GOGO体育-GOGO体育官网

GOGO体育-GOGO体育官网

当前位置:主页 > 荣誉资质 > 生产基地 >

二维模型糙率参数自动率定——以海南昌化江入海口段为盘算实例【GOGO体育官网注册】

文章出处:GOGO体育官网注册 人气:发表时间:2021-08-16 11:09
本文摘要:原标题:基于BP神经网络的HEC-RAS二维模型糙率参数自动率定摘 要:水面宽阔河段、洪泛区和潮汐河口段的水文及水动力学盘算模拟多接纳二维模型,然而因模型庞大的非线性映射关系常导致参数率定效率和精度不高,甚至泛起“异参同效”问题。为此,提出一种应用BP神经网络自动率定二维模型糙率参数的方法。

GOGO体育

原标题:基于BP神经网络的HEC-RAS二维模型糙率参数自动率定摘 要:水面宽阔河段、洪泛区和潮汐河口段的水文及水动力学盘算模拟多接纳二维模型,然而因模型庞大的非线性映射关系常导致参数率定效率和精度不高,甚至泛起“异参同效”问题。为此,提出一种应用BP神经网络自动率定二维模型糙率参数的方法。

以海南昌化江入海口段为盘算实例举行数值磨练,效果讲明:编写的Python法式能够准确率定HEC-RAS二维模型实例各糙率分区的糙率参数,各糙率分区的率定糙率值均在参数取值规模内,且均在观察糙率值±0.011内,未泛起“异参同效”现象;水位率定盘算误差满足设定允许误差要求,设定允许误差0.20 m、0.15 m和0.10 m的平均率定盘算误差小于0.10 m,设定允许误差0.05 m的平均率定盘算误差靠近0 m;设定允许误差为0.15 m时,率定法式的运算效率最高。选用海南201409号台风“威马逊”时期的昌化江实测资料举行验证,证明该方法有效可靠,能够实现HEC-RAS软件二维模型糙率率定功效,可推广应用于其他模型参数率定。

关键词:糙率; 自动率定; BP神经网络; HEC-RAS; Python; 水位; 水力特性; 数值盘算;作者简介:夏铭辉(1987—),男,工程师,学士,主要从事水利工程设计及技术咨询事情。E-mail:xia_mh@aliyun.com;*秦景(1984—),男,教授级高级工程师,博士,主要从事水利工程设计、防洪减灾及水文水资源技术咨询和研究事情。E-mail:qinjing@iwhr.com;基金:国家重点研发计划(2018YFC1508203);引用:夏铭辉,秦景,牛文龙,等. 基于 BP 神经网络的 HEC-RAS 二维模型糙率参数自动率定[J]. 水利水电技术,2020,51( 5) : 38-46.XIA Minghui,Qin Jing,NIU Wenlong,et al. BP neural network-based automatic calibration of roughness parameter for HEC-RAS 2-D model[J]. Water Resources and Hydropower Engineering,2020,51( 5) : 38-46.0 引 言算法调参是数学模型参数率定问题的主要解决方式,各种算法的应用研究较多,特别是在新安江模型的算法调参应用上。

随着数值模拟技术的快速生长,集成多种数学模型的封装数值模型软件开始应用于水文、水动力和水质的盘算模拟。其中,丹麦水力学研究所的MIKE系列软件、美国国家情况掩护局的SWMM和WASP软件、美国陆军工程兵团水文工程中心HEC系列软件及中国水利水电科学研究院的IFMS/Urban应用较多。

然而,这类模型软件因其模型更庞大、参数更多,常导致调参效率和精度不高,甚至泛起“异参同效”问题。为了制止“异参同效”现象和追求更高的率定效率及精度,因封装数值模型软件不易修改源代码,部门学者针对软件和其率定参数的特性选择算法,实验从外部编程情况下举行参数率定,并取得了较好的效果。GOODELL在Excel中应用VBA编程实现HEC-RAS一维模型的挪用、运算和率定。

张质明等使用Matlab情况下Simulink工具实现应用GLUE法在WASP软件中举行多指标水质模型参数率定,并乐成应用于北运河水质模型的参数率定。郭仪等接纳BP神经网络对MIKE SHE模型举行模型参数自动率定,以丹麦Karup流域为例举行数值试验,效果讲明该方法比MIKE SHE自带的参数率定法式具有更高的准确性。但现在封装数值模型软件参数率定研究主要集中在一维模型上,二维模型的算法调参相关研究甚少。

HEC-RAS为美国陆军工程兵团水文工程中心编写的封装模型软件,具有精彩的盘算功效息争算效率,被海内外广泛应用于水文及水动力学分析,特别是洪水模拟盘算中。该软件自版本5.0.1起有二维模型盘算法式,但缺少糙率率定功效。糙率是二维模型盘算中的敏捷参数,实现糙率率定功效才气保证模型模拟的精度。

BP神经网络是一种常用的神经网络算法,多用于径流、洪水和水位等水文预报研究。该算法具有较强的非线性映射能力,在二维模型参数率定上有较好的应用前景。

本文提出一种应用BP神经网络自动率定二维模型糙率参数方法,使用BP神经网络算法较强的非线性映射能力提高参数率定的效率和精度,制止泛起“异参同效”问题。通过编写Python率定法式实现了该方法在HEC-RAS二维模型中的应用,经数值试验和案例验证,该方法具备一定的率定效率和效果,可为相关二维模型软件的算法调参提供借鉴和指导。1 方法原理1.1 HEC-RAS 二维模型基本方程本文盘算接纳HEC-RAS二维模型构建水动力模型,模型网格为对偶网格。接纳二维圣维南方程组通过半隐式有限体积法盘算求解式中,h为水深;H为水位高程;Z为河底高程。

式中,x和y为笛卡尔直角坐标系距离坐标;t为时间坐标;u和v划分为x、y偏向的流速;q为源汇向量。式中,g为重力加速度;Vt为紊动黏性系数;cf为底摩阻系数;f为柯氏系数。式中,D为无量纲常数;u*为剪力速度;R为水动力半径;n为曼宁系数;|V|为速度模向量;ω为地球角速度;φ为纬度。

1.2 BP神经网络BP神经网络的理论和性能比力成熟,具有较强的非线性映射能力和稳定的网络结构,但受限于数据类型、量级和网络设置,需要对训练样本数据举行预处置惩罚,通常是接纳归一化方法处置惩罚训练样本的量级来利于盘算收敛,并通过反归一化方法恢复盘算效果的量级。盘算水位与观察水位的差值为水位盘算误差,其单元为米。合理的糙率分区下,水位盘算误差的数值基本在[-1,1],糙率数值基本在(0,1],两者的数值量级均利于BP神经网络的盘算收敛。

本文选用水位盘算误差和糙率作为训练样本数据集,算法中不需再举行归一化和反归一化处置惩罚,制止处置惩罚中发生的误差,提高了算法的适用性和稳定性。1.3 二维模型糙率自动率定方法本文通过Python中pywin32库,查询获得HEC-RAS的COM模块,在Python中编写导入相应的COM模块,实现对HEC-RAS的挪用、改写和运算。HEC-RAS二维模型盘算效果的存储花样为HDF5,通过Python中h5py库,对HEC-RAS二维模型盘算效果举行挪用和读取。

GOGO体育官网注册

BP神经网络模型同样由Python编写实现。法式生成各糙率分区取值规模内的随机取样糙率值,并对HEC-RAS模型糙率参数举行重写。

通历程序重复修改糙率参数举行HEC-RAS模型多次数的模拟运算。法式对盘算效果数据处置惩罚,合并水位盘算误差和糙率值组成数据集。

单次迭代生成样本数为i的数据集,其中i为正整数。数据集80%的样本作为BP神经网络的建容貌本, 20%作为磨练样本。通过对样本的训练和学习,当磨练样本误差小于5%时训练完成。

使用训练后的BP神经网络模型盘算获得率定糙率参数。输入率定糙率参数并挪用HEC-RAS模型运算,运算后判断水位盘算误差是否在允许误差内,若是则率定完成并生存率定效果,若否则迭代运算增加数据集的样本数重新率定,自动率定法式的流程如图1所示。

图1 二维模型糙率自动率定流程2 数值试验2.1 盘算实例昌化江为海南省第二大河流,其干流起源于五指山北麓空禾岭,于昌化港入海,全长231.6 km。本文算例为昌化江入海口段河流,模拟规模河段内有多个急弯段,最大弯段角度为85°,上游河流宽500~750 m,向下游逐渐变宽至2 000 m,河口开阔平坦,漫衍有江心岛、沙洲和沙堤,将干流一分为三,形成三个较大的汊口,最终呈北西向网状入海。

思量其河流特性,昌化江入海口段河流的水利盘算需要接纳二维模型。使用该河段实测地形图资料用于HEC-RAS二维模型建模,生成模型地形栅格巨细为1 m×1 m,盘算河段长20.2 km,盘算面积为136.1 km2,盘算网格为 100 m×100 m,共13 604个盘算网格;模型上界限为昌化江20 a一遇洪水流量13 048 m3/s,模型下界限为潮位2.31 m;昌化江入海口河流较宽且存在3个汊口,凭据河流走势共部署10个观察点用于糙率率定,如图2所示。

图2 模型部署图3 糙率分区HEC-RAS二维模型的糙率接纳分区方式赋值。凭据现场勘探将模拟规模下垫面分为6类,划分为田地、树林、草地、河槽、卵石滩地、硬质区域。

通过GIS遥感技术剖析转化卫星图片为糙率分区图,栅格巨细为5 m×5m,配准后与模型地形相匹配。各分区取值规模参考文献选取,选用各糙率分区取值最大值和最小值的平均值作为观察糙率值,如表1所列。

表1 糙率取值2.2 糙率率定将观察糙率值输入HEC-RAS模型举行运算,选取各观察点的网格最高水位值作为水位观察值如表2所列,盘算规模水位高程漫衍如图4所示。率定法式中输入取值规模、网格编号、观察值、单次迭代样本数和允许误差举行糙率率定。

其中,单次迭代样本数为20。水利部颁布的《洪水风险图体例导则》和《洪水风险图体例技术细则》中要求水位允许误差≤0.20 m,思量差别的盘算精度需求,本文选用0.20 m、0.15 m、0.10 m、0.05 m作为设定允许误差,在率定法式中各举行10次独立的率定运算。表2 观察点网格编号和观察值图4 昌化江观察糙率值工况下水位高程漫衍3 结 果图5为差别允许误差下率定糙率值,从图5可知,差别允许误差下率定效果都较好,各糙率分区的率定糙率值均在参数取值规模内,且率定糙率值靠近于观察糙率值。

图5 差别允许误差下率定糙率值图6 差别允许误差下糙率率定误差值图6为差别允许误差下糙率率定误差值,从图6可知,各糙率分区糙率率定误差数值在(-0.011,0.011),且出现随机漫衍,与率定法式中随机取样机理保持一致。图7为差别允许误差下糙率率定绝对误差值,从图7可知,各糙率分区的平均绝对误差值均小于0.005,且各糙率分区糙率率定绝对误差受允许误差的变化影响很小。各允许误差下,糙率分区M3(树林分区)的绝对误差值的数值规模都为最大,且平均绝对误差值都为最大,说明M3的糙率率定效果劣于其他几个分区。

GOGO体育官网注册

从表1可知,糙率分区M1的参数取值规模为最小,M2的参数取值规模为最大,M1和M2的糙率率定效果均优于M3,说明糙率率定效果和参数取值规模无关;糙率分区M1的参数取值最小值为同列最小,M2的参数取值最大值和M3相同为同列最大,M1和M2的糙率率定效果均优于M3,说明糙率率定效果和参数取值最大和最小值无关;对照图3和图4可知,模拟工况下淹没规模内,M3的面积较小且主要漫衍于淹没规模的边缘地带,为M3糙率率定效果劣于其他分区的主要原因。图8为差别允许误差下各单次各观察点水位率定盘算误差值,由图8可知,允许误差0.20 m、0.15 m和0.10 m的各单次观察点水位平均率定盘算误差小于0.10 m,允许误差0.05 m的各单次观察点水位平均率定盘算误差靠近0 m。各单次率定中各观察点水位盘算误差数值规模随允许误差的减小而缩小,各单次率定中观察点水位平均盘算误差随允许误差的减小而越靠近于0。图9为差别允许误差下率定样本数和盘算时间,由图9可知,样本数和盘算时间成正比,且平均样本数宁静均盘算时间随允许误差的增大而减小。

允许误差0.20 m和0.15 m时,平均样本数靠近20,平均迭代运算次数为1.1,平均盘算时间为0.87 h。图10为差别允许误差下10次率定的平均水位绝对误差值宁静均盘算时间,对照图7、图8、图9和图10,综合思量糙率率定绝对误差值、水位率定盘算误差值、率定盘算时间、平均水位绝对误差值宁静均盘算时间,当允许误差为0.15 m时,率定法式的运算效率最高。

图7 差别允许误差下糙率率定绝对误差值 图8 差别允许误差下各单次各观察点水位率定盘算误差值图9 差别允许误差下率定样本数和盘算时间图10 差别允许误差下平均水位绝对误差值宁静均盘算时间图11 实测洪水流量历程线和潮位历程线 4 验证案例本文选用海南201409号台风“威马逊”时期的昌化江实测资料用于验证。其中,模型接纳和数值试验相同的昌化江入海口段HEC-RAS二维模型,选用表1的取值规模和观察糙率值,选用表2的观察点用于率定比对。在已建设的昌化江入海口段HEC-RAS二维模型中输入观察糙率值,模型上界限为昌化江宝桥水文站201409号台风实测洪水流量历程线,模型下界限为东方潮位观察站201409号台风实测潮位历程线,如图11所示。

模型运行后获得各观察点的观察水位历程线,其中观察点1、3、5、7、9作为率定观察点,观察点2、4、6、8、10作为验证观察点,如图12(a)所示。在率定法式中输入取值规模、网格编号、观察值、单次迭代样本数和允许误差举行糙率率定。其中,思量洪水历程线和水位历程线均为单峰曲线,提取率定观察点1、3、5、7、9的第217、325和449时刻观察水位作为观察值用于率定输入。

设置单次迭代样本数为20,允许误差为0.15 m。率定法式运行后获得率定糙率值,如表3所列,获得各观察点的率定水位历程线,如图12(b)所示。获得率定迭代次数为1,样本数为20,盘算时间为1.08 h。

图12 各观察点观察水位历程线和率定水位历程线表3 率定糙率值对照表2和表3可知,各糙率分区的率定糙率值均在参数取值规模内,且率定糙率值靠近于观察糙率值。从图12可知,率定水位历程线与率定输入的观察水位拟合水平较好,且与观察水位历程线形状和数值靠近。

图13为各观察点各时刻水位率定盘算绝对误差值,从图13可知各观察点各时刻水位率定盘算绝对误差值均小于设定允许误差,率定观察点水位率定盘算绝对误差最大值为0.11 m,验证观察点水位率定盘算绝对误差最大值为0.07 m。图13 各观察点各时刻水位率定盘算绝对误差值5 结 论(1)本文以昌化江入海口段河流作为盘算实例举行数值试验,应用BP神经网络自动率定HEC-RAS二维模型糙率参数,其他模型参数稳定,差别允许误差下多次率定均获得较好的率定效果。将海南201409号超强台风“威马逊”时期的昌化江实测资料输入率定法式举行率定,取得较好的率定效果,说明该方法能用于HEC-RAS二维模型糙率参数率定,且能满足相应规范要求。(2)各糙率分区的率定糙率值均在参数取值规模内,且靠近观察糙率值,未泛起“异参同效”现象,说明BP神经网络能够较好的映射HEC-RAS二维模型盘算效果和参数间的非线性关系,率定效果整体已能到达一定的精度。

(3)HEC-RAS二维模型各糙率分区率定效果受允许误差的变化影响很小,与其参数取值规模无关,主要取决于其在淹没规模内的面积巨细和漫衍位置。(4)合理选择模型盘算效果及参数作为神经网络训练样本数据集,并通过预处置惩罚控制其数值量级,有利于神经网络的盘算收敛和保证盘算精度。该方法可推广应用于其他模型参数率定。

水利水电技术水利部《水利水电技术》杂志是中国水利水电行业的综合性技术期刊(月刊),为全国中文焦点期刊,面向海内外公然刊行。本刊以先容我国水资源的开发、使用、治理、设置、节约和掩护,以及水利水电工程的勘察、设计、施工、运行治理和科学研究等方面的技术履历为主,同时也报道外洋的先进技术。期刊主要栏目有:水文水资源、水工修建、工程施工、工程基础、水力学、机电技术、泥沙研究、水情况与水生态、运行治理、试验研究、工程地质、金属结构、水利经济、水利计划、防汛抗旱、建设治理、新能源、都会水利、农村水利、水土保持、水库移民、水利现代化、国际水利等。


本文关键词:GOGO体育官网注册,二维,模型,糙率,参数,自动率,定,—,以,海,原

本文来源:GOGO体育-www.rcjzwh.com

同类文章排行

最新资讯文章