基于神经网络模型的输沙过程推估

发布时间：2021-01-25 12:19

　　以皇甫川流域为研究对象,在分析区域降雨及来水量对含沙量影响的基础上,分别构建静态倒传递神经网络及动态反馈式神经网络模型推估汛期输沙过程,并对模型推估结果与误差进行对比分析。研究结果表明:动静态模型对于流域输沙过程的推估均具有良好的模拟效果,效率系数均为0.82以上,动态反馈式神经网络模型的精度略微优于静态倒传递神经网络模型;动态网络模型推估沙峰值的效果更好,更加接近于实际观测沙峰值,推估沙峰误差最小达到了2%;静态网络模型在拟合退沙阶段的效果比动态网络模型的效果好。 

【文章来源】：中国农村水利水电. 2020,(09)北大核心

【文章页数】：5 页

【部分图文】：

皇甫川流域水系

倒传递神经网络(BPNN)目前是应用最为广泛的静态神经网络模型。本文构建静态神经网络架构的隐含层层数为1层,利用试错法率定模型参数,隐含层神经元个数为5个,网络结构为4-5-1,构建输沙推估神经网络模型,见图2。采用matlab中newff函数构建BP模型,训练算法为trainlm。动态神经网络模型RNN,本文以Elman神经网络为例,隐含层层数为1层,使用试错法率定出神经元个数为3个,因其具有动态自记忆的特性,其网络架构见图3。图3 动态网络RNN模型架构

动态网络RNN模型架构

【参考文献】：
期刊论文
[1]皇甫川流域1955-2013年水沙变化趋势与周期特征[J]. 魏艳红,焦菊英.  水土保持研究. 2017(03)
[2]基于静态与动态神经网络的运河水位预报[J]. 江衍铭,郝偌楠,李楠楠,汪健.  天津大学学报(自然科学与工程技术版). 2017(03)
[3]集合神经网络的洪水预报[J]. 江衍铭,张建全,明焱.  浙江大学学报(工学版). 2016(08)
[4]皇甫川流域水沙变化及驱动因素分析[J]. 慕星,张晓明.  干旱区研究. 2013(05)
[5]基于误差修正的BP神经网络含沙量预报模型[J]. 黄清烜,梁忠民,曹炎煦,霍世青,许珂艳.  水力发电. 2013(01)
[6]登陆台风站点大风预报的人工神经网络方法[J]. 孙军波,钱燕珍,陈佩燕,郑铮,乐益龙.  气象. 2010(09)
[7]基于人工神经网络的热带气旋路径预报试验[J]. 吕庆平,罗坚,朱坤,任景鹏.  广东气象. 2009(01)
[8]黄河下游夹河滩站洪水最大含沙量预报研究[J]. 金双彦,秦毅,李雪梅,徐建华.  泥沙研究. 2008(02)
[9]基于人工神经网络的多泥沙洪水预报[J]. 苑希民,刘树坤,陈浩.  水科学进展. 1999(04)



本文编号：2999211