摘要：为了实现灌区精确量水、准确率定闸门流量系数,该研究针对弧形闸门泄流特性,采用支持向量机(support vector machine,SVM)、广义回归神经网络(generalized regression neural network,GRNN)、极限学习机(extreme learning machine,ELM)及核函数极限学习机(kernel extreme learning machine,KELM),对其淹没流态的泄流量进行预测,通过评价指标、目标函数(objective function,OBJ)准则和不确定分析等方法对模型性能进行综合评估。基于最优预测模型性能,引入全局敏感性分析Sobol法对无量纲参数进行量化分析,得出各参数对泄流量的重要程度,并进一步探究影响泄流的重要参数与流量系数(C_(d))之间的变化规律。结果表明:KELM模型在测试阶段决定系数R^(2)=0.972、平均绝对百分比K_(MAPE)=5.038%、均方根误差KRMSE=0.020、威尔莫特一致性指数K_(WIA)=0.993,目标函数值K_(OBJ)=0.0127,95%置信区间为[−0.04927,0.04956],与SVM、GRNN和ELM模型相比,该模型具有更高的准确性和鲁棒性,可作为弧形闸门流量校核的高效高精度模型;Sobol法全局敏感性分析表明,耳轴销高度与上游水深之比(h/Y0)、闸门半径与上游水深之比(R/Y0)、闸门宽度与上游水深之比(B/Y0)对Cd的一阶敏感性系数和全局敏感性系数分别为0.1162、0.0754、0.0752和0.5311、0.4966、0.4959,是影响Cd的主要因素,且C_(d)随h/Y0、R/Y0、B/Y0的增加而增大,在工程设计中应当重点考虑。该研究成果可进一步完善和丰富闸门淹没流态下的水力学机制,为校核闸孔流量提供方法。