LU502946B1 - Real-time prediction method of groundwater seepage field in cultural site areas - Google Patents

Claims (6)

PATENTANSPRUCHE 7502946

1. Ein Verfahren zur Vorhersage des Grundwasser-Sickerwasserfeldes in Kulturstätte-Gebieten in Echtzeit, dadurch gekennzeichnet, dass S1 umfasst: S11: Vermessung der Daten in den Kulturstätte-Gebieten, einschließlich der Koordinaten und des Wasserstands mehrerer Bohrpunkte, der Parameter der Gesteins- und Bodenschichten, des Durchlässigkeitskoeffizienten und der spezifischen Ausbeute, Vervollständigung der Merkmalsextraktion durch Berechnung des Histogramms des Richtungsgradienten, Erstellen einer Gruppe von digitalen Etiketten mit Merkmalsdaten, Zuordnen der Merkmalsdaten zu den digitalen Etiketten, Vereinheitlichen der digitalen Etiketten und Übertragen der Kategorienmerkmale und digitalen Etiketten an den Computer zur Vorhersage; S12: Aufteilung der oberen Grenze, der unteren Grenze und der seitlichen Grenze der vertikalen geologischen Informationsdaten und der seitlichen geologischen Informationsdaten in eine Vielzahl kleiner Rahmen entsprechend dem aktuellen geologischen Profilplan der Kulturstätte, den ursprünglichen Vermessungsdaten von Grundwassersystem, der topographischen Karte der Kulturstitte, den hydrogeologischen Bedingungen und der stratigraphischen Struktur; Extrahieren der Kandidatenbox und direktes Anwenden auf die Merkmalsbildung, Markieren der Position des Feldes, um die Box zu speichern, Extrahieren des Boxmerkmals durch den Algorithmus des faltenden neuronalen Netzwerks, Extrahieren des Positionsmerkmalsflusses und abwechselndes Einstellen der Faltungsschicht und der Abtastschicht, um das Merkmal zu extrahieren; Füllen des inneren Bereichs der vorhergesagten Grenze durch den Seed-Filling-Algorithmus und Verwendung des Stapels, um die Polygonfüllung des inneren Bereichs der Grenze zu realisieren, um die Grenzbedingungen des Grundwasser-Sickerwasserfeldes in Kulturstätten zu erzeugen, Festlegung der Grenzbedingungen des numerischen Modells für die Vorhersage des Grundwasser-Sickerwasserfeldes in Kulturstätten und Erstellung der anfänglichen Vorhersagebedingungen für das Grundwasser-Sickerwasserfeld.

2. Das Verfahren zur Vorhersage des Grundwasser-Sickerwasserfeldes in 502946 Kulturstätte-Gebieten in Echtzeit nach Anspruch 1, dadurch gekennzeichnet, dass S2 umfasst: S21: Verwendung der vorhandenen Gesteins- und Bodenschichtenprüfung und der Feldvermessungsdaten, Bewahren der Informationen über die Durchlässigkeitskoeffizienten entsprechend der Reihenfolge der Gesteins- und Bodenschichten, Bildung eines Durchlässigkeitskoeffizienten-Trainings-Probensatzes und Erstellung eines Satzes K ={K,,K,,---,K,} zur Darstellung der Informationen über die Durchlässigkeitskoeffizienten, entsprechend n verschiedenen Gesteins- und Bodenschichten; für Gesteins- und Bodenmaterialien, Extraktion der Merkmale von Schluff, verwittertem Gestein, Grundgestein jeder Gesteins- und Bodenschicht, Vervollständigung der Merkmalsextraktion durch Berechnung des Histogramms der Richtungsgradienten, Erstellung des Klassifizierungsmodells anhand der erhaltenen Merkmaldaten, Vervollständigung des Klassifizierungstrainings für jede Gestein- und Bodenschicht und Vergleichen der extrahierten Merkmale mit den im Klassifizierungsmodell enthaltenen Klassifizierungsregeln, um die Kategorie der Gestein- und Bodenschicht zu ermitteln; Erstellen einer Gruppe von digitalen Etiketten mit Merkmalsdaten, Zuordnen der Merkmale, darstellend Gesteins- und Bodenschichtkategorien, zu den digitalen Etiketten, Vereinheitlichen der digitalen Etiketten und Übertragen der Kategorienmerkmale und der digitalen Etiketten an den Computer für das Training; Übereinstimmung der Datenbereich mit den Datenmerkmalen der Training beim Testen des Modells, Vermeidung von Fehlern, verursacht dadurch, dass eine bestimmte Gesteins- und Bodenschichtkategorie nicht identifiziert werden kann; Training der Funktion des Vorhersagemodells geotechnischer Schichtkategorie im Probenraum, Anpassung der Gewichtungsparameter im Netzwerk Schicht für Schicht durch Minimierung der Verlustfunktion mit der Gradienten-Abstieg-Methode und Beschleunigung der Konvergenz mit dem Tiefenmodell-Optimierungsalgorithmus:

Aw, = —Kn,, @,,, = 9; + Ad, = 0, -KN,,

wobei Æ die Lernrate ist, œ; die Gewichtung des i-ten Trainings ist, w+ die

Gewichtung des i+1-ten Trainings ist, ni der Gradient des i-ten Trainings ist, Aw; die Aktualisierung der Gewichtung des i-ten Trainings ist, wo=0, um das Netz durch zyklische Iteration und Rückkopplung zu optimieren, die Genauigkeit des Netzes wird durch häufiges iteratives Training verbessert;

S22: Sammeln, Aussortieren und Speichern von Informationen über die spezifische

Ausbeute von Gesteins- und Bodenmaterialien, Ausdrücken von Informationen über die spezifische Ausbeute als Satz u = {u,,u,,---,u, }, Speichern von Informationen über die spezifische Ausbeute von n verschiedenen Gesteinsformationen und Erstellen eines Trainingsprobensatzes für die spezifische Ausbeute in einer Finheit;

Extraktion von spezifischer Ausbeute in einer Einheit für Gesteins- und

Bodenmaterialien, Vervollständigung der Merkmalsextraktion durch Berechnung des Histogramms der Richtungsgradienten, Erstellung eines Klassifizierungsmodells auf der Grundlage der erhaltenen Merkmalsdaten, Vervollstindigung des

Klassifizierungstrainings von spezifischer Ausbeute für jede Gestein- und

Bodenschicht und Training des Klassifizierungsmodells von spezifischer Ausbeute anhand der extrahierten Merkmale, um die Vorhersagefunktion für die Kategorie von spezifischer Ausbeute zu erhalten;

Einrichtung einer Gruppe von digitalen Etiketten der spezifischen Ausbeute mit

Merkmalsdaten, Zuordnen der Merkmale, darstellend die Kategorie von spezifischer

Ausbeute der Finheit, mit den digitalen Etiketten, Vereinheitlichung der digitalen

Etiketten, und Ubertragung der Merkmale der Kategorie von spezifischer Ausbeute der Einheit und der digitalen Etiketten an den Computer für die Training;

S23: Vervollstindigung der Konstruktion von Merkmalen und Etiketten durch S22,

Training der Funktion des Vorhersagemodells der Klassifizierung von spezifischer

Ausbeute im Probenraum, Anpassung des konstruierten Datensatzes durch das

Support-Vector-Machine-Klassifikationsmodell, Training und Trennung positiver

Proben und negativer Proben, Vervollständigung der nichtlinearen Klassifizierung der 502946 spezifischen Ausbeute in der Einheit, Aufteilung des Datensatzes in einen Trainingssatz und einen Testsatz, Vorhersage des Ergebnisses der spezifischen Ausbeute des Trainingssatzes, Vergleichen des vorhergesagten Ergebnisses mit dem tatsächlichen Ergebnis und Analyse der Vorhersagegenauigkeit.

3. Das Verfahren zur Vorhersage des Grundwasser-Sickerwasserfeldes in Kulturstätte-Gebieten in Echtzeit nach Anspruch 1, dadurch gekennzeichnet, dass S3 umfasst: S31: Einrichtung einer Aquifer-Informationssammlung, sammelt und sortiert geologische Daten, einschließlich geologisches Profilplans von Kulturstätten, Vermessungsdaten des ursprünglichen Grundwassersystems, topografischer Karten von Kulturstätten, hydrogeologischer Bedingungen, stratigraphischer Struktur und andere geologische Vermessungsdaten; Speichern der vertikalen Grenzinformation mit Zi = {Zt ZU... 78,78 28 28), wobei Z"" die vertikale Grenzinformation darstellt, N eine Gesamtzahl von MXN vertikalen Grenzinformationsmaterialien darstellt, Zw die N-ten oberen Grenzinformationsmaterialien darstellt, Zs die N-te untere Grenzinformationsmaterialien darstellt, und 7° ={z;, 75... z;,} hilt die seitliche Grenzinformationsmaterialien, 7s die seitliche Grenzinformationen darstellt, und ZZ}; die M-te seitliche Grenzinformationsdaten darstellt; S32: Aufteilen der oberen Grenze, der unteren Grenze und der seitlichen Grenze in den vertikalen geologischen Informationsdaten und den seitlichen geologischen Informationsdaten in eine Vielzahl von kleinen Rahmen, Prüfen und Auffinden der Rahmen mit Grenzen nacheinander, Extrahieren der Kandidatenrahmen und direktes Anwenden auf die Festlegung von Merkmalen, Verwendung des Arrays z={z,.2,,-.2,,.y.y} zum Speichern der durch die Position der Box markierten Daten, Verwendung des Algorithmus des faltenden neuronalen Netzwerks zur

Extraktion der Boxmerkmale und der Positionsmerkmale, abwechselnde Einstellung 502946 der Faltungsschicht und die Abtastschicht zur Extraktion der Merkmale, Verwendung des nichtlinearen Support-Vector-Machine-Algorithmus als Erkennungsalgorithmus zur Klassifizierung der Grenze; bei der Beurteilung, dass es eine Grenze in einer Box gibt, Ausgabe der Position der Box, Training durch den Erkennungsdatensatz und Berechnung der Verlustfunktion aus dem Drei-Komponenten-Verlust: Lip = max(d(a, p)—d(a,n)+m), wobei Luiplet eine Drei-Komponenten-Verlustfunktion darstellt, à einen Anker darstellt, p positive Proben in der gleichen Kategorie wie a darstellt, » negative Proben darstellt und eine Probe ist, die zu einer anderen Kategorie als a gehört, m eine Konstante größer als 0 annimmt, d(a,p) den euklidischen Abstand zwischen dem Anker und positiven Proben darstellt, d(a,n) für den euklidischen Abstand zwischen dem Anker und den negativen Proben steht, max fiir die Maximalfunktion steht; Eingabe des Dreifachen, einschließlich Anker, positiv und negativ; durch Optimierung des Abstands zwischen dem Anker und positiv, so dass der Abstand zwischen dem Anker und positiv geringer ist als der Abstand zwischen Anker und negativ, Berechnung der Ähnlichkeit zwischen den Proben, und Festlegung der Funktion des Grenzvorhersagemodells durch Testen in der Testsatz.

4. Das Verfahren zur Vorhersage des Grundwasser-Sickerwasserfeldes in Kulturstitte-Gebieten in Echtzeit nach Anspruch 1, ist dadurch gekennzeichnet, dass S4 umfasst: S41: Erstellung eines Trainingsprobensatzes 75 ={1,25),(2,2) (i, 25) (t=1,25,),(1, 2*)} , entsprechend den Koordinaten verschiedener Bohrpunkte auf der Grundlage der gemessenen Wasserstände und darstellend die historische Beobachtungsdaten der Bohrwasserstände, entsprechend den 1 bis 7 Zeitknoten, wobei / die Seriennummer der Bohrpunkte darstellt, 7 den i-ten Zeitknoten darstellt und 7 die Gesamtzahl der Zeitknoten in der Zeitreihe darstellt; entsprechend den Grenzbedingungen, den Koordinaten und der Verteilung der Bohrpunkte, zugewiesen durch den Farbalgorithmus für die Saatgutauffüllung in S3,

Abdecken aller vorhergesagten Bereiche des Grundwasserbereichs im 502946 Kulturstätte-Gebiet, wobei die vorhergesagten Bereiche das gesamte ausgefüllte Gebiet abdecken; auf der Grundlage aller Informationen und Daten, bereitgestellt durch Feldforschung und Tests, Unterteilung des Vorhersagegebiets in Raster und Festlegung des Koordinatenarrays der Beobachtungsbrunnen; S42: entsprechend dem durch das Vorhersagegebiet geteilten Raster, Konstruktion des Tai-Sen-Polygons mit den benachbarten Bohrpunkten als vertikale Linien und Füllen des Tai-Sen-Polygons mit dem Seed-Filling-Algorithmus, um die anfänglichen Simulationsbedingungen des Grundwasser-Sickerwasserfeldes in Kulturstätte-Gebieten zu bewerten; S43: Konstruieren eines Dreiecksnetzes, enthaltend alle Rasterpunkte im Vorhersagebereich durch die Grenzpunktkoordinaten und die internen Rasterpunkte, Unterteilung des konvexen Polygons in eine Vielzahl von gegenseitig disjunkten Dreiecken, Durchführen einer Dreiecksinterpolationsberechnung auf dem Dreiecksnetz, Korrektur der anfänglichen Simulationsbedingungen in S42 in Echtzeit durch Triangulation der maximalen konvexen Hüllenpunktmenge und Verwendung der kubischen Spline-Interpolationsfunktion zur Glättung der Vorhersageergebnisse des Sickerwasserfeldes, um die anfänglichen Vorhersagebedingungen des Grundwasser-Sickerwasserfeldes in der Zukunft zu erhalten.

5. Das Verfahren zur Vorhersage des Grundwasser-Sickerwasserfeldes in Kulturstätte-Gebieten in Echtzeit nach Anspruch 1, ist dadurch gekennzeichnet, dass SS umfasst: S51: Sammeln und Aussortieren der Verteilung des Grundwasserstands in dem durch den Bohrlochwasserstand in S4 simulierten Grenzbereich als die anfängliche Vorhersagebedingung des Grundwasser-Sickerwasserfeldes am ersten Zeitknoten, Vorhersage des Grundwasser-Sickerwasserfeldes U; am Zeitknoten / aus dem Grundwasser-Sickerwasserfeld U;, am Zeitknoten f-1, und Ausdruck der dynamischen Systemparametermatrix durch die Fehlerkovarianzmatrix P,-1 und die

Korrekturmatrix Q; zum Zeitknoten #-1 und Vorhersage der Fehlermatrix P; zum 17008968 Zeitknoten 7 durch die Matrix A: P=APIA +0, wobei 2] das Inkrement des Beobachtungswerts des Grundwasserstands zum #-ten Zeitknoten darstellt, I” den Kalman-Filteralgorithmus darstellt, Ur = AUF +T (u, ,), und somit wird das Grundwasser-Sickerwasserfeldes am Zeitknoten / vorhergesagt; S52: unter Verwendung des aktuellen regionalen Grundwasser-Sickerwasserfeldes U? , Aktualisierung der Vorhersage des zukünftigen regionalen Grundwasser-Sickerwasserfeldes in Echtzeit, Aufzeichnung als Uf, =T'(U?), wobei UF, das Vorhersageergebnis zum Zeitknoten #+1 darstellt, durch wiederholte iterative Berechnung, Berechnung der Vorhersageergebnisse des Grundwasser-Sickerwasserfeldes in diesem Gebiet nach n Zeitknoten, wie in der folgenden Formel dargestellt: Up, FT 9) FT Uma) = =D" "U =T"U)), Durchlaufen der n Zeitknoten, vorhergesagt nach dem aktuellen Zeitpunkt, Erstellen des Vorhersagemodells des Grundwasser-Sickerwasserfeldes, Testen im Testsatz und Analysieren der Entwässerungswirkung von Kulturstätten entsprechend der genauen Vorhersage.

6. Das Verfahren zur Vorhersage des Grundwasser-Sickerwasserfeldes in Kulturstätte-Gebieten in Echtzeit nach Anspruch 1, ist dadurch gekennzeichnet, dass S6 umfasst: S61: Erstellen eines Arrays zum Speichern der aktuellen Vorhersageergebnisse des Grundwasser-Sickerwasserfeldes und der Verteilung der Oberflächensenkung, Speichern des Arrays aller aktuellen Vorhersageergebnisse, mit der Zunahme der Feldvermessungsinformationen, und Aktualisieren der Vorhersageergebnisse des Grundwasser-Sickerwasserfeldes und der Verteilung der Oberflächensenkung in Echtzeit:

S62: Standardisierung der gesammelten Vermessungsdaten von 502946 Oberflächensenkungen, Einführung von Langzeit- und Kurzzeitspeichernetzen, und Verwendung der Vorhersageinformationen der Oberflächensenkungen und des Grundwasser-Sickerwasserfeldes in S5, um das Vorhersagemodell der Verteilung der Oberflächensenkungen im Prozess der Entwässerung von Kulturstätten zu trainieren, und Iterationsschleife und Berechnung der logarithmischen Verlustfunktion der mehrfachen Klassifizierung:

Lan. = Sn, ; My oo wobei LmL die Verlustfunktion, mye die Gesamtzahl der vorhergesagten Proben, mmu die Anzahl der Klassen und m die Klassifizierung darstellt; wenn die i-te Probe zur Klasse j gehört, m=1l; Pj; steht für die Wahrscheinlichkeit, dass das Vorhersageergebnis der i-ten Probe zur Klasse j gehôrt, und log ist der natürliche Logarithmus; durch die Zirkulationseinheit, Erstellen des neuronalen Netzwerkes fiir die Beziehung der großen Entfernungen und Zeitreihen zwischen der Oberflächenabsenkung und dem Grundwasser-Sickerwasserfeld, Unterstützung bei der Berücksichtigung der Entwässerungswirkung und Vermeidung von Schäden, verursacht durch die Oberflächensenkungen, rechtzeitiges Reparieren und Verstärken, vernünftige Organisation der Feldforschung und des Projektfortschritts, und Training des Prozesses für das Echtzeit-Vorhersagemodell des Grundwasser-Sickerwasserfeldes und der Verteilung der Oberflächensenkung in der Kulturstätte.