共查询到20条相似文献,搜索用时 156 毫秒
1.
深泓线演变规律对于研究河势与河床地貌的变化具有重要意义。为探明三峡水库蓄水后水沙条件改变对下游城陵矶-汉口河段(城汉河段)深泓线演变的影响,基于1998~2017年城汉河段实测深泓线高程资料,对比分析了此期间深泓线高程和空间分布模式的变化,及其与水沙条件的关系。结果表明:三峡水库蓄水前深泓线总体上冲淤平衡,蓄水后的2003~2008年间河道深泓线剧烈冲刷下切,2008年后冲刷态势有所放缓,且不同高程深泓点分布的多样性增大;蓄水后深泓线的冲刷下切也导致与之相关的聚集性地貌单元的平均间距由30 km左右大幅缩短为20 km;河道水沙条件对深泓线演变相对贡献率高达88.9%,三峡水库蓄水引起的河道汛期水流冲刷强度增大是引起深泓冲刷下切的最主要原因。 相似文献
2.
冲积河流深泓线的演变对河流河势、河床地貌具有重要意义。为探明小浪底水库建成后来水来沙条件改变对黄河下游河道深泓线演变的影响,基于2002—2014年花园口、孙口和泺口断面汛后实测地形资料,对比分析黄河下游深泓线位置的变化趋势及其与来沙系数的关系。结果表明:2002—2014年花园口断面深泓迁移强度最大,孙口次之,泺口最小;随着花园口来沙系数的增大,花园口、孙口和泺口断面深泓迁移强度均表现出先减小后增大的趋势,转折点出现在来沙系数为0.004~0.006时,而3个断面中花园口深泓迁移强度对来沙系数的变化最为敏感,且洪季来沙系数变化对深泓迁移强度变化起主导作用。小浪底水库的蓄水拦沙作用使得黄河下游来沙系数减小,改变了主河槽淤积萎缩的演变趋势,同时也有利于河道主流的稳定。 相似文献
3.
4.
珠江河口咸潮预报是制定抵御咸潮应急措施预案和珠江流域水资源管理坚强的技术支撑.对该预报模型的研究具有十分重要的现实意义。根据咸潮活动与上游径流大小、外海潮汐存在明显的非线性关系特性.采用非线性映射能力很强的BP神经网络对成潮进行预报,通过实际数据检验.该模型预报精度较高。 相似文献
5.
大坝神经网络预报模型与大坝回归预报模型的比较 总被引:1,自引:0,他引:1
了更好地应用BP神经网络预报模型和回归预报模型,通过实例从模型原理、模型建立和模型应用三方面对两种预报模型进行了比较。在模型应用方面,主要从因子相关性、资料系列的长短、自变量因子的不同组合等角度对两种模型的影响进行了分析。结果证明:BP模型在大坝监测值预报中是一种性能优异的模型。当需对大坝的监测数据作分解和解释时,则适宜采用统计回归模型。 相似文献
6.
7.
8.
余开华 《水资源与水工程学报》2013,24(2):204-208
鉴于BP神经网络学习收敛速度慢、参数选择困难、易陷入局部极值等缺点,提出小波神经网络河道流量水位预测模型,以盘龙河天保站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建传统BP、GA-BP神经网络河道流量水位预测模型作为对比预测模型。结果表明:小波神经网络结合了神经网络与小波分解在函数逼近上的优点,其预测精度高于传统BP和GA-BP网络模型,表明小波神经网络用于河道流量水位预测是合理可行和有效的,可为水文预测预报提供新的途径和方法。且小波神经网络模型具有计算简便、逼近能力强、收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。 相似文献
9.
改进的BP神经网络模型在大坝安全监测预报中的应用 总被引:9,自引:0,他引:9
针对BP神经网络模型存在的缺陷进行了改进 ,并将改进的BP模型应用于大坝安全监测中效应量的预报。示例证明 ,改进的BP神经网络模型与常规BP神经网络模型及回归统计模型比较具有明显的优越性 相似文献
10.
根据丰满水库的流域特性,尝试使用BP神经网络模型进行洪水预报。针对随机生成网络权重的盲目性,采用遗传算法进行初始权重优化。通过历史洪水检验,证实此模型在丰满水库的洪水预报中有很高的预报精度和应用价值。 相似文献
11.
高精度的水位预测能为防洪决策、水资源管理等提供重要的调度依据,减少洪旱灾害损失。为提高预报精度,提出一种基于小波分析的NARX神经网络模型(DWT-NARX),综合考虑洪泽湖入湖流量、出湖流量、周边用水、前期水位等因素,对洪泽湖日水位进行预报,并与BP神经网络、NARX神经网络模型进行比较。结果表明,三种模型在短历时预报中均取得了较好的模拟预测效果。当预见期为1或2天时,Nash-Sutcliffe效率系数均大于0.9,合格率大于85%;当预见期超过3d,NARX模型在水位变幅较大的时段预测结果变差,BP模型出现严重的震荡现象,NARX和DWT-NARX模型结果均优于BP神经网络,DWT-NARX在整体上结果最优。研究成果可为洪泽湖的水位预报提供一定的参考价值。 相似文献
12.
基于免疫进化算法的BP网络模型在径流预测中的应用 总被引:3,自引:0,他引:3
在BP网络模型基础上,引入免疫进化算法,建立了基于免疫进化算法的BP网络模型。该模型在一定范围内随机生成初始权值群体,用BP网络进行训练,选择群体中具有最大适应度值的权值个体作为最优个体,应用免疫进化算法生成下一代权值群体,再用BP网络对权值群体进行训练,此迭代过程反复进行,直至达到问题求解精度要求为止。将该模型应用于新疆伊犁河雅马渡站的径流预测,并将预测结果与基本BP网络模型和基于遗传算法的模糊优选BP网络模型的预测结果进行比较,结果表明,该模型不仅精度较高,而且稳定性较好。 相似文献
13.
利用BP人工神经网络技术,以主要分潮为输入,在合理选择各参数的基础上,通过BP网络模型确定与各分潮调和常数相关的权值,建立起以短期潮水位资料为基础的潮水位预报模型.并利用该模型对珠江口磨刀门水道的大横琴站的潮位进行预报.结果表明,只要资料时间超过15d就可以很好地预报较长时间的潮位. 相似文献
14.
本文结合混沌理论、小波分解与重构,以及径向基函数(RBF)神经网络的优点,提出了一种基于混沌的大坝监测序列小波RBF神经网络预测模型。该模型主要利用小波分析将大坝监测序列分解为趋势项和细节时间序列,并利用RBF神经网络和基于RBF神经网络的混沌理论对两种时间序列进行预测,最后通过小波重构得到预测值。实例分析表明,本模型能够克服监测序列中的噪声干扰,反映大坝监测序列的多尺度特性,对监测数据的预测精度较高,可应用于实际工程。 相似文献
15.
16.
基于不同输入层的BP人工神经网络径流模拟研究 总被引:1,自引:0,他引:1
为定量研究BP人工神经网络不同输入层对径流模拟的影响,以滨江流域8个雨量监测站长系列逐日降水径流资料为基础,对比分析原始降水、算术平均降水、复合前期径流降水、流域面积加权降水和复合径流面积加权降水作为输入层时,BP人工神经网络月径流量模拟的结果差异。研究表明:采用流域面积加权降水模拟的径流量,具有最优相关系数和确定性系数,以原始降水作为输入层所得结果相对误差最小,由算术平均降水模拟出的结果分布最集中,网络模拟效果稳定。复合输入层的模拟精度相对较高,但输入层并非越复杂越好,基于面积加权降水得出的模拟径流量综合评价最高。 相似文献
17.
18.
This paper describes the prediction of flux behavior in an ultrafiltration (UF) membrane system using a Kalman neuro training (KNT) network model. The experimental data was obtained from operating a pilot plant of hollow fiber UF membrane with groundwater for 7 months. The network was trained using operating conditions such as inlet pressure, filtration duration, and feed water quality parameters including turbidity, temperature and UV254. Pre-processing of raw data allowed the normalized input data to be used in sigmoid activation functions. A neural network architecture was structured by modifying the number of hidden layers, neurons and learning iterations. The structure of KNT-neural network with 3 layers and 5 neurons allowed a good prediction of permeate flux by 0.997 of correlation coefficient during the learning phase. Also the validity of the designed model was evaluated with other experimental data not used during the training phase and nonlinear flux behavior was accurately estimated with 0.999 of correlation coefficient and a lower error of prediction in the testing phase. This good flux prediction can provide preliminary criteria in membrane design and set up the proper cleaning cycle in membrane operation. The KNT-artificial neural network is also expected to predict the variation of transmembrane pressure during filtration cycles and can be applied to automation and control of full scale treatment plants. 相似文献
19.
20.