摘要：流量系数是堰的设计重要参数之一,该文通过神经网络模型多层感知器(MLP)和广义神经网络(GRNN)对矩形尖顶侧堰流量系数(C_(d))进行建模和预测。通过MATLAB程序语言设计两种不同的神经网络模型,再以无量纲弗劳德数(F_(r))、堰长与堰宽之比(L/b)、堰长与上游水深之比(L/h_(1))和堰高与上游水深之比(P/h_(1))作为输入参数,流量系数(C_(d))作为输出参数。研究结果表明,验证阶段决定系数R^(2)=0.938、均方根误差RMSE=0.017、散度SI=0.036和平均绝对百分比误差MAPE=0.004%的GRNN模型优于MLP和GMDH模型,96%的预测数据误差在4%以下,具有较高的准确性,可为相关研究提供有价值的参考。

摘要：为了准确高效地得出矩形侧堰流量系数(C_(d)),首先设计矩形侧堰模型试验,得出6种不同流量工况下的流量系数试验值,利用MATLAB搭建不同核函数的最小二乘支持向量机(LS-SVM)模型,将影响C_(d)的各无量纲参数作为模型输入,C_(d)作为模型输出.研究表明:LS-SVM模型可用于矩形侧堰流量系数预测,且高斯核函数优于多项式核函数和线性核函数,在测试阶段最佳模型的性能指标平均绝对误差(MAE)为0.005,均方根误差(RMSE)为0.005,决定系数(R2)为0.966,表明该模型性能较好,精度较高,预测值较准确.本文提出了一种预测侧堰泄流能力的智能模型,讨论了不同无量纲参数对该模型的影响,验证了该模型的适用性,为类似水利工程提供参考依据,同时为解决复杂水力学问题提供新思路.

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。

摘要：为了准确高效得出三角堰泄流系数的大小,本研究基于广义神经网络、最小二乘支持向量机和遗传规划对三角堰流量系数进行智能建模.将无量纲参数堰顶角、弗劳德数、堰顶长与堰高之比、堰顶长与堰顶水深之比作为模型输入参数,流量系数作为模型输出参数.研究表明,最小二乘支持向量机性能优于广义神经网络和遗传规划.在测试阶段,均方根误差为0.00073,散射指数为0.00102,决定系数为0.99959,最大误差为1.7%.该模型精度较高,预测值较准确,具有较强的工程适用性.本研究通过对三角堰流量系数进行智能建模,采用机器学习对非线性物理关系进行高精度拟合,准确高效得出三角堰流量系数的大小,可为水利水电工程设计人员和我国灌区精确量水用水提供一种新的方法和思路.