基于人工神经网络的洪水推流计算方法

天然河道洪水期的水位流量关系，因受洪水涨落率和回水预托等多种因素的综合影响，一般为复杂的非线性绳套曲线。洪水流量过程资料往往依赖大量实测流量资料，根据人脑的定性判断和经验手工绘制水位（或时间）与流量的时序型曲线后由水位过程（或时间）内插求得。本文运用人工神经网络反向传播ＢＰ模型，引入与流量变化密切相关的水位、涨落率、落差等因子建立多因素相关的人工神经网络推流模型。实例应用结果表明该模型的拟合能力强     

人工神经网络在水质预测中的应用研究

选取水质指标之一的溶解氧DO作为测算因素,研究了人工神经网络的BP法、bpx法、L-M法3种不同学习算法在水质预测中的应用。研究结果表明:3种不同学习算法的预测效果均较理想,其中以L-M法预测结果最为精确,人工神经网络在水质预测方面有着良好的应用前景和推广价值。     

基于人工神经网络模型的地下水水位动态变化模拟

地下水水位的预测在流域地表水和地下水资源的综合规划管理中起着非常重要的作用。在该研究中,人工神经网络模型被应用于希尼尔水库周边地下水水位的预测中。采用研究区6口地下水观测井资料,用人工神经网络模型进行模拟预测1周后的地下水水位。模型输入因子包括此前1周蒸发量、水库水位、排渠水位、抽水量和观测井地下水位,因此模型有15个输入节点和6个输出节点。将3种不同的神经网络训练算法,即自适应学习速率动量梯度下降反向传播算法(GDX)、LM算法和贝叶斯正则化算法(BR)用于地下水水位预测,并对模拟结果进行了评估。结果表明:3种神经网络训练算法在研究区地下水水位预测中表现均较好。然而,BR算法的性能总体略优于GDX和LM算法。将BR算法训练的人工神经网络模型用于预测研究区未来2、3和4周的地下水水位,虽然地下水位预测的准确性随着时间的增加有所降低,但模拟效果仍然较好。     

基于人工神经网络的地下水封洞库涌水量预测

地下水封洞库涌水量是评价工程质量的一个重要指标,目前工程中主要采用基于等效连续介质模型的各种方法进行预测分析,其预测值与实测值均存在明显的误差,难以满足实际工程需要。为提高水封洞库涌水量预测的准确性,在对影响涌水量的各种因素分析的基础上,利用人工神经网络（ＡＮＮ）所具有的较强非线性映射能力和学习功能,建立水封洞库涌水量预测的非线性神经网络预测模型,并以国内已建的几个工程实测数据为训练样本。所建网络模型计算结果表明,采用ＡＮＮ方法,预测分析简单快捷高效且预测精度高,具有良好的泛化性能,特别是预测过程中不再涉及复杂的理论模型和诸多难以确定的地质参数,是解决地下水封洞库涌水量预测的一种有效的方法。     

基于人工神经网络的水轮发电机组振动预测研究

为了解决目前水轮发电机组状态监测过程中振动报警数值设置单一,不能满足实际运行的问题,根据三峡电站升水位试验数据,提出了基于BP算法的水轮发电机组监测部件振动人工神经网络预测模型,并给出了具体算法。研究表明,由于建立在翔实的数据基础之上,该模型能够有效预测水轮发电机组监测部件的振动,通过设置合理的报警阈值空间,能够有效地减少机组误报警,提高报警的有效性。     

流域年均含沙量的人工神经网络模型

本文引入人工神经网络BP网络模型对流域产沙进行了定量研究。针对小流域的土壤、地质、地貌在一定的时间范围内具有相当稳定的特性，选取采伐面积、采伐量、降雨量和年均径流量这四个代表植被、气候的主要因子对流域年均含沙量进行了建模预测。建模结果表明采伐面积、采伐量对流域产沙具有较强的延迟效应，得出的BP网络模型不仅拟合精度高，而且预测效果好。这为泥沙方面的定量研究提供了一条新的途径。     

地下工程中基于人工神经网络的岩爆预测

研究地下工程岩爆等非稳定性问题，目的在于对这种非稳定性问题进行预测。以便提前采取积极的措施．预防安全事故的发生。岩爆是在引起岩爆发生的内、外因素共同作用下的一种动力失稳现象。只有在具有发生岩爆固有属性的岩体中，同时又具备使该岩体发生岩爆的外部必要条件，岩爆才会发生。岩爆形成的内、外条件组合一起，形成了岩爆预测的充分必要条件，通过收集国内外多个地下工程实际岩爆资料。分析了影响岩爆发生的主要因素，运用人工神经网络方法，建立了岩爆预测的人工神经网络模型，并根据某地下工程的实测参数，验证了预测模型的可靠性。结果表明，所建立的模型具有较高的预测精度。     

基于改进EMD-LSTM的洪水预测方法研究

文章针对当前洪水预测中存在的预测精确度低、可信度差和高延时等问题,结合经验模态分解(Empirical Mode Decomposition,EMD),长短时记忆神经网络(Long Short-term Memory Networks,LSTM),提出一种基于EMD的深度学习模型(EMD-LSTM).该模型首先利用极限...     

基于人工神经网络模型的井灌水稻需水量预测

水稻需水量仿真与预测是制定优化灌溉制度的重要依据。应用人工神经网络技术（BP－ANN）处理需求量时间序列，通过自相关分析，确定网络结构，建立了井灌水稻需水量的人工神经网络模型，解决了需水量序列内部及其外部诸多影响因素之间的不确定关系，预测精度较高，可在灌区决策管理中应用。     

基于人工神经网络的大坝位移预测

大坝安全监控中,坝体位移预测以往用回归方法,很难描述位移与诸多影响位移的物理量间的复杂关系。采用人工神经网络方法,对大坝位移进行预测。实例表明,此法比较适用,结果良好。     

清徐化工新材料园区项目对晋祠泉域水环境影响分析

在泉域内建设大型煤化工项目将不可避免的对泉域水环境产生影响。文中以晋祠泉域内的清徐化工新材料园区项目为例,简要介绍了项目水文地质概况,论述了项目在建设和运行过程中可能对晋祠泉域水环境产生的影响以及相应的防治措施并提出了应急措施。     

采煤和岩溶水开采对晋祠泉出流影响的随机模型分析

以晋祠泉域为例,在泉域驱动因素的基础上,将泉域岩溶水系统概化为一个多输入-双输出的系统,输入项为当年及前7 a的降水、岩溶水开采量和采煤排水量;输出项为晋祠泉总排泄量,即出流量和侧排量。然后采用多元线性回归和BP神经网络2种随机模型,建立泉域各输出项与各输入项的关系,再假定无岩溶水开采和无采煤排水2种情景,在这2种情景下模拟泉域的排泄量,对比分析采煤和岩溶水开采对晋祠泉出流量的影响。研究结果表明采用多元线性回归模型,在1956—1994年多年平均条件下,岩溶水开采后晋祠泉排泄量减少0.42 m³/s,采煤排水后出流量减少0.23 m³/s,人类开采使总排泄量减少0.65 m³/s;采用BP神经网络模型,1956—1994年多年平均条件下,岩溶水开采后泉域排泄量减少0.30 m³/s,采煤排水后出流量减少0.27 m³/s,人类开采使总排泄量减少0.65 m³/s。20世纪80年代后采煤活动加剧,2种随机模型均反映出采煤排水对泉域有严重的影响。     

Simulation of Nonstationary Spring Discharge Using Time Series Models

We present a detailed analysis and comparison of two time series models, i.e., ARIMA and ARIMA-GARCH, to simulate the discharge of a karst spring (Niangziguan Springs (NS) complex) in the northern China. Statistical tests for the residuals are applied to examine the reasonability of the models. Statistically, both models are reasonably good to simulate the mean value of the discharge of the NS complex. The statistical test shows that the residual discharge data have conditional time-varying variance and volatility clustering, known as heteroscedasticity of the data. Calibration test shows that the ARIMA-GARCH model gives a varying confidence interval, which can more effectively capture the heteroscedasticity of the data, comparing with a constant confidence interval in the ARIMA model. In the validation and application process, we applied two approaches to simulate the discharge data: (1) fixed models, and (2) evolving models. The confidence interval width monotonically increases in both fixed models, and the fixed ARIMA-GARCH model has faster increasing confidence interval width than the fixed ARIMA model. This suggests that the fixed time series models are only suitable for short-term prediction. However, we found that this drawback can be compensated by updating the model once new data become available. Our evolving models show more reasonable confidence interval width for both models. In addition, the application shows that the ARIMA-GARCH model is very sensitive to the data fluctuation. We also found the evolving ARIMA-GARCH model was able to return to the narrow confidence interval width once the fluctuation diminished. Hence, we conclude that the ARIMA-GARCH model is more suitable for the sequences with strong heteroscedasticity.     

太原市晋祠泉域生态环境特征分析

山西太原市晋祠泉是华北有名的岩溶大泉,近年来泉水流量一直呈衰减趋势甚至断流,恢复和保护晋祠泉水的昔日风貌让名泉复流,深化对泉域的研究在全省的水资源战略格局中至关重要。文中从水土保持的角度研究了晋祠泉域的自然地理与水资源系统环境特征。泉域内有土石山区、黄土丘陵沟壑区、黄土丘陵阶地区三种地貌类型;土地利用布局不合理,水土流失严重,土壤侵蚀模数500～7 000 t/(km.2a);降水是泉水流量变化的主要影响因素,1974年之后,降水量与汾河渗漏量的逐年减少、岩溶地下水开采逐年增加以及补给区水土流失成为导致晋祠泉水流量衰减的综合因素;结合晋祠泉岩溶水介质系统构造发育,研究了晋祠泉水资源系统结构特征与泉水补给区域特点,泉水的补给主要依靠灰岩裸露区接受大气降水和河流渗漏。对晋祠而言,汾河水在深水位灰岩区的渗漏则不容忽视,这种补给更可能占主要地位。     

大伙房水库水位动态模拟实现

介绍了大伙房水库的概况,根据水库现有自动化系统的实现方式和水库的调度原则及调度过程,模拟水库水位动态变化过程,在实现水位动态显示时,设定水库的安全警戒水位,能够直观显示水位的变化情况,保证水位控制在汛限水位之下,并将该结果和水库的调度系统有机的结合应用,具有实际应用意义。     

基于修正PI模型的晋祠泉域岩溶水脆弱性评价

为有效管理和应用晋祠泉域岩溶地下水资源,需要确定晋祠泉域岩溶地下水保护带。根据晋祠泉域水文地质条件及岩溶地下水特征,在PI评价模型的基础上,增加煤层开采S和人工排泄Ad两个影响因子,构建PISAd指标体系,应用CIM-AHP评价体系,基于GIS技术,对晋祠泉域岩溶地下水脆弱性进行评价。结果表明:晋祠泉域岩溶地下水脆弱性分区面积比例由大到小依次为高脆弱区38.3%、较高脆弱区26.8%、中等脆弱区18.0%、较低脆弱区9.8%和低脆弱区7.1%。高脆弱区主要集中在灰岩裸露区、汾河渗漏段以及煤层带压开采区。     

Artificial Neural Network (ANN) Based Modeling for Karstic Groundwater Level Simulation

A relatively new method of addressing different hydrological problems is the use of artificial neural networks (ANN). In groundwater management ANNs are usually used to predict the hydraulic head at a well location. ANNs can prove to be very useful because, unlike numerical groundwater models, they are very easy to implement in karstic regions without the need of explicit knowledge of the exact flow conduit geometry and they avoid the creation of extremely complex models in the rare cases when all the necessary information is available. With hydrological parameters like rainfall and temperature, as well as with hydrogeological parameters like pumping rates from nearby wells as input, the ANN applies a black box approach and yields the simulated hydraulic head. During the calibration process the network is trained using a set of available field data and its performance is evaluated with a different set. Available measured data from Edward??s aquifer in Texas, USA are used in this work to train and evaluate the proposed ANN. The Edwards Aquifer is a unique groundwater system and one of the most prolific artesian aquifers in the world. The present work focuses on simulation of hydraulic head change at an observation well in the area. The adopted ANN is a classic fully connected multilayer perceptron, with two hidden layers. All input parameters are directly or indirectly connected to the aquatic equilibrium and the ANN is treated as a sophisticated analogue to empirical models of the past. A correlation analysis of the measured data is used to determine the time lag between the current day and the day used for input of the measured rainfall levels. After the calibration process the testing data were used in order to check the ability of the ANN to interpolate or extrapolate in other regions, not used in the training procedure. The results show that there is a need for exact knowledge of pumping from each well in karstic aquifers as it is difficult to simulate the sudden drops and rises, which in this case can be more than 6 ft (approx. 2 m). That aside, the ANN is still a useful way to simulate karstic aquifers that are difficult to be simulated by numerical groundwater models.     

库水位变化对边坡稳定性影响的有限元模拟

在假定坡体孔隙水水位为水平线且不考虑渗透作用影响的基础上,基于强度折减有限元法分析了水位上升及下降速度对边坡稳定性的影响。对比计算表明,在库水位骤降或陡升条件下,相同库水位对应的边坡安全系数基本上均小于库水位缓慢变化情况下的安全系数。故在实际工程中,无论是排水还是蓄水,都应尽量保持水位缓慢变化,以使边坡处于相对较安全的状态。     

基于人工神经网络的泾河陕西段氮组分模拟

应用BP人工神经网络模型模拟泾河陕西段氮营养物质NH+4-N、NO-3-N、TN的浓度变化,通过模拟水质参数相关性分析和河流机理性水质模型分析,确定模型的输入因子,从而构建不同结构的BP人工神经网络模型。以实测的月水文、水质、降水量资料进行模型的训练和检验,结果表明:对NO-3-N和TN的模拟结果精度较高,不同结构的模拟结果相对误差在18%以内;对NH+4-N的模拟结果相对误差大,NH+4-N主要来源于点源排放,年内不稳定排放是模型模拟误差大的主要原因;单参数输出结构的网络模拟结果优于三参数输出结构的,单隐含层结构的BP网络模拟结果要比多隐含层结构的模拟结果更精确。