CN117829035B - 一种t型分汊明渠下游支渠流量的预测方法 - Google Patents
一种t型分汊明渠下游支渠流量的预测方法 Download PDFInfo
- Publication number
- CN117829035B CN117829035B CN202410248527.XA CN202410248527A CN117829035B CN 117829035 B CN117829035 B CN 117829035B CN 202410248527 A CN202410248527 A CN 202410248527A CN 117829035 B CN117829035 B CN 117829035B
- Authority
- CN
- China
- Prior art keywords
- channel
- flow
- outlet
- downstream branch
- main channel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 119
- 238000005457 optimization Methods 0.000 claims abstract description 59
- 241000287127 Passeridae Species 0.000 claims abstract description 58
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 230000014509 gene expression Effects 0.000 claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 45
- 238000010206 sensitivity analysis Methods 0.000 claims description 32
- 230000004913 activation Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000013461 design Methods 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 239000002023 wood Substances 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种T型分汊明渠下游支渠流量的预测方法,对T型分汊明渠进行物理模型试验,输出的主渠进口处、出口处和下游支渠出口处流量、水深、佛罗德数和下游支渠宽度与主渠宽度之比,通过物理模型量纲分析确定下游支渠出口处流量与主渠进口处流量之比的关键影响参数,确定麻雀优化算法正则化学习机算法中关键变量后麻雀优化算法正则化学习机算法进行自主学习,输出预测下游支渠出口处流量与主渠进口处流量之比的预测表达式,最后将实测的T型分汊明渠主渠进口处流量、主渠出口处和下游支渠出口处佛罗德数带入对应流量公式得到实时的T型分汊明渠下游支渠流量。本发明能够准确合理地预测T型分汊明渠下游支渠流量。
Description
技术领域
本发明属于渠道流量预测领域,具体涉及一种T型分汊明渠下游支渠流量的预测方法。
背景技术
T型明渠广泛存在于天然河网和各类水利工程。当T型明渠的一个上游进口为来流条件和两个下游出口为出流条件时,在T型分支区域则出现典型的明渠分汊流现象,该类型渠道通常被称为T型分汊明渠。T型分汊明渠在天然河网中主要分布于水库或大坝侧支,用于引水以供周边居民使用或为鱼类提供安全通道以保护生物多样性。
目前对于河道管理者而言,T型分汊明渠的下游支渠流量的准确预测一直是一个具有挑战性的难题,这归因于T型分汊明渠的流场十分复杂,影响因素较多。国内外研究者们通常将其看作水力学问题,通过数据分析建立具有物理意义的关系式来预测T型分汊明渠的流量。尽管这种方法证明可行,但是需要花费大量的人力和物力通过物理模型试验进行研究,并且其预测精度受研究对象的复杂程度限制。
随着深度学习技术的快速发展,该技术可以使算法自我学习,在其他领域应用较多,但在渠道工程领域未见相关报道。目前应用较多的技术主要包括神经网络、遗传算法、BP神经网络、极限学习机、随机森林算法等。中国专利公开号CN103840988A中公开了一种基于RBF神经网络的网络流量测量方法,该专利利用RBF神经网络进行了网络流量测量,但是其方法不能用于预测T型分汊明渠下游支渠流量。因此,如何利用深度学习技术来准确预测T型分汊明渠下游支渠流量是一个非常值得研究的课题,它将快速预测T型分汊明渠下游支渠的流量,有效指导实际工程中T型分汊明渠的设计与优化,并显著提高水利管理部门的决策效率。本申请采用深度学习前沿技术“麻雀优化算法正则化学习机(SSA-RELM)”结合水力学室内试验来实现实际工程中T型分汊明渠下游支渠流量的预测。
发明内容
本发明的目的:为了克服现有技术中存在的不足,本发明提供一种T型分汊明渠下游支渠流量的预测方法,基于麻雀优化算法正则化学习机算法,能够简便、准确和合理地预测T型分汊明渠下游支渠的流量,有效地保证了T型分汊明渠水量的经济、安全和稳定的分配管理。
本发明的技术方案:一种T型分汊明渠下游支渠流量的预测方法,包括以下步骤:
步骤S1:对缩尺的T型分汊明渠进行物理模型试验,建立T型分汊明渠物理模型,T型分汊明渠由主渠和下游支渠以直角连接,在主渠进口处流量Q条件下,测得主渠出口处流量Qx和下游支渠出口处流量Qy,主渠宽度为Bx和下游支渠宽度为By,其中下游支渠出口处流量与主渠进口处流量之比为M,下游支渠宽度与主渠宽度之比为R;对主渠进口处佛罗德数Fu、主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy分别进行计算;
步骤S2:对步骤S1中T型分汊明渠物理模型进行量纲分析,找出下游支渠出口处流量与主渠进口处流量之比M的关键影响参数为主渠进口处佛罗德数Fu、主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy和下游支渠宽度与主渠宽度之比R;
步骤S3:在矩阵实验室数学软件中基于步骤S2中的关键影响参数,确定麻雀优化算法正则化学习机算法中的关键变量;
步骤S4:基于步骤S1中建立T型分汊明渠物理模型获得的数据结合步骤S3中的关键变量,应用于麻雀优化算法正则化学习机算法进行算法自学习,输出预测下游支渠出口处流量与主渠进口处流量之比M的预测表达式;
步骤 S5:测得实际工程中T型分汊明渠目标工况的参数为主渠进口处佛罗德数Fu、主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy和下游支渠宽度与主渠宽度之比R,代入步骤S4确定的下游支渠出口处流量与主渠进口处流量之比M的预测表达式,得到实际工程中下游支渠出口处流量与主渠进口处流量之比;测得实际工程中T型分汊明渠主渠进口处流量Q,即测得T型分汊明渠下游支渠出口处流量Qy=M×Q。
进一步的,步骤S1中对缩尺的T型分汊明渠进行物理模型试验,具体参数为:
在T型分汊明渠物理模型的主渠和下游支渠的出口处设置可调节高度的平板堰,分别调整主渠出口处平板堰高度Cx和下游支渠平板堰高度Cy,测得物理模型试验时主渠进口处水深hu、主渠出口处水深hx和下游支渠出口处水深hy;主渠几何长度为Lx,下游支渠几何长度为Ly,下游支渠在主渠正中间相接;物理模型试验时保持主渠宽度Bx不变,设置下游支渠初始宽度为B,在下游支渠中放置与下游支渠侧壁平行的木板,保持下游支渠宽度为By的进口唯一通流且另外的下游支渠宽度B-By同样采用木板封闭;下游支渠宽度与主渠宽度之比R的表达式为:R=By/Bx;
下游支渠出口处流量与主渠进口处流量之比M的表达式为:M=Qy/(Qx+Qy)= Qy/Q;
主渠进口处水深hu的测量位置在距离主渠进口处m倍Bx处,主渠出口处水深hx的测量位置在距离主渠出口处k倍Bx处,下游支渠出口处水深hy的测量位置在距离下游支渠出口处s倍Bx处;m,k,s均为常数;
物理模型试验条件下主渠进口处佛罗德数Fu,主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy的表达式具体为:Fu=Q/Bx/hu/(ghu)0.5,Fx=Qx/Bx/hx/(ghx)0.5,Fy=Qy/By/hy/(ghy)0.5 ,g为重力加速度;
物理模型试验采用正态物理模型,选取物理模型线性比尺λl,物理模型试验采用重力相似准则设计,角度比λγ,流速比λv=λl 0.5,流量比λQ=λl 2.5,糙率比λn=λl 1/6。
进一步的,步骤S2中T型分汊明渠物理模型量纲分析,具体为:
步骤S21,将T型分汊明渠下游支渠出口处流量Qy用关键参数显示表示:Qy=ψ(g, ρ,μ, σ, ks, Q, hx, hy, Cx, Cy, Bx, By),ψ为方程式显示表示,ρ为流体密度,μ为动力粘性系数,σ为表面张力系数,ks为粗糙度厚度;
步骤S22,通过无量纲化得到,M= Qy/ Q=ψ(Reu, Weu, Fu, ks/Bx, Fx, Fy, R),根据水力学原理忽略主渠上游进口处雷诺数Reu、韦伯数Weu和相对粗糙度ks/Bx,无量纲表达式为M= ψ(Fu, Fx, Fy, R);
即下游支渠出口处流量与主渠进口处流量之比M与主渠进口处佛罗德数Fu、主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy和下游支渠宽度与主渠宽度之比R相关。
进一步的,步骤S3中确定麻雀优化算法正则化学习机算法中关键变量,包括确定判断指标、确定隐藏层数目、进行敏感度分析和激活函数选择,具体步骤为:
步骤S31:确定判断指标;包括相关系数R2,方差贡献率VAF,均方根误差RSME,散度指标SI,平均绝对误差MAE,纳什效率系数NSC,具体表达式为:
;
;
;
;
;
;
其中:Oi,Pi,和n分别为第i个试验值,第i个试验预测值,n个试验值的平均值和
试验值的数目,n个试验值的平均值的表达式为,为n个试验预测值的平均值,∑表
示求和符号,var表示方差符号;
相关系数R2的取值范围为[0,1],相关系数R2越接近1,表示麻雀优化算法正则化学习机算法预测模型预测性能越好,相关系数R2越接近0,表示麻雀优化算法正则化学习机算法预测模型预测性能越差;
方差贡献率VAF的取值范围为[0,1],方差贡献率VAF越接近1,表示麻雀优化算法正则化学习机算法预测模型中影响因素贡献越大,方差贡献率VAF越接近0,表示麻雀优化算法正则化学习机算法预测模型中影响因素贡献越小;
均方根误差RSME越小,表示麻雀优化算法正则化学习机算法预测模型预测性能越好,均方根误差RSME越大,表示麻雀优化算法正则化学习机算法预测模型预测性能越差;
平均绝对误差MAE,平均绝对误差MAE越小,表示麻雀优化算法正则化学习机算法预测模型预测性能越好,平均绝对误差MAE越大,表示麻雀优化算法正则化学习机算法预测模型预测性能越差;
纳什效率系数NSC的取值范围为[-∞,1],纳什效率系数NSC越接近1,表示预测模型预测性能越好,纳什效率系数NSC越接近0,表示预测模型预测性能越接近平均水平,纳什效率系数NSC越接近﹣∞,表示预测模型预测性能越差;
散度指标SI越小,表示麻雀优化算法正则化学习机算法预测模型预测性能越好,散度指标SI越大,表示麻雀优化算法正则化学习机算法预测模型预测性能越差;
步骤S32:确定隐藏层数目;在矩阵实验室数学软件MATLAB中采用麻雀优化算法正则化学习机算法,以1为初始值,以1为间距,逐渐增加隐藏层数目进行计算,每一步均输出步骤S31中所有的确定判断指标值,并与前一次输出值进行比较,当麻雀优化算法正则化学习机算法中的训练集和测试集各判断指标值的相对误差均满足|I j-Ij+1|≤η%停止计算,采用前一次输出值的隐藏数目,即j作为最终隐藏层数目,I表示确定判断指标值;η为预设精度阈值,η越大表示精度越低,η越小表示精度越高;
步骤S33:进行敏感度分析;
在步骤S32确定的隐藏层数目前提下对下游支渠出口处流量与主渠进口处流量之比M的关键影响参数进行敏感度分析;
依次消除一个关键影响参数在矩阵实验室数学软件MATLAB中采用麻雀优化算法正则化学习机算法进行敏感度分析;
即SSA-RELM-1[Fu, Fx, Fy, R],SSA-RELM-2[Fx, Fy, R],SSA-RELM-3[Fu, Fy,R],SSA-RELM-4[Fu, Fx, R],SSA-RELM-1[Fu, Fx, Fy],选择判断指标达到最优时的最敏感关键参数组合保留;SSA-RELM-1代表第一组麻雀优化算法正则化学习机算法的关键影响参数,SSA-RELM-2代表第二组麻雀优化算法正则化学习机算法的关键影响参数,SSA-RELM-3代表第三组麻雀优化算法正则化学习机算法的关键影响参数,SSA-RELM-4代表第四组麻雀优化算法正则化学习机算法的关键影响参数;
步骤S34:在步骤S32确定的隐藏层数目和步骤S33确定的最敏感关键参数组合前提下进行激活函数选择,对激活函数Sigmoid、激活函数Tanh和激活函数Sin分别在矩阵实验室数学软件中采用麻雀优化算法正则化学习机算法计算,选择步骤S31中确定判断指标性能均达到最优时的激活函数。
进一步的,步骤S4中预测下游支渠出口处流量与主渠进口处流量之比M的预测表达式,具体为:
当激活函数为Sigmoid函数时,预测公式为:
;
当激活函数为Tanh函数时,预测公式为:
;
当激活函数为Sin函数时,预测公式为:
;
其中,IW为输入权重矩阵,Y为输入变量矩阵,D为隐藏神经元偏置矩阵,LW为输出权重矩阵,T为转置。
本发明的有益效果:本发明提供的基于麻雀优化算法正则化学习机算法的T型分汊明渠下游支渠流量的预测方法,能够简便、准确和合理地预测T型分汊明渠下游支渠的实时流量,优化了水利工程中布置T型分汊明渠的规划合理性,有效保证了灌区作物的灌溉水保证率。
附图说明
图1为本发明T型分汊明渠结构示意图;
图2为本发明隐藏层数目确定时各判断指标与隐藏层数目之间的关系图;
(a)相关系数R2随隐藏层数目的变化;
(b)方差贡献率VAF随隐藏层数目的变化;
(c)均方根误差RMSE随隐藏层数目的变化;
(d)平均绝对误差MAE随隐藏层数目的变化;
(e)纳什效率系数NSC随隐藏层数目的变化;
(f)散度指标SI随隐藏层数目的变化;
图3为本发明第一次敏感度分析时各判断指标与关键影响参数组合之间的关系图;
(a)相关系数R2随第一次敏感度分析的变化;
(b)方差贡献率VAF随第一次敏感度分析的变化;
(c)均方根误差RMSE随第一次敏感度分析的变化;
(d)平均绝对误差MAE随第一次敏感度分析的变化;
(e)纳什效率系数NSC随第一次敏感度分析的变化;
(f)散度指标SI随第一次敏感度分析的变化;
图4为本发明第二次敏感度分析时各判断指标与关键影响参数组合之间的关系图;
(a)相关系数R2随第二次敏感度分析的变化;
(b)方差贡献率VAF随第二次敏感度分析的变化;
(c)均方根误差RMSE随第二次敏感度分析的变化;
(d)平均绝对误差MAE随第二次敏感度分析的变化;
(e)纳什效率系数NSC随第二次敏感度分析的变化;
(f)散度指标SI随第二次敏感度分析的变化;
图5为本发明激活函数选择时各判断指标与关键影响参数组合之间的关系图;
(a)相关系数R2随激活函数的变化;
(b)方差贡献率VAF随激活函数的变化;
(c)均方根误差RMSE随第二次激活函数的变化;
(d)平均绝对误差MAE随激活函数的变化;
(e)纳什效率系数NSC随激活函数的变化;
(f)散度指标 SI随激活函数的变化。
具体实施方式
下面结合附图对本发明作更进一步的说明。
实施例1
本实施例的一种T型分汊明渠下游支渠流量的预测方法,具体步骤如下:
步骤S1:对缩尺的T型分汊明渠进行物理模型试验,建立T型分汊明渠物理模型;
其缩尺的T型分汊明渠主渠几何长度Lx为10m,下游支渠长度Ly为5m,主渠与下游支渠在主渠长度为5m处以直角相交,主渠宽度Bx保持为0.3m,支渠宽度By在0.1m至0.3m之间变化,支渠宽度具体为0.1m、0.18m、0.22m和0.3m,对应的支渠宽度与主渠宽度之比R分别为0.333,0.600,0.733和1.000,在主渠进口处流量Q为3L/s~9L/s的条件下,分别调整主渠出口处平板堰高度Cx和下游支渠平板堰高度Cy,测得物理模型试验时主渠出口处水深hx和下游支渠出口处水深hy,主渠进口处水深hu的测量位置在距离主渠进口处2倍Bx处,主渠出口处水深hx的测量位置在距离主渠出口处2倍Bx处,下游支渠出口处水深hy的测量位置在距离下游支渠出口处2倍Bx处;
假设主渠出口处流量为Qx,下游支渠出口处流量为Qy,此时下游支渠宽度与主渠宽度之比为R=By/Bx,则下游支渠出口处流量与主渠进口处流量之比为M=Qy/(Qx+Qy) = Qy/Q;对下主渠进口处佛罗德数Fu,主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy分别进行计算,Fu=Q/Bx/hu/(ghu)0.5,Fx=Qx/Bx/hx/(ghx)0.5,Fy=Qy/By/hy/(ghy)0.5,g为重力加速度;T型分汊明渠结构如图1所示;
物理试验模型采用正态模型,综合考虑物理试验模型水流在阻力平方区要求,拟选取模型线性比尺为10,物理模型采用重力相似准则设计,角度比为1,流速比为λv=100.5=3.16,流量比为λQ=102.5=316.23,糙率比λn=101/6=1.47。
步骤S2:对步骤S1中T型分汊明渠物理模型进行量纲分析,从水力学的角度找出T型分汊明渠下游支渠出口处流量与主渠进口处流量之间下游支渠出口处流量与主渠进口处流量之比M的关键影响参数为主渠进口处佛罗德数Fu、主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy和下游支渠宽度与主渠宽度之比R;
具体为:将T型分汊明渠下游支渠流量Qy用关键参数显示表示:Qy=ψ(g, ρ, μ, σ,ks, Q, hx, hy, Cx, Cy, Bx, By),ψ为方程式显示表示,ρ为流体密度,μ为动力粘性系数,σ表面张力系数,ks为粗糙度厚度;通过无量纲化得到,M= Qy/ Q=ψ(Reu, Weu, Fu, ks/Bx, Fx,Fy, R),其中Reu, Weu, ks/Bx分别为主渠上游进口处雷诺数、韦伯数和相对粗糙度,根据水力学原理均可忽略,则最终无量纲表达式为M= ψ(Fu, Fx, Fy, R),由此可知,下游支渠出口处流量与主渠进口处流量之比与仅与主渠进口处佛罗德数Fu、主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy和下游支渠宽度与主渠宽度之比R相关。
步骤S3:基于步骤S2中数据在矩阵实验室数学软件MATLAB中确定麻雀优化算法正则化学习机算法中关键变量,包括确定判断指标、确定隐藏层数目、进行敏感度分析和激活函数选择;
步骤S31:确定判断指标为相关系数R2,方差贡献率VAF,均方根误差RSME,散度指标SI,平均绝对误差MAE,纳什效率系数NSC,具体表达式为:
,,,,
,;
其中:Oi,Pi,和n分别为第i个试验值,第i个试验预测值,n个试验值的平均值和
试验值的数目,n个试验值的平均值的表达式为,为n个试验预测值的平均值,∑表
示求和符号,var表示方差符号;
相关系数R2的取值范围为[0,1],相关系数R2越接近1,表示麻雀优化算法正则化学习机算法预测模型预测性能越好,相关系数R2越接近0,表示麻雀优化算法正则化学习机算法预测模型预测性能越差;
方差贡献率VAF的取值范围为[0,1],方差贡献率VAF越接近1,表示麻雀优化算法正则化学习机算法预测模型中影响因素贡献越大,方差贡献率VAF越接近0,表示麻雀优化算法正则化学习机算法预测模型中影响因素贡献越小;
均方根误差RSME越小,表示麻雀优化算法正则化学习机算法预测模型预测性能越好,均方根误差RSME越大,表示麻雀优化算法正则化学习机算法预测模型预测性能越差;
平均绝对误差MAE,平均绝对误差MAE越小,表示麻雀优化算法正则化学习机算法预测模型预测性能越好,平均绝对误差MAE越大,表示麻雀优化算法正则化学习机算法预测模型预测性能越差;
纳什效率系数NSC的取值范围为[-∞,1],纳什效率系数NSC越接近1,表示预测模型预测性能越好,纳什效率系数NSC越接近﹣∞,表示预测模型预测性能越差;
散度指标SI越小,表示麻雀优化算法正则化学习机算法预测模型预测性能越好,散度指标SI越大,表示麻雀优化算法正则化学习机算法预测模型预测性能越差;
步骤S32:在矩阵实验室数学软件MATLAB导入麻雀优化算法正则化学习机算法,和主要参数主渠进口处佛罗德数Fu、主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy和下游支渠宽度与主渠宽度之比R,以及对应的下游支渠出口处流量与主渠进口处流量之比M,以1为初始值,以1为间距,逐渐增加隐藏层数目进行计算,每一步均输出步骤S31中所有指标值,并与前一次输出值进行比较,当麻雀优化算法正则化学习机算法中的训练集和测试集各判断指标值的相对误差均满足|I j-Ij+1|≤η%停止计算,采用前一次输出值的隐藏数目,即j作为最终隐藏层数目,I表示确定判断指标值;η为预设精度阈值,η越大表示精度越低,η越小表示精度越高;当隐藏层数目为19时所有判断指标达到最优,图2为隐藏层数目确定时各判断指标与隐藏层数目之间的关系;
步骤S33:在确定的隐藏层数目为19的前提下对下游支渠出口处流量与主渠进口处流量之比M的关键影响参数主渠进口处佛罗德数Fu、主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy和下游支渠宽度与主渠宽度之比R进行敏感度分析,在敏感度分析时先对全部关键影响参数主渠进口处佛罗德数Fu、主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy和下游支渠宽度与主渠宽度之比R依次消除一个参数的关键影响参数组合在矩阵实验室数学软件MATLAB中采用麻雀优化算法正则化学习机算法中进行敏感度分析,即对SSA-RELM-1[Fu, Fx, Fy, R],SSA-RELM-2[Fx, Fy, R],SSA-RELM-3[Fu, Fy, R],SSA-RELM-4[Fu,Fx, R],SSA-RELM-1[Fu, Fx, Fy]组合第一次进行敏感度分析,选择步骤S31选择的判断指标达到最优时的关键影响参数组合保留,图3为第一次敏感度分析时各判断指标与关键影响参数组合之间的关系,其中SSA-RELM-2[Fx, Fy, R]的判断指标均达到最优;SSA-RELM-1代表第一组麻雀优化算法正则化学习机算法的关键影响参数,SSA-RELM-2代表第二组麻雀优化算法正则化学习机算法的关键影响参数,SSA-RELM-3代表第三组麻雀优化算法正则化学习机算法的关键影响参数,SSA-RELM-4代表第四组麻雀优化算法正则化学习机算法的关键影响参数;
然后对SSA-RELM-2[Fx, Fy, R]进行第二次敏感度分析,继续对依次消除一个参数的关键影响参数组合进行敏感度分析,即SSA-RELM-2-1[Fy, R],SSA-RELM-2-2[Fx, R],SSA-RELM-2-3[Fx, Fy],选择步骤S31中选择的判断指标达到最优时的关键参数组合,即最敏感关键参数组合,图4为第二次敏感度分析时各判断指标与关键影响参数组合之间的关系,其中SSA-RELM-2-3[Fx, Fy]的判断指标均达到最优;
步骤S34:在步骤S32确定的隐藏层数目19和步骤S33确定的最敏感关键参数SSA-RELM-2-3[Fx, Fy]前提下进行激活函数选择,对激活函数Sigmoid(S型函数)、Tanh(双曲正切函数)、和Sin(周期函数)分别在矩阵实验室数学软件MATLAB中采用麻雀优化算法正则化学习机算法计算,选择步骤S31中选择的判断指标性能均达到最优时的激活函数,图5为激活函数选择时各判断指标与关键影响参数组合之间的关系,其中当激活函数为Tanh函数时的判断指标均达到最优;
采用步骤S3中确定麻雀优化算法正则化学习机算法的关键变量,包括确定隐藏层数目为19、进行敏感度分析确定关键参数为SSA-RELM-2-3[Fx, Fy]和激活函数选择为Tanh函数,结合步骤S1中采集的数据,应用麻雀优化算法正则化学习机进行算法自学习,输出预测下游支渠出口处流量与主渠进口处流量之比M的预测表达式为:
;
其中,IW为输入权重矩阵,Y为输入变量矩阵,D为隐藏神经元偏置矩阵,LW为输出权重矩阵,具体的为:
;
;
;
式中T表示矩阵的转置;
输入变量矩阵为;
测得实际工程中T型分汊明渠目标工况的参数为Fu为0.35,Fx为0.34, Fy为0.01和R为0.88,代入步骤S4确定的下游支渠出口处流量与主渠进口处流量之比M的预测表达式,可得目标工况下游支渠出口处流量与主渠进口处流量之比为0.023;再实测得目标工况T型分汊明渠主渠进口处流量Q为2.12m³/s,即可测得T型分汊明渠下游支渠流量的流量Qy=M×Q=0.023×2.12=0.04876 m³/s。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种T型分汊明渠下游支渠流量的预测方法,其特征在于:包括以下步骤:
步骤S1:对缩尺的T型分汊明渠进行物理模型试验,建立T型分汊明渠物理模型,T型分汊明渠由主渠和下游支渠以直角连接,在主渠进口处流量Q条件下,测得主渠出口处流量Qx和下游支渠出口处流量Qy,主渠宽度为Bx和下游支渠宽度为By,其中下游支渠出口处流量与主渠进口处流量之比为M,下游支渠宽度与主渠宽度之比为R;对主渠进口处佛罗德数Fu、主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy分别进行计算;
步骤S2:对步骤S1中T型分汊明渠物理模型进行量纲分析,找出下游支渠出口处流量与主渠进口处流量之比M的关键影响参数为主渠进口处佛罗德数Fu、主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy和下游支渠宽度与主渠宽度之比R;
步骤S3:基于步骤S2中的关键影响参数,确定麻雀优化算法正则化学习机算法中的关键变量;
步骤S4:基于步骤S1中建立T型分汊明渠物理模型获得的数据结合步骤S3中的关键变量,应用于麻雀优化算法正则化学习机算法进行算法自学习,输出预测下游支渠出口处流量与主渠进口处流量之比M的预测表达式;
步骤 S5:测得实际工程中T型分汊明渠目标工况的参数为主渠进口处佛罗德数Fu、主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy和下游支渠宽度与主渠宽度之比R,代入步骤S4确定的下游支渠出口处流量与主渠进口处流量之比M的预测表达式,得到实际工程中下游支渠出口处流量与主渠进口处流量之比;测得实际工程中T型分汊明渠主渠进口处流量Q,即测得T型分汊明渠下游支渠出口处流量Qy=M×Q;
步骤S3中确定麻雀优化算法正则化学习机算法中关键变量,包括确定判断指标、确定隐藏层数目、进行敏感度分析和激活函数选择,具体步骤为:
步骤S31:确定判断指标;包括相关系数R2,方差贡献率VAF,均方根误差RSME,散度指标SI,平均绝对误差MAE,纳什效率系数NSC,具体表达式为:
;
;
;
;
;
;
其中:Oi,Pi,和n分别为第i个试验值,第i个试验预测值,n个试验值的平均值和试验值的数目,n个试验值的平均值的表达式为/>,/>为n个试验预测值的平均值,∑表示求和符号,var表示方差符号;
步骤S32:确定隐藏层数目;采用麻雀优化算法正则化学习机算法,以1为初始值,以1为间距,逐渐增加隐藏层数目进行计算,每一步均输出步骤S31中所有的确定判断指标值,并与前一次输出值进行比较,当麻雀优化算法正则化学习机算法中的训练集和测试集各判断指标值的相对误差均满足|I j-Ij+1|≤η%停止计算,采用前一次输出值的隐藏数目,即j作为最终隐藏层数目,I表示确定判断指标值;η为预设精度阈值;
步骤S33:进行敏感度分析;
在步骤S32确定的隐藏层数目前提下对下游支渠出口处流量与主渠进口处流量之比M的关键影响参数进行敏感度分析;
依次消除一个关键影响参数采用麻雀优化算法正则化学习机算法进行敏感度分析;
即SSA-RELM-1[Fu, Fx, Fy, R],SSA-RELM-2[Fx, Fy, R],SSA-RELM-3[Fu, Fy, R],SSA-RELM-4[Fu, Fx, R],SSA-RELM-1[Fu, Fx, Fy],选择判断指标达到最优时的最敏感关键参数组合保留;SSA-RELM-1代表第一组麻雀优化算法正则化学习机算法的关键影响参数,SSA-RELM-2代表第二组麻雀优化算法正则化学习机算法的关键影响参数,SSA-RELM-3代表第三组麻雀优化算法正则化学习机算法的关键影响参数,SSA-RELM-4代表第四组麻雀优化算法正则化学习机算法的关键影响参数;
步骤S34:在步骤S32确定的隐藏层数目和步骤S33确定的最敏感关键参数组合前提下进行激活函数选择,对激活函数Sigmoid、激活函数Tanh和激活函数Sin分别采用麻雀优化算法正则化学习机算法计算,选择步骤S31中确定判断指标性能均达到最优时的激活函数。
2.根据权利要求1所述的一种T型分汊明渠下游支渠流量的预测方法,其特征在于:步骤S1中对缩尺的T型分汊明渠进行物理模型试验,具体参数为:
在T型分汊明渠物理模型的主渠和下游支渠的出口处设置可调节高度的平板堰,分别调整主渠出口处平板堰高度Cx和下游支渠平板堰高度Cy,测得物理模型试验时主渠进口处水深hu、主渠出口处水深hx和下游支渠出口处水深hy;主渠几何长度为Lx,下游支渠几何长度为Ly,下游支渠在主渠正中间相接;物理模型试验时保持主渠宽度Bx不变,设置下游支渠初始宽度为B,在下游支渠中放置与下游支渠侧壁平行的木板,保持下游支渠宽度为By的进口唯一通流且另外的下游支渠宽度B-By同样采用木板封闭;下游支渠宽度与主渠宽度之比R的表达式为:R=By/Bx;
下游支渠出口处流量与主渠进口处流量之比M的表达式为:M=Qy/(Qx+Qy)= Qy/Q;
主渠进口处水深hu的测量位置在距离主渠进口处m倍Bx处,主渠出口处水深hx的测量位置在距离主渠出口处k倍Bx处,下游支渠出口处水深hy的测量位置在距离下游支渠出口处s倍Bx处;m,k,s均为常数;
物理模型试验条件下主渠进口处佛罗德数Fu,主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy的表达式具体为:Fu=Q/Bx/hu/(ghu)0.5,Fx=Qx/Bx/hx/(ghx)0.5,Fy=Qy/By/hy/(ghy)0.5 ,g为重力加速度;
物理模型试验采用正态物理模型,选取物理模型线性比尺λl,物理模型试验采用重力相似准则设计,角度比λγ,流速比λv=λl 0.5,流量比λQ=λl 2.5,糙率比λn=λl 1/6。
3.根据权利要求2所述的一种T型分汊明渠下游支渠流量的预测方法,其特征在于:步骤S2中T型分汊明渠物理模型量纲分析,具体为:
步骤S21,将T型分汊明渠下游支渠出口处流量Qy用关键参数显示表示:Qy=ψ(g, ρ, μ,σ, ks, Q, hx, hy, Cx, Cy, Bx, By),ψ为方程式显示表示,ρ为流体密度,μ为动力粘性系数,σ为表面张力系数,ks为粗糙度厚度;
步骤S22,通过无量纲化得到,M= Qy/ Q=ψ(Reu, Weu, Fu, ks/Bx, Fx, Fy, R),根据水力学原理忽略主渠上游进口处雷诺数Reu、韦伯数Weu和相对粗糙度ks/Bx,无量纲表达式为M=ψ(Fu, Fx, Fy, R);
即下游支渠出口处流量与主渠进口处流量之比M与主渠进口处佛罗德数Fu、主渠出口处佛罗德数Fx和下游支渠出口处佛罗德数Fy和下游支渠宽度与主渠宽度之比R相关。
4.根据权利要求3所述的一种T型分汊明渠下游支渠流量的预测方法,其特征在于:步骤S4中预测下游支渠出口处流量与主渠进口处流量之比M的预测表达式,具体为:
当激活函数为Sigmoid函数时,预测公式为:
;
当激活函数为Tanh函数时,预测公式为:
;
当激活函数为Sin函数时,预测公式为:
;
其中,IW为输入权重矩阵,Y为输入变量矩阵,D为隐藏神经元偏置矩阵,LW为输出权重矩阵,T为转置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410248527.XA CN117829035B (zh) | 2024-03-05 | 2024-03-05 | 一种t型分汊明渠下游支渠流量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410248527.XA CN117829035B (zh) | 2024-03-05 | 2024-03-05 | 一种t型分汊明渠下游支渠流量的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117829035A CN117829035A (zh) | 2024-04-05 |
CN117829035B true CN117829035B (zh) | 2024-05-14 |
Family
ID=90508185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410248527.XA Active CN117829035B (zh) | 2024-03-05 | 2024-03-05 | 一种t型分汊明渠下游支渠流量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829035B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008060024A1 (de) * | 2008-12-02 | 2010-06-17 | Hasemann, Heinrich, Dr.-Ing. | Turbokompressorprozess zur Verdichtung von kompressiblen Fluiden und Turboexpanderprozess zur Entspannung von kompressiblen Fluiden |
WO2015125277A1 (ja) * | 2014-02-21 | 2015-08-27 | 富士通株式会社 | 気体流量測定システム、気体流量測定方法、及び気体流量測定プログラム |
CN109614757A (zh) * | 2019-01-08 | 2019-04-12 | 河海大学 | 一种通过cfd预测湿室型泵站临界淹没深度的方法 |
CN110570031A (zh) * | 2019-08-23 | 2019-12-13 | 河海大学 | 一种预测平原河网两级分汊河道分流比的方法 |
CN112127325A (zh) * | 2020-08-25 | 2020-12-25 | 中国水利水电科学研究院 | 汇流口整流装置 |
CN216075021U (zh) * | 2021-09-09 | 2022-03-18 | 江阴四方游泳康复产业股份有限公司 | 一种装配式灌溉渠 |
WO2023087995A1 (zh) * | 2021-11-16 | 2023-05-25 | 河海大学 | 一种分汊河道分流比与分污比及其演变规律的研究方法 |
CN117509763A (zh) * | 2023-10-12 | 2024-02-06 | 河海大学 | 一种农业面源为主平行交叉河网断面水质稳定达标系统及其运行工艺 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105576268B (zh) * | 2014-10-08 | 2019-02-15 | 通用电气公司 | 用于控制流量比的系统和方法 |
-
2024
- 2024-03-05 CN CN202410248527.XA patent/CN117829035B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008060024A1 (de) * | 2008-12-02 | 2010-06-17 | Hasemann, Heinrich, Dr.-Ing. | Turbokompressorprozess zur Verdichtung von kompressiblen Fluiden und Turboexpanderprozess zur Entspannung von kompressiblen Fluiden |
WO2015125277A1 (ja) * | 2014-02-21 | 2015-08-27 | 富士通株式会社 | 気体流量測定システム、気体流量測定方法、及び気体流量測定プログラム |
CN109614757A (zh) * | 2019-01-08 | 2019-04-12 | 河海大学 | 一种通过cfd预测湿室型泵站临界淹没深度的方法 |
CN110570031A (zh) * | 2019-08-23 | 2019-12-13 | 河海大学 | 一种预测平原河网两级分汊河道分流比的方法 |
CN112127325A (zh) * | 2020-08-25 | 2020-12-25 | 中国水利水电科学研究院 | 汇流口整流装置 |
CN216075021U (zh) * | 2021-09-09 | 2022-03-18 | 江阴四方游泳康复产业股份有限公司 | 一种装配式灌溉渠 |
WO2023087995A1 (zh) * | 2021-11-16 | 2023-05-25 | 河海大学 | 一种分汊河道分流比与分污比及其演变规律的研究方法 |
CN117509763A (zh) * | 2023-10-12 | 2024-02-06 | 河海大学 | 一种农业面源为主平行交叉河网断面水质稳定达标系统及其运行工艺 |
Non-Patent Citations (5)
Title |
---|
冯彩凤 ; .明渠直角交汇处的混合流.水利电力科技.1994,(03),全文. * |
冲积河流系统形态的参数化判别方法;邓中辉;《水运工程》;20221201;全文 * |
周舟 ; 曾诚 ; 周婕 ; 王玲玲 ; 丁少伟 ; .等宽明渠交汇口流速分布特性数值模拟.水利水运工程学报.(01),全文. * |
明渠直角交汇处的混合流;冯彩凤;;水利电力科技;19940915(03);全文 * |
水库变动回水区分汊型河道河型转化研究;林木松;长江科学院院报;19940515(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117829035A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gholami et al. | Uncertainty analysis of intelligent model of hybrid genetic algorithm and particle swarm optimization with ANFIS to predict threshold bank profile shape based on digital laser approach sensing | |
Azamathulla et al. | Use of gene-expression programming to estimate Manning’s roughness coefficient for high gradient streams | |
Ebtehaj et al. | Pareto genetic design of group method of data handling type neural network for prediction discharge coefficient in rectangular side orifices | |
Righetti et al. | Flow resistance in open channel flows with sparsely distributed bushes | |
Tabari et al. | Prediction of the intermediate block displacement of the dam crest using artificial neural network and support vector regression models | |
Azimi et al. | A pareto design of evolutionary hybrid optimization of ANFIS model in prediction abutment scour depth | |
Baharvand et al. | Comparative study on the machine learning and regression-based approaches to predict the hydraulic jump sequent depth ratio | |
Rady | Modeling of flow characteristics beneath vertical and inclined sluice gates using artificial neural networks | |
Dou et al. | Research on calculation method of free flow discharge based on artificial neural network and regression analysis | |
Das et al. | Discharge estimation in converging and diverging compound open channels by using adaptive neuro-fuzzy inference system | |
Ayaz et al. | Discharge coefficient of oblique sharp crested weir for free and submerged flow using trained ANN model | |
CN115455867A (zh) | 基于回归分析的坝区流态的推求方法 | |
Nouri et al. | Discharge coefficient in the combined weir-gate structure | |
Seyedian et al. | Reliable prediction of the discharge coefficient of triangular labyrinth weir based on soft computing techniques | |
Kaushik et al. | Sustainable gene expression programming model for shear stress prediction in nonprismatic compound channels | |
Kaushik et al. | Assessment of water surface profile in nonprismatic compound channels using machine learning techniques | |
Bijanvand et al. | Estimation of water's surface elevation in compound channels with converging and diverging floodplains using soft computing techniques | |
CN117829035B (zh) | 一种t型分汊明渠下游支渠流量的预测方法 | |
CN112765880B (zh) | 一种基于Bi-LSTM监测地层饱和盐水侵入量的方法 | |
CN113887142A (zh) | 一种基于渠道横切面的平均流速计算方法 | |
Hasani et al. | Weighted regularized extreme learning machine to model the discharge coefficient of side slots | |
Mohamed et al. | Suspended sediment concentration modeling using conventional and machine learning approaches in the Thames River, London Ontario | |
CN113639805B (zh) | 一种基于渠道断面流速场重建的流量测量方法 | |
Mahmoudian et al. | Robust extreme learning machine for estimation of triangular, rectangular, and parabolic weirs | |
CN113945729A (zh) | 一种基于渠道垂直切面的平均流速计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |