基于LSTM-GM神经网络模型的风暴潮增水预报方法

为充分挖掘风暴潮增水的时序关联特性,提高风暴潮增水的预报精度,综合考虑台风因素、气象要素和天文潮因素对风暴潮增水的影响,结合长短期记忆(LSTM)神经网络和灰色模型(GM)的优势,提出基于LSTM-GM神经网络模型的风暴潮增水预报方法。利用该方法采用12场历史台风数据对小清河入海口风暴潮增水进行模拟预报,并将预报结果与LSTM神经网络、BP神经网络的预报结果进行对比。结果表明：相较于LSTM神经网络和BP神经网络,LSTM-GM神经网络模型的纳什效率系数分别提高了6.5%和11.4%,均方根误差分别降低了70.6%和72.2%,平均相对误差分别降低了50%和69.2%;LSTM-GM神经网络模型可有效处理风暴潮增水与各影响因素间的非线性关系,提高风暴潮增水预报的精度。     

山洪沟道防冲建筑物壅水风险评估模型及应用

为合理评价山洪沟道防冲建筑物壅水风险,基于Saint-Venant方程组和Villemonte堰流公式,构建了防冲建筑物壅水风险评估水动力模型。根据防冲建筑物的实际情况和设计要求,将防冲建筑物概化为薄壁堰。将该模型应用于防冲建筑物分布密集的宁夏北武当沟,分析评估梯级防冲坎壅水风险,并提出优化措施建议。计算结果表明:所建模型能够较精确地模拟山洪演进过程和防冲建筑物壅水风险,充分体现了防冲建筑物的阻水效果。研究成果对沟道山洪的精细仿真模拟与风险评估具有一定参考价值。