基于人工神经网络的梯形闸门流量计算模型

doi:10.11988/ckyyb.20230491

院报 ›› 2024, Vol. 41 ›› Issue (9): 86-92.DOI: 10.11988/ckyyb.20230491

基于人工神经网络的梯形闸门流量计算模型

孟万尚¹^,²(), 赵帅杰¹^,², 李琳¹^,²()

¹ 新疆农业大学水利与土木工程学院,乌鲁木齐 830052
² 新疆水利工程安全与水灾害防治重点实验室,乌鲁木齐 830052

收稿日期:2023-05-08 修回日期:2023-07-20 出版日期:2024-09-01 发布日期:2024-09-20
通讯作者: 李琳
作者简介:
孟万尚(2000-),男,山东济宁人,硕士研究生,主要从事水工水力学研究。E-mail:mengws0209@163.com
基金资助:
新疆维吾尔自治区自然科学基金项目(2022D01A182)

Flow Calculation Model for Trapezoidal Gate Based on Artificial Neural Network

MENG Wan-shang¹^,²(), ZHAO Shuai-jie¹^,², LI Lin¹^,²()

¹ College of Hydraulic and Civil Engineering, Xinjiang Agricultural University, Urumqi 830052, China
² Xinjiang Key Laboratory of Hydraulic Engineering Security and Water Disasters Prevention,Urumqi 830052,China

Received:2023-05-08 Revised:2023-07-20 Published:2024-09-01 Online:2024-09-20
Contact: LI Lin

摘要/Abstract

摘要：

对新型平板闸门——梯形闸门自由出流和淹没出流的过闸流量进行计算。基于反向传播(BP)神经网络和径向基函数(RBF)神经网络建立了多变量、多组合单输出的流量计算模型,模型输入变量为边坡系数、闸门开度、闸前总水头、水力半径、闸后收缩水深、下游渠道水深,输出变量为实测流量,利用试验实测数据集对模型进行训练和检验,充分验证后发现2种人工神经网络模型的预测效果良好。人工神经网络模型在梯形闸门自由出流和淹没出流的流量计算上适应性好、预测精度高,对灌区各级渠系上设置的梯形闸门过闸流量可以进行精确预测,实现精准控流。

关键词: 梯形闸门, 自由出流, 淹没出流, BP神经网络, RBF神经网络, 流量预测

Abstract:

This study introduces an approach for calculating the free flow and submerged flow through flat-trapezoidal gate. The flow calculation model was established based on BP (Back Propagation) neural network and RBF (Radial Basis Function) neural network, with multiple variables and combinations as well as single output. The input variables for the model included slope coefficient, gate opening, total head in front of the gate, hydraulic radius, contraction depth behind the gate, and downstream channel water depth. The output variable was measured flow rate. The model was trained and tested using experimental data, and extensive validation confirmed that both BP and RBF artificial neural network models demonstrated strong predictive performance. These models exhibited excellent adaptability and high accuracy in predicting flow rates for trapezoidal gates in canal systems in irrigation areas, thereby enabling precise flow control.

Key words: trapezoidal gate, free discharge, submerged discharge, BP neural network, RBF neural network, flow prediction

中图分类号:

TV131水力理论、计算、实验

孟万尚, 赵帅杰, 李琳. 基于人工神经网络的梯形闸门流量计算模型[J]. 院报, 2024, 41(9): 86-92.

MENG Wan-shang, ZHAO Shuai-jie, LI Lin. Flow Calculation Model for Trapezoidal Gate Based on Artificial Neural Network[J]. Journal of Yangtze River Scientific Research Institute, 2024, 41(9): 86-92.

工况	2个变量	3个变量	4个变量	5个变量
自由出流	1-2,1-3,1-4, 2-3,2-4,3-4	1-2-3,1-2-4, 1-3-4,2-3-4	1-2-3-4
淹没出流	1-2,1-3,1-5, 1-6,2-3,2-5, 2-6,3-5,3-6, 5-6	1-2-3,1-2-5, 1-2-6,1-3-5, 1-3-6,1-5-6, 2-3-5,2-3-6, 2-5-6,3-5-6	1-2-3-5, 1-2-3-6, 1-2-5-6, 1-3-5-6, 2-3-5-6	1-2-3-5-6

工况	2个变量	3个变量	4个变量	5个变量
自由出流	1-2,1-3,1-4, 2-3,2-4,3-4	1-2-3,1-2-4, 1-3-4,2-3-4	1-2-3-4
淹没出流	1-2,1-3,1-5, 1-6,2-3,2-5, 2-6,3-5,3-6, 5-6	1-2-3,1-2-5, 1-2-6,1-3-5, 1-3-6,1-5-6, 2-3-5,2-3-6, 2-5-6,3-5-6	1-2-3-5, 1-2-3-6, 1-2-5-6, 1-3-5-6, 2-3-5-6	1-2-3-5-6

神经网络模型	组合方式	组合数据	训练集误差/%	测试集误差/%
BP神经网络	2个变量组合	1-2	27.64	28.58
		1-3	30.66	39.34
		1-4	23.57	25.35
		2-3	7.28	8.06
		2-4	24.34	20.88
		3-4	3.35	3.68
	3个变量组合	1-2-3	4.71	5.68
		1-2-4	8.06	12.85
		1-3-4	2.21	2.34
		2-3-4	2.14	2.28
RBF神经网络	2个变量组合	1-2	27.16	28.14
		1-3	52.93	36.52
		1-4	23.64	25.48
		2-3	6.87	8.09
		2-4	24.14	20.95
		3-4	2.78	4.34
	3个变量组合	1-2-3	2.00	4.02
		1-2-4	10.85	12.91
		1-3-4	2.47	4.25
		2-3-4	2.10	3.18

神经网络模型	组合方式	组合数据	训练集误差/%	测试集误差/%
BP神经网络	2个变量组合	1-2	27.64	28.58
		1-3	30.66	39.34
		1-4	23.57	25.35
		2-3	7.28	8.06
		2-4	24.34	20.88
		3-4	3.35	3.68
	3个变量组合	1-2-3	4.71	5.68
		1-2-4	8.06	12.85
		1-3-4	2.21	2.34
		2-3-4	2.14	2.28
RBF神经网络	2个变量组合	1-2	27.16	28.14
		1-3	52.93	36.52
		1-4	23.64	25.48
		2-3	6.87	8.09
		2-4	24.14	20.95
		3-4	2.78	4.34
	3个变量组合	1-2-3	2.00	4.02
		1-2-4	10.85	12.91
		1-3-4	2.47	4.25
		2-3-4	2.10	3.18

神经网络模型	组合方式	组合数据	训练集误差/%	测试集误差/%
BP神经网络	2个变量组合	1-2	14.15	15.28
		1-3	26.44	23.28
		1-5	27.49	23.61
		1-6	23.90	22.25
		2-3	9.70	12.52
		2-5	14.25	16.10
		2-6	10.59	14.20
		3-5	22.33	20.54
		3-6	22.81	21.25
		5-6	21.86	19.56
	3个变量组合	1-2-3	9.82	20.46
		1-2-5	14.78	16.26
		1-2-6	10.48	13.59
		1-3-5	21.27	22.82
		1-3-6	22.66	33.88
		1-5-6	21.22	18.59
		2-3-5	4.58	5.30
		2-3-6	7.86	8.56
		2-5-6	2.89	3.93
		3-5-6	17.69	17.49
	4个变量组合	1-2-3-5	2.28	2.26
		1-2-3-6	7.59	25.50
		1-2-5-6	3.59	4.14
		1-3-5-6	20.05	31.33
		2-3-5-6	1.71	2.04
RBF神经网络	2个变量组合	1-2	14.10	15.60
		1-3	35.60	24.12
		1-5	27.72	22.12
		1-6	29.33	21.40
		2-3	10.65	11.19
		2-5	14.07	16.12
		2-6	10.89	13.47
		3-5	23.11	23.53
		3-6	38.61	21.19
		5-6	27.61	20.48
	3个变量组合	1-2-3	10.37	11.85
		1-2-5	13.78	16.20
		1-2-6	10.76	13.44
		1-3-5	22.47	25.49
		1-3-6	29.90	26.33
		1-5-6	29.84	20.28
		2-3-5	5.41	6.68
		2-3-6	8.46	8.89
		2-5-6	3.94	4.49
		3-5-6	33.51	21.37
	4个变量组合	1-2-3-5	2.35	3.38
		1-2-3-6	7.52	8.51
		1-2-5-6	3.83	4.77
		1-3-5-6	22.04	46.55
		2-3-5-6	1.56	2.06

基于人工神经网络的梯形闸门流量计算模型

Flow Calculation Model for Trapezoidal Gate Based on Artificial Neural Network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

相关文章 15

编辑推荐

Metrics

本文评价

出流方式	神经网络模型	R	RMSE/(m³·s^-1)	MAPE/%
自由出流	BP	0.999 1	1.60×10^-4	1.76
自由出流	RBF	0.998 6	2.03×10^-4	3.23
淹没出流	BP	0.996 1	2.43×10^-4	2.15
淹没出流	RBF	0.994 7	2.83×10^-4	2.19

[1]	张岩, 刘嘉昊, 吕园, 李志豪, 张燕楠, 李昇, 陈撰文. 不同石粉参数对混凝土力学性能的影响[J]. 院报, 2023, 40(3): 166-173.
[2]	李庆文, 曹行, 杨露, 王学志, 刘华新. 钢-聚乙烯醇混杂纤维对自密实混凝土梁抗剪性能的影响[J]. 院报, 2022, 39(10): 121-127.
[3]	郭振天, 黄峰, 郭利丹, 吴瑶. 鄱阳湖水文情势演变原因及对策[J]. 院报, 2021, 38(6): 27-31.
[4]	邢岳, 田正宏, 杜辉. 碾压混凝土坝层间结合质量智能评价方法[J]. 院报, 2020, 37(8): 142-149.
[5]	赵力学, 黄解军, 程学军, 申邵洪, 袁艳斌. 基于VMD-BP模型的河流流量预测方法[J]. 院报, 2020, 37(7): 47-52.
[6]	肖潇, 徐坚, 赵登忠, 程学军, 李国忠, 赵保成, 徐健. 基于高光谱数据的汉江中下游典型河段水体悬浮物遥感反演[J]. 院报, 2020, 37(11): 141-148.
[7]	晏红波,周斌,卢献健,刘海锋. 基于EEMD-GA-BP模型的大坝变形监测数据预测[J]. 院报, 2019, 36(9): 58-63.
[8]	董丹丹, 祖安君, 孙雪莲. 基于GACO-BP-MC的大坝变形监控模型[J]. 院报, 2019, 36(7): 48-54.
[9]	饶云康,丁瑜,许文年,张亮,张恒,潘波. 应用GA-BP神经网络预估砾类土的最大干密度[J]. 院报, 2019, 36(4): 88-92.
[10]	郭怡, 吴鑫淼, 郄志红, 冉彦立. 基于BP神经网络的MIKE SHE模型参数率定[J]. 院报, 2019, 36(3): 26-30.
[11]	贺华刚. 运营公路隧道的变形机理分析及危险性评价[J]. 院报, 2019, 36(12): 36-42.
[12]	王飞. 基于数量化理论Ⅲ的地铁深基坑变形影响因素分析[J]. 院报, 2019, 36(11): 110-114.
[13]	王小兵, 夏晓舟, 章青. 基于正交试验和神经网络的堤防边坡抗滑稳定可靠度研究[J]. 院报, 2019, 36(10): 89-93.
[14]	冉曦,顾盼,连雷雷,左建,邱瑞明. 采煤和岩溶水开采对晋祠泉出流影响的随机模型分析[J]. 院报, 2018, 35(6): 154-158.
[15]	沈晶鑫, 房彬, 郑东健, 郭芝韵, 李丹. 基于AdaBoost集成的WPSO-RBF大坝变形监控模型[J]. 院报, 2018, 35(5): 57-62.