第二模型参数下对水动力模型参数进行预测;然后由平面二维水动力模型和实测水流数据约束下的残差模型基于水流数据和水动力模型参数生成残差序列,将残差序列输入至目标函数中。最后,在目标函数值最小时对应的第二模型参数下,利用第二水文模型预测得到优化水动力模型参数。以平面水动力二维模型和实测水流数据为约束,通过多次反演得到强约束下的优化水动力模型参数,从而基于该优化水动力模型参数精确模拟海洋动力过程。
Description
技术领域
本发明涉及工程仿真与数值预测技术领域,具体涉及一种水动力模型参数优化、水动力过程模拟方法及装置。
背景技术
海上风电场的开发建设处于迅速发展阶段,大范围海域建模和复杂的海洋水文动力条件难以通过物理模型实现,因此其设计、施工和运行多依赖数值模拟实现。
现阶段海上风电场的设计、施工和运行多依赖商业软件,但是海上水文、气象和地质等环境因素复杂多变,现有的海上风电载荷仿真分析软件多为陆上风电软件简单叠加水动力模块,无法完整描述海上风电等海工建筑物影响下复杂水动力特性和海上风电机组等系统的真实运动状态。
对于近海海域,水动力模拟需要具有平面二维特征,此时水平涡动粘滞系数是反映海洋水动力特性的重要参数,主要受流速,温度和盐度等因素影响,是一种非线性参数。由于平面需要对双参数进行反演,为多目标的参数识别问题,而现有的最小二乘拟合和线性回归统计等反演方法难以解决,容易造成反演参数不唯一、模型求解精度差的问题。
发明内容
有鉴于此,本发明提供了一种水动力模型参数优化、水动力过程模拟方法及装置,以解决当前反演参数不唯一,模型求解精度差的问题。
第一方面,本发明提供了一种水动力模型参数优化方法,方法包括:
获取第一水文模型和第二水文模型,第一水文模型用于在第一模型参数下进行水流数据的预测,第二水文模型用于在第二模型参数下进行水动力模型参数的预测;以平面二维水动力模型和预设海域的实测水流数据为约束构建残差模型,残差模型用以基于预测的水流数据、预测的水动力模型参数和实测水流数据生成残差序列;反复调整第一模型参数和第二模型参数,利用第一水文模型、第二水文模型和残差模型,得到与每一组模型参数分别对应的残差序列;将残差序列输入至预构建的目标函数中,利用全局最优算法对目标函数进行求解,将使目标函数取最小值时的第二模型参数确定为第二目标模型参数;利用包含第二目标模型参数的第二水文模型,对预设海域的水动力模型参数进行预测,得到优化水动力模型参数。
本实施例提供的水动力模型参数优化方法,首先利用第一水文模型在第一模型参数下对水流数据进行预测,利用第二水文模型在第二模型参数下对水动力模型参数进行预测;然后将预测得到的水流数据和水动力模型参数输入至平面二维水动力模型和预设海域的实测水流数据约束下的残差模型中,生成残差序列,并将残差序列输入至目标函数中。最后,对目标函数进行求解,将目标函数值最小时对应的第二模型参数确定为第二目标模型参数,将利用第二目标模型参数预测得到的水动力模型参数确定为优化水动力模型参数。本实施例利用海洋平面水动力二维模型这一物理要素和实测水流数据为强约束,通过多次反演得到强约束下对应的优化水动力模型参数,从而基于该优化水动力模型参数精确模拟海洋动力过程。
在一可选实施例中,水动力模型参数为水平涡动黏滞系数。
在一可选实施例中,以平面二维水动力模型和预设海域的实测水流数据为约束构建残差模型,包括:
对平面二维水动力模型进行变形,得到由变形结果组成的第一类残差模型;基于预测的水流数据与实测水流数据形成第二类残差模型;由第一类残差模型和第二类残差模型组成残差模型。
在一可选实施例中,残差序列采用如下方式确定:
将预测的水流数据和预测的水动力模型参数输入至第一类残差模型中,得到第一残差序列;将预测的水流数据和实测水流数据输入至第二类残差模型中,得到第二残差序列;由第一残差序列和第二残差序列组成残差序列。
本实施例提供的水动力模型参数优化方法,在平面二维水动力模型和预设海域的实测水流数据的强约束下构建了残差模型,通过残差模型产生的残差序列可以有效衡量预测数据和实测数据之间的差距,再利用目标函数将二者之间的差距具象化,从而通过模型参数的多次调整,从若干模型参数组中确定出使目标函数取最小值时的第二目标模型参数。
在一可选实施例中,平面二维水动力模型通过如下公式表示:
其中,表示时间,/>和/>分别表示右手Cartesian坐标系中的横轴和纵轴,/>表示水面相对于未扰动水面的高度即水位,/>为/>方向的水平涡动黏滞系数函数,/>为/>方向的水平涡动黏滞系数函数,/>表示总水深,/>,/>表示静止水深,/>表示/>方向的垂向平均流速,/>表示/>方向的垂向平均流速,/>为科氏立参数,/>和/>为地球自转引起的加速度,为谢才系数,/>为重力加速度。
在一可选实施例中,第一类残差模型通过如下公式表示:
其中,表示时间,/>和/>分别表示右手Cartesian坐标系中的横轴和纵轴,/>为预测水位,/>为预测的/>方向的垂向平均流速,/>为预测的/>方向的垂向平均流速,/>为/>方向的水平涡动黏滞系数函数,/>为/>方向的水平涡动黏滞系数函数,/>表示总水深,/>,/>表示静止水深,/>为科氏立参数,/>和/>为地球自转引起的加速度,/>为谢才系数,/>为重力加速度。
第二方面,本发明提供了一种水动力过程模拟方法,方法包括:
获取目标海域的水流数据;将水流数据和利用第一方面或其对应的任一实施方式提供的水动力模型参数优化方法得到的优化水动力模型参数输入至平面二维水动力模型中,对目标海域的水动力过程进行模拟。
本实施例提供的水动力过程模拟方法,由于采用了优化水动力模型参数,从而使最终模拟的目标海域的水动力过程更加符合实际情况,精度更高。
第三方面,本发明提供了一种水动力模型参数优化装置,装置包括:
第一获取模块,用于获取第一水文模型和第二水文模型,第一水文模型用于在第一模型参数下进行水流数据的预测,第二水文模型用于在第二模型参数下进行水动力模型参数的预测;构建模块,用于以平面二维水动力模型和预设海域的实测水流数据为约束构建残差模型,残差模型用以基于预测的水流数据、预测的水动力模型参数和实测水流数据生成残差序列;第一确定模块,用于反复调整第一模型参数和第二模型参数,利用第一水文模型、第二水文模型和残差模型,得到与每一组模型参数分别对应的残差序列;第二确定模块,用于将残差序列输入至预构建的目标函数中,利用全局最优算法对目标函数进行求解,将使目标函数取最小值时的第二模型参数确定为第二目标模型参数;预测模块,用于利用包含第二目标模型参数的第二水文模型,对预设海域的水动力模型参数进行预测,得到优化水动力模型参数。
在一可选实施例中,第一获取模块中的水动力模型参数为水平涡动黏滞系数。
在一可选实施例中,构建模块,包括:
变形子模块,用于对平面二维水动力模型进行变形,得到由变形结果组成的第一类残差模型;形成子模块,用于基于预测的水流数据与实测水流数据形成第二类残差模型;构建子模块,用于由第一类残差模型和第二类残差模型组成残差模型。
在一可选实施例中,第一确定模块中用以确定残差序列的模块如下:
第一确定子模块,用于将预测的水流数据和预测的水动力模型参数输入至第一类残差模型中,得到第一残差序列;第二确定子模块,用于将预测的水流数据和实测水流数据输入至第二类残差模型中,得到第二残差序列;第三确定子模块,用于由第一残差序列和第二残差序列组成残差序列。
在一可选实施例中,构建模块中的平面二维水动力模型通过如下公式表示:
其中,表示时间,/>和/>分别表示右手Cartesian坐标系中的横轴和纵轴,/>表示水面相对于未扰动水面的高度即水位,/>为/>方向的水平涡动黏滞系数函数,/>为/>方向的水平涡动黏滞系数函数,/>表示总水深,/>,/>表示静止水深,/>表示/>方向的垂向平均流速,/>表示/>方向的垂向平均流速,/>为科氏立参数,/>和/>为地球自转引起的加速度,为谢才系数,/>为重力加速度。
第四方面,本发明提供了一种水动力过程模拟装置,其特征在于,装置包括:
第二获取模块,用于获取目标海域的水流数据;模拟模块,用于将水流数据和利用第一方面或其对应的任一实施方式提供的水动力模型参数优化方法得到的优化水动力模型参数输入至平面二维水动力模型中,对目标海域的水动力过程进行模拟。
第五方面,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动力模型参数优化方法,或者执行上述第二方面或其对应的任一实施方式的水动力过程模拟方法。
第六方面,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动力模型参数优化方法,或者执行上述第二方面或其对应的任一实施方式的水动力过程模拟方法。
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动力模型参数优化方法的流程示意图;
图2是根据本发明实施例的另一水动力模型参数优化方法的流程示意图;
图3是根据本发明实施例的水动力过程模拟方法的流程示意图;
图4是根据本发明实施例的水动力模型参数优化装置的结构框图;
图5是根据本发明实施例的水动力过程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。
一般而言,水动力模拟需要具有平面二维特征,而平面二维特征需要对双参数进行反演,为多目标的参数识别问题。可当前基于最小二乘拟合和线性回归统计方式获得的水动力模型参数,只是当前条件下的一个解,因此,会造成反演参数不唯一、模型求解精度差的问题,从而导致预测精度降低。本发明实施例提供了一种水动力模型参数优化、水动力过程模拟方法及装置,通过以平面二维水动力模型和实测水流数据为约束,得到使预测数据准确度最高的模型参数,从而使得基于该模型参数预测的水动力模型参数准确性更高,进而使平面二维水动力模型利用该水动力模型参数模拟出精度更高的水动力过程。
根据本发明实施例,提供了一种水动力模型参数优化方法实施例,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动力模型参数优化方法,可用于计算机设备,图1是根据本发明实施例的水动力模型参数优化方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取第一水文模型和第二水文模型,第一水文模型用于在第一模型参数下进行水流数据的预测,第二水文模型用于在第二模型参数下进行水动力模型参数的预测。
具体地,第一水文模型在第一模型参数的约束下,以/>作为输入,以水流数据作为输出。在输入数据中,/>表示右手Cartesian坐标系中横轴指向的方向,/>表示右手Cartesian坐标系中纵轴指向的方向,/>表示时间;在输出的水流数据中具体包括表示水位、/>方向的垂向平均流速,/>方向的垂向平均流速。
具体地,第二水文模型在第二模型参数的约束下,以/>作为输入,以水动力模型参数作为输出。在输入数据中,/>表示右手Cartesian坐标系中横轴指向的方向,/>表示右手Cartesian坐标系中纵轴指向的方向;在输出数据中,水动力模型参数为水平涡动黏滞系数,包括各位置处/>方向的水平涡动黏滞系数和各位置处/>方向的水平涡动黏滞系数。
具体地,第一水文模型和第二水文模型是通过预设海域的大量历史水流数据训练得到的,此处不作具体赘述。需要说明的是,对于任一水文模型而言,同一输入数据在不同模型参数下预测得到的输出数据并不相同。而且,第一模型参数可以是一个或多个,第二模型参数/>也可以是一个或多个,此处对第一模型参数和第二模型参数的数量不做具体限定,本领域技术人员可根据实际应用情况确定。
步骤S102,以平面二维水动力模型和预设海域的实测水流数据为约束构建残差模型,残差模型用以基于预测的水流数据、预测的水动力模型参数和实测水流数据生成残差序列。
具体地,预设海域即待模拟水动力过程的海域。
具体地,实测水流数据为预设海域各位置处分别对应的水位、方向的垂向平均流速,/>方向的垂向平均流速。
示例性地,在一可选实施方式中,平面二维水动力模型通过如下公式表示:
其中,表示时间,/>和/>分别表示右手Cartesian坐标系中的横轴和纵轴,/>表示水面相对于未扰动水面的高度即水位,/>为/>方向的水平涡动黏滞系数函数,/>为/>方向的水平涡动黏滞系数函数,/>表示总水深,/>,/>表示静止水深,/>表示/>方向的垂向平均流速,/>表示/>方向的垂向平均流速,/>为科氏立参数,/>和/>为地球自转引起的加速度,为谢才系数,/>为重力加速度。
步骤S103,反复调整第一模型参数和第二模型参数,利用第一水文模型、第二水文模型和残差模型,得到与每一组模型参数分别对应的残差序列。
具体地,第一模型参数和第二模型参数可以同时进行调整,也可以分别进行调整。需要特别注意的是,每一组模型参数均对应一个残差序列,一组模型参数由第一模型参数和第二模型参数组成。
具体地,每调整一次模型参数,都需要重新利用水文模型重新执行预测过程,在输出对应预测结果之后,再利用残差模型生成与该组模型参数对应的残差序列。如,在一次模型参数的调整过程中,将第一模型参数调整为,第二模型参数不进行调整,依然采用/>。那么,在第一模型参数/>的约束下,利用第一水文模型,基于输入数据对水流数据进行预测,生成预测水流数据。同时,在第二模型参数/>的约束下,利用第二水文模型,基于输入数据对水动力模型参数进行预测,生成预测水动力模型参数。将预测水流数据、预测水动力模型参数和实测水流数据同时输入残差模型中,确定出与当前模型参数组(即第一模型参数、第二模型参数/>)对应的残差序列。
步骤S104,将残差序列输入至预构建的目标函数中,利用全局最优算法对目标函数进行求解,将使目标函数取最小值时的第二模型参数确定为第二目标模型参数。
具体地,目标函数如下:
其中,为第一模型参数,/>为第二模型参数,/>为残差序列中的第/>个元素,/>为残差序列中元素的个数。
具体地,分别将与每一组模型参数对应的残差序列输入至目标函数中,得到与每一组模型参数对应的函数值。从所有函数值中确定出最小值,将目标函数取最小值时对应的一组模型参数确定为目标模型参数组,将目标模型参数组中的第二模型参数确定为第二目标模型参数。目标函数的函数值最小即在当前目标模型参数组的约束下得到的预测数据与实测数据之间的偏差最小。
步骤S105,利用包含第二目标模型参数的第二水文模型,对预设海域的水动力模型参数进行预测,得到优化水动力模型参数。
具体地,利用包含第二目标模型参数的第二水文模型,预测得到的水动力模型参数是可以更好更精确描述水动力过程的参数,此时,将在该第二目标模型约束下得到的水动力模型参数确定为优化水动力模型参数。
本实施例提供的水动力模型参数优化方法,首先利用第一水文模型在第一模型参数下对水流数据进行预测,利用第二水文模型在第二模型参数下对水动力模型参数进行预测;然后将预测得到的水流数据和水动力模型参数输入至平面二维水动力模型和预设海域的实测水流数据约束下的残差模型中,生成残差序列,并将残差序列输入至目标函数中。最后,对目标函数进行求解,将目标函数值最小时对应的第二模型参数确定为第二目标模型参数,将利用第二目标模型参数预测得到的水动力模型参数确定为优化水动力模型参数。本实施例利用海洋平面水动力二维模型这一物理要素和实测水流数据为强约束,通过多次反演得到强约束下对应的优化水动力模型参数,从而基于该优化水动力模型参数精确模拟海洋动力过程。
在本实施例中提供了一种水动力模型参数优化方法,可用于上述的移动终端,如手机、平板电脑等,图2是根据本发明实施例的水动力模型参数优化方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,获取第一水文模型和第二水文模型,第一水文模型用于在第一模型参数下进行水流数据的预测,第二水文模型用于在第二模型参数下进行水动力模型参数的预测。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S202,以平面二维水动力模型和预设海域的实测水流数据为约束构建残差模型,残差模型用以基于预测的水流数据、预测的水动力模型参数和实测水流数据生成残差序列。
具体地,上述步骤S202包括:
步骤S2021,对平面二维水动力模型进行变形,得到由变形结果组成的第一类残差模型。
示例性地,仍以步骤S102对应的实施例为例,对步骤S102中的平面二维水动力模型进行变形,得到通过如下公式表示的第一类残差模型:
其中,表示时间,/>和/>分别表示右手Cartesian坐标系中的横轴和纵轴,/>为预测水位,/>为预测的/>方向的垂向平均流速,/>为预测的/>方向的垂向平均流速,/>为/>方向的水平涡动黏滞系数函数,/>为/>方向的水平涡动黏滞系数函数,/>表示总水深,/>,/>表示静止水深,/>为科氏立参数,/>和/>为地球自转引起的加速度,/>为谢才系数,/>为重力加速度。
具体地,在构建好第一类残差模型后,将预测的水流数据和预测的水动力模型参数输入至第一类残差模型中,得到第一残差序列。对应上述实施例中的第一类残差模型,输出的第一残差序列即由、/>和/>形成的序列。
步骤S2022,基于预测的水流数据与实测水流数据形成第二类残差模型。
示例性地,继续以步骤S2021对应的实施例为例,该实施例中的第二类残差模型如下:
其中,为预测水位,/>为预测的/>方向的垂向平均流速,/>为预测的/>方向的垂向平均流速,/>为实际水位,/>为实际的/>方向的垂向平均流速,/>为实际的/>方向的垂向平均流速。
具体地,在构建好第二类残差模型后,将预测的水流数据和实测水流数据输入至第二类残差模型中,得到第二残差序列。对应上述实施例,第二残差序列即由、/>和/>组成的序列。
步骤S2023,由第一类残差模型和第二类残差模型组成残差模型。
示例性地,根据步骤S2021中的第一类残差模型和步骤S2022的第二类残差模型组成的残差模型如下:
具体地,由第一类残差模型输出的第一残差序列和第二类残差模型输出的第二残差序列组成残差序列。即由、/>、/>、/>、/>和/>组成的序列。
步骤S203,反复调整第一模型参数和第二模型参数,利用第一水文模型、第二水文模型和残差模型,得到与每一组模型参数分别对应的残差序列。详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S204,将残差序列输入至预构建的目标函数中,利用全局最优算法对目标函数进行求解,将使目标函数取最小值时的第二模型参数确定为第二目标模型参数。详细请参见图1所示实施例的步骤S104,在此不再赘述。
步骤S205,利用包含第二目标模型参数的第二水文模型,对预设海域的水动力模型参数进行预测,得到优化水动力模型参数。详细请参见图1所示实施例的步骤S105,在此不再赘述。
本实施例提供的水动力模型参数优化方法,在平面二维水动力模型和预设海域的实测水流数据的强约束下构建了残差模型,通过残差模型产生的残差序列可以有效衡量预测数据和实测数据之间的差距,再利用目标函数将二者之间的差距具象化,从而通过模型参数的多次调整,从若干模型参数组中确定出使目标函数取最小值时的第二目标模型参数。
在本实施例中提供了一种水动力过程模拟方法,可用于计算机设备,图3是根据本发明实施例的水动力过程模拟方法的流程图,如图3所示,该流程包括如下步骤:
步骤S301,获取目标海域的水流数据。
具体地,目标海域即待模拟水动力过程的海域。水流数据包括水位、方向的垂向平均流速,/>方向的垂向平均流速。
步骤S302,将水流数据和利用的水动力模型参数优化方法得到的优化水动力模型参数输入至平面二维水动力模型中,对目标海域的水动力过程进行模拟。
具体地,将目标海域的水流数据和优化水动力模型参数输入至平面二维水动力模型中,利用平面二维水动力模型有效模拟目标海域的水动力过程。
本实施例提供的水动力过程模拟方法,由于采用了优化水动力模型参数,从而使最终模拟的目标海域的水动力过程更加符合实际情况,精度更高。
在本实施例中还提供了一种水动力模型参数优化装置,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动力模型参数优化装置,如图4所示,包括:
第一获取模块401,用于获取第一水文模型和第二水文模型,第一水文模型用于在第一模型参数下进行水流数据的预测,第二水文模型用于在第二模型参数下进行水动力模型参数的预测。
构建模块402,用于以平面二维水动力模型和预设海域的实测水流数据为约束构建残差模型,残差模型用以基于预测的水流数据、预测的水动力模型参数和实测水流数据生成残差序列。
第一确定模块403,用于反复调整第一模型参数和第二模型参数,利用第一水文模型、第二水文模型和残差模型,得到与每一组模型参数分别对应的残差序列。
第二确定模块404,用于将残差序列输入至预构建的目标函数中,利用全局最优算法对目标函数进行求解,将使目标函数取最小值时的第二模型参数确定为第二目标模型参数。
预测模块405,用于利用包含第二目标模型参数的第二水文模型,对预设海域的水动力模型参数进行预测,得到优化水动力模型参数。
在一些可选实施方式中,第一获取模块中的水动力模型参数为水平涡动黏滞系数。
在一些可选实施方式中,构建模块402,包括:
变形子模块,用于对平面二维水动力模型进行变形,得到由变形结果组成的第一类残差模型。
形成子模块,用于基于预测的水流数据与实测水流数据形成第二类残差模型。
构建子模块,用于由第一类残差模型和第二类残差模型组成残差模型。
在一些可选实施方式中,第一确定模块403中用以确定残差序列的模块如下:
第一确定子模块,用于将预测的水流数据和预测的水动力模型参数输入至第一类残差模型中,得到第一残差序列。
第二确定子模块,用于将预测的水流数据和实测水流数据输入至第二类残差模型中,得到第二残差序列。
第三确定子模块,用于由第一残差序列和第二残差序列组成残差序列。
在一可选实施例中,构建模块402中的平面二维水动力模型通过如下公式表示:
其中,表示时间,/>和/>分别表示右手Cartesian坐标系中的横轴和纵轴,/>表示水面相对于未扰动水面的高度即水位,/>为/>方向的水平涡动黏滞系数函数,/>为/>方向的水平涡动黏滞系数函数,/>表示总水深,/>,/>表示静止水深,/>表示/>方向的垂向平均流速,/>表示/>方向的垂向平均流速,/>为科氏立参数,/>和/>为地球自转引起的加速度,为谢才系数,/>为重力加速度。
在一可选实施例中,变形子模块中的第一类残差模型通过如下公式表示:
其中,表示时间,/>和/>分别表示右手Cartesian坐标系中的横轴和纵轴,/>为预测水位,/>为预测的/>方向的垂向平均流速,/>为预测的/>方向的垂向平均流速,/>为/>方向的水平涡动黏滞系数函数,/>为/>方向的水平涡动黏滞系数函数,/>表示总水深,/>,/>表示静止水深,/>为科氏立参数,/>和/>为地球自转引起的加速度,/>为谢才系数,/>为重力加速度。
本实施例中的水动力模型参数优化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。
在本实施例中还提供了一种水动力过程模拟装置,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动力过程模拟装置,如图5所示,包括:
第二获取模块501,用于获取目标海域的水流数据。
模拟模块502,用于将水流数据和利用第一方面或其对应的任一实施方式提供的水动力模型参数优化方法得到的优化水动力模型参数输入至平面二维水动力模型中,对目标海域的水动力过程进行模拟。
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。
本实施例中的水动力过程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4所示的水动力模型参数优化装置或如图5所示的水动力过程模拟装置。
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通信接口30,用于该计算机设备与其他设备或通信网络通信。
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 (15)
1.一种水动力模型参数优化方法,其特征在于,所述方法包括:
获取第一水文模型和第二水文模型,所述第一水文模型用于在第一模型参数下进行水流数据的预测,所述第二水文模型用于在第二模型参数下进行水动力模型参数的预测;
以平面二维水动力模型和预设海域的实测水流数据为约束构建残差模型,所述残差模型用以基于预测的水流数据、预测的水动力模型参数和所述实测水流数据生成残差序列;
反复调整所述第一模型参数和所述第二模型参数,利用所述第一水文模型、所述第二水文模型和所述残差模型,得到与每一组模型参数分别对应的残差序列;
将所述残差序列输入至预构建的目标函数中,利用全局最优算法对所述目标函数进行求解,将使所述目标函数取最小值时的第二模型参数确定为第二目标模型参数;
利用包含所述第二目标模型参数的所述第二水文模型,对所述预设海域的所述水动力模型参数进行预测,得到优化水动力模型参数。
2.根据权利要求1所述的方法,其特征在于,所述水动力模型参数为水平涡动黏滞系数。
3.根据权利要求1或2所述的方法,其特征在于,所述以平面二维水动力模型和预设海域的实测水流数据为约束构建残差模型,包括:
对所述平面二维水动力模型进行变形,得到由变形结果组成的第一类残差模型;
基于所述预测的水流数据与所述实测水流数据形成第二类残差模型;
由所述第一类残差模型和所述第二类残差模型组成所述残差模型。
4.根据权利要求3所述的方法,其特征在于,所述残差序列采用如下方式确定:
将所述预测的水流数据和所述预测的水动力模型参数输入至所述第一类残差模型中,得到第一残差序列;
将所述预测的水流数据和所述实测水流数据输入至所述第二类残差模型中,得到第二残差序列;
由所述第一残差序列和所述第二残差序列组成所述残差序列。
5.根据权利要求3所述的方法,其特征在于,所述平面二维水动力模型通过如下公式表示:
其中,表示时间,/>和/>分别表示右手Cartesian坐标系中的横轴和纵轴,/>表示水面相对于未扰动水面的高度即水位,/>为/>方向的水平涡动黏滞系数函数,/>为/>方向的水平涡动黏滞系数函数,/>表示总水深,/>,/>表示静止水深,/>表示/>方向的垂向平均流速,/>表示/>方向的垂向平均流速,/>为科氏立参数,/>和/>为地球自转引起的加速度,/>为谢才系数,/>为重力加速度。
6.根据权利要求3所述的方法,其特征在于,所述第一类残差模型通过如下公式表示:
其中,表示时间,/>和/>分别表示右手Cartesian坐标系中的横轴和纵轴,/>为预测水位,/>为预测的/>方向的垂向平均流速,/>为预测的/>方向的垂向平均流速,/>为/>方向的水平涡动黏滞系数函数,/>为/>方向的水平涡动黏滞系数函数,/>表示总水深,/>,/>表示静止水深,/>为科氏立参数,/>和/>为地球自转引起的加速度,/>为谢才系数,/>为重力加速度。
7.一种水动力过程模拟方法,其特征在于,所述方法包括:
获取目标海域的水流数据;
将所述水流数据和利用权利要求1至6中任一项所述的水动力模型参数优化方法得到的优化水动力模型参数输入至平面二维水动力模型中,对所述目标海域的水动力过程进行模拟。
8.一种水动力模型参数优化装置,其特征在于,所述装置包括:
第一获取模块,用于获取第一水文模型和第二水文模型,所述第一水文模型用于在第一模型参数下进行水流数据的预测,所述第二水文模型用于在第二模型参数下进行水动力模型参数的预测;
构建模块,用于以平面二维水动力模型和预设海域的实测水流数据为约束构建残差模型,所述残差模型用以基于预测的水流数据、预测的水动力模型参数和所述实测水流数据生成残差序列;
第一确定模块,用于反复调整所述第一模型参数和所述第二模型参数,利用所述第一水文模型、所述第二水文模型和所述残差模型,得到与每一组模型参数分别对应的残差序列;
第二确定模块,用于将所述残差序列输入至预构建的目标函数中,利用全局最优算法对所述目标函数进行求解,将使所述目标函数取最小值时的第二模型参数确定为第二目标模型参数;
预测模块,用于利用包含所述第二目标模型参数的所述第二水文模型,对所述预设海域的所述水动力模型参数进行预测,得到优化水动力模型参数。
9.根据权利要求8所述的装置,其特征在于,所述第一获取模块中的所述水动力模型参数为水平涡动黏滞系数。
10.根据权利要求8或9所述的装置,其特征在于,所述构建模块,包括:
变形子模块,用于对所述平面二维水动力模型进行变形,得到由变形结果组成的第一类残差模型;
形成子模块,用于基于所述预测的水流数据与所述实测水流数据形成第二类残差模型;
构建子模块,用于由所述第一类残差模型和所述第二类残差模型组成所述残差模型。
11.根据权利要求10所述的装置,其特征在于,所述第一确定模块中用以确定所述残差序列的模块如下:
第一确定子模块,用于将所述预测的水流数据和所述预测的水动力模型参数输入至所述第一类残差模型中,得到第一残差序列;
第二确定子模块,用于将所述预测的水流数据和所述实测水流数据输入至所述第二类残差模型中,得到第二残差序列;
第三确定子模块,用于由所述第一残差序列和所述第二残差序列组成所述残差序列。
12.根据权利要求10所述的装置,其特征在于,所述构建模块中的所述平面二维水动力模型通过如下公式表示:
其中,表示时间,/>和/>分别表示右手Cartesian坐标系中的横轴和纵轴,/>表示水面相对于未扰动水面的高度即水位,/>为/>方向的水平涡动黏滞系数函数,/>为/>方向的水平涡动黏滞系数函数,/>表示总水深,/>,/>表示静止水深,/>表示/>方向的垂向平均流速,/>表示/>方向的垂向平均流速,/>为科氏立参数,/>和/>为地球自转引起的加速度,/>为谢才系数,/>为重力加速度。
13.一种水动力过程模拟装置,其特征在于,所述装置包括:
第二获取模块,用于获取目标海域的水流数据;
模拟模块,用于将所述水流数据和利用权利要求1至6中任一项所述的水动力模型参数优化方法得到的优化水动力模型参数输入至平面二维水动力模型中,对所述目标海域的水动力过程进行模拟。
14.一种计算机设备,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6中任一项所述的水动力模型参数优化方法,或执行权利要求7所述的水动力过程模拟方法。
15.一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6中任一项所述的水动力模型参数优化方法,或执行权利要求7所述的水动力过程模拟方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311426080.2A CN117150975B (zh) | 2023-10-31 | 2023-10-31 | 一种水动力模型参数优化、水动力过程模拟方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311426080.2A CN117150975B (zh) | 2023-10-31 | 2023-10-31 | 一种水动力模型参数优化、水动力过程模拟方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117150975A true CN117150975A (zh) | 2023-12-01 |
CN117150975B CN117150975B (zh) | 2024-01-26 |
Family
ID=88899174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311426080.2A Active CN117150975B (zh) | 2023-10-31 | 2023-10-31 | 一种水动力模型参数优化、水动力过程模拟方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150975B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652777A (zh) * | 2020-05-15 | 2020-09-11 | 长江勘测规划设计研究有限责任公司 | 洪灾应急避险方法 |
CN114757579A (zh) * | 2022-05-13 | 2022-07-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种复杂工程体系下水库群防洪优化调度方法 |
CN115659871A (zh) * | 2022-11-10 | 2023-01-31 | 中国长江三峡集团有限公司 | 一种局部坐标系下的一维水动力模拟方法及装置 |
CN116151152A (zh) * | 2023-03-01 | 2023-05-23 | 广西大学 | 一种基于无网格计算的水文数值模拟计算方法 |
CN116630122A (zh) * | 2023-07-24 | 2023-08-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 |
US20230281459A1 (en) * | 2021-04-02 | 2023-09-07 | Hohai University | Method for calibrating parameters of hydrology forecasting model based on deep reinforcement learning |
-
2023
- 2023-10-31 CN CN202311426080.2A patent/CN117150975B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652777A (zh) * | 2020-05-15 | 2020-09-11 | 长江勘测规划设计研究有限责任公司 | 洪灾应急避险方法 |
US20230281459A1 (en) * | 2021-04-02 | 2023-09-07 | Hohai University | Method for calibrating parameters of hydrology forecasting model based on deep reinforcement learning |
CN114757579A (zh) * | 2022-05-13 | 2022-07-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种复杂工程体系下水库群防洪优化调度方法 |
CN115659871A (zh) * | 2022-11-10 | 2023-01-31 | 中国长江三峡集团有限公司 | 一种局部坐标系下的一维水动力模拟方法及装置 |
CN116151152A (zh) * | 2023-03-01 | 2023-05-23 | 广西大学 | 一种基于无网格计算的水文数值模拟计算方法 |
CN116630122A (zh) * | 2023-07-24 | 2023-08-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 |
Non-Patent Citations (2)
Title |
---|
XIAOJUAN LI等: "Numerical Simulation of Donghu Lake Hydrodynamics and Water Quality Based on Remote Sensing and MIKE 21", 《INTERNATIONAL JOURNAL O F GEO-INFORMATION》, pages 1 - 20 * |
房树林: "普兰店湾潮滩养殖围堰工程拆除 前后水动力特征的数值分析", 《海洋开发与管理》, pages 16 - 22 * |
Also Published As
Publication number | Publication date |
---|---|
CN117150975B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107703564B (zh) | 一种降雨预测方法、系统及电子设备 | |
Mendoza et al. | An intercomparison of approaches for improving operational seasonal streamflow forecasts | |
US20160047099A1 (en) | Systems and methods for flood zone modeling | |
CN109448124B (zh) | 用于河道的水质模拟方法和装置 | |
CN114067019A (zh) | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 | |
CN114254526B (zh) | 一种湖泊水-气界面二氧化碳交换量的评估方法及系统 | |
CN114911788A (zh) | 一种数据插补方法、装置及存储介质 | |
Schwindt et al. | Bayesian calibration points to misconceptions in three‐dimensional hydrodynamic reservoir modeling | |
CN116415700A (zh) | 一种结合人工智能的风能数值预报方法及其装置 | |
CN116742626B (zh) | 考虑大气混沌特征的风光联合功率集合预测方法及装置 | |
CN117150975B (zh) | 一种水动力模型参数优化、水动力过程模拟方法及装置 | |
CN116581756B (zh) | 风电功率预测方法、模型训练方法、装置、设备及介质 | |
CN116523145B (zh) | 光伏功率超短期预测方法、装置、计算机设备及存储介质 | |
CN116992793A (zh) | 一种海上风能资源仿真模拟方法、装置、设备及介质 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
CN116539006B (zh) | 径流预测方法、装置、计算机设备和存储介质 | |
CN117421871A (zh) | 海上风电潜力评估方法、装置和计算机设备 | |
CN113011657A (zh) | 进行台风水位预测的方法、装置、电子设备及存储介质 | |
CN116822658B (zh) | 一种风光资源的预警方法、装置、计算机设备及存储介质 | |
EP4227714A1 (en) | A method for forecasting wind parameters in an area of interest | |
CN117150867B (zh) | 海工建筑物中氯离子侵蚀过程的模拟方法、装置及设备 | |
CN117150976B (zh) | 一种水温变化系数的确定方法、装置、设备及存储介质 | |
CN117852231A (zh) | 风力发电机组的异常预测方法和装置、存储介质 | |
Rosgaard et al. | Probing NWP model deficiencies by statistical postprocessing | |
CN116108761B (zh) | 一种耦合深度学习和hasm的区域气候模拟方法和系统 |
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 |