【技术实现步骤摘要】
本专利技术属于洪水预报，涉及一种基于1d-cnn算法的洪水快速演进及淹没模拟方法。
技术介绍
1、快速准确地模拟或预测洪水演进和淹没时空分布信息，是准确把握洪涝灾害影响、减轻洪涝灾害损失的重要手段，也是洪水预警预演的关键技术之一。
2、二维水动力学模型在模拟地表漫流方面有着强大的能力。通过建立研究区域的二维水动力学数值模型，利用数值求解算法求解水流的连续性方程和运动方程，计算出给定来水条件下研究区域水位、水深、流速、流向等洪水要素信息的时空变化过程，从而实现洪水演进和淹没情况的模拟及预测。然而，由于求解水流运动的相关物理方程较为复杂、计算量大，导致二维水动力学数值模型求解过程耗时通常较长，且模型计算稳定性较差，难以满足实时洪水预报的需要。
3、目前，深度学习技术因其出色的数据分析与挖掘能力以及良好的适用性被逐渐应用于水利领域，尤其近年来人工神经网络(ann)、卷积神经网络(cnn)、长短时记忆网络(lstm)等模型在水文预报、洪水淹没预测、降雨预报等方面受到广泛关注和研究。与传统的洪水预报模型相比，深度学习模型属于“黑箱”模型，通过挖掘模型输入输出数据间的复杂非线性关系并将其应用于未知样本，从而实现模拟预测的目的，具有可以快速构建的特点和模型结构相对简单、易于掌握、易推广等优点。
4、一维卷积神经网络(1d-cnn)是一种人工神经网络，常用于时间序列模型和自然语言处理等领域，具有较好的时序捕捉和特征提取分析能力。洪水演进过程可以理解为在给定来水条件下研究区域内空间分布的水深随时间的变化过程。为
技术实现思路
1、本专利技术针对现有技术在应用中存在的问题，提供了一种基于1d-cnn算法的洪水快速演进及淹没模拟方法。
2、为了达到上述目的，本专利技术采用的技术方案如下：
3、一种基于1d-cnn算法的洪水快速演进及淹没模拟方法，包括以下步骤：
4、第一步，构建研究区域二维水动力学模型，采用历史洪水率定、验证二维水动力学模型参数，具体的：
5、构建研究区域的二维水动力学模拟模型，地形网格采用非结构化三角形网格，经地形插值后生成研究区域供模型识别和计算的地形文件。选取典型历史洪水率定二维水动力学模型糙率参数，并另选取历史洪水验证模型参数及模拟精度。
6、第二步，运行经率定验证后的二维水动力学模型模拟不同历史洪水工况下洪水演进及淹没模拟过程，提取二维水动力学模型输出的淹没水深模拟结果，具体的：
7、收集整编研究区域的历史场次洪水资料，将历史场次洪水的流量过程作为二维水动力学模型的入流边界条件，驱动第一步中构建的二维水动力学模型并输出历史场次对应的洪水演进及淹没模拟结果，包括所有三角形网格的水位、水深、流向、流速等水力要素随时间变化的过程。历史场次洪水的入流边界流量过程数据和三角形网格的模拟水深变化过程数据将用于第三步中确定1d-cnn模型的输入输出结构和生成训练、验证及测试样本数据集。
8、第三步，确定1d-cnn模型的输入输出结构并生成训练、验证及测试样本集，建立基于1d-cnn算法的洪水快速演进及淹没模拟模型，用训练和验证样本集数据训练、优化模型内部权重参数，具体的：
9、3.1)1d-cnn模型输入输出结构确定
10、1d-cnn模型的输入输出数据为固定长度的向量序列数据。根据第二步中二维水动力学模型的入流边界流量序列数据和提取的三角形网格模拟水深变化过程数据定义1d-cnn模型的输入输出结构。根据二维水动力学模型的输入输出设置，设计1d-cnn模型的输入为为t时刻入流边界m的流量值，p为t时刻前序时段数；输出为outputt＝[ht1,ht2,…,hti,…,htw]，hti为t时刻网格i的水深值。
11、3.2)生成1d-cnn模型的训练、验证和测试样本集
12、根据步骤3.1)确定的1d-cnn模型输入输出结构，利用第二步中不同历史场次洪水工况下二维水动力学模型的入流边界流量序列数据和三角形网格的模拟水深变化过程序列数据，采用逐时段滑动分割的方式生成样本集。
13、将历史场次洪水过程划分为训练期和测试期，训练期洪水过程按照7:3的比例生成训练和验证样本集。训练样本用来训练1d-cnn模型权重参数，验证样本用于在训练中检验1d-cnn模型的训练效果。将测试期洪水过程生成的测试集样本，用于测试训练好的1d-cnn模型，检验并评估1d-cnn模型的预测性能。
14、3.3)1d-cnn洪水演进及淹没模拟模型的构建与训练
15、构建1d-cnn模型，包含1个输入层、6个隐藏层和1个输出层。6个隐藏层分别是：2个卷积层、1个flatten坦化层和3个dense全链接层。输入层和输出层的结构与步骤3.1)中定义的1d-cnn模型输入输出结构相对应。
16、1d-cnn深度学习模型基于历史样本数据采用优化方法确定内部权重参数。设置模型学习率、损失函数、激活函数、优化算法、batch size和epoch等超参数，在此基础上采用步骤3.2)中的训练和验证样本集训练模型权重参数。
17、第四步，测试1d-cnn模型，分析训练后的1d-cnn模型洪水演进及淹没模拟的精度及应用效果，将1d-cnn模型应用于洪水预报。
18、使用步骤3.2)中测试样本集驱动步骤3.3)中训练的1d-cnn模型输出洪水演进及淹没模拟结果，并将该1d-cnn模型模拟结果与对应的二维水动力模型模拟结果对比，以二维水动力学模型的模拟结果为基准，评估分析1d-cnn洪水演进及淹没模拟模型的模拟精度及应用效果：
19、如果模拟精度及应用效果符合要求，则将该1d-cnn模型应用于洪水预报；
20、如果模拟精度及应用效果不符合要求，则返回第二步，收集更多的历史场次洪水资料后重复第二、三、四步，通过更多的历史场次洪水资料生成更多的1d-cnn模型训练样本，提高1d-cnn模型权重参数的训练程度，改善1d-cnn模型的模拟和预测精度，直至符合要求后将该1d-cnn模型应用于研究区域的洪水预报。
21、上述基于1d-cnn算法的洪水快速演进及淹没模拟方法应用于洪水预报，能够快速准确地模拟或预测出洪水的演进及淹没情况，满足实时预报的需要。
22、本专利技术的有益效果为：
23、基于传统二维水动力学模型的洪水演进及淹没模拟预测通常计算耗时长且计算不稳定，难以满足洪水实时预报的需要，本专利技术构建一维卷积神经网络(1d-cnn)深度学习模型，利用二维本文档来自技高网...
【技术保护点】
1.一种基于1D-CNN算法的洪水快速演进及淹没模拟方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于1D-CNN算法的洪水快速演进及淹没模拟方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的一种基于1D-CNN算法的洪水快速演进及淹没模拟方法，其特征在于，所述的步骤3.1中，1D-CNN模型包含1个输入层、6个隐藏层和1个输出层；6个隐藏层分别是：2个卷积层、1个Flatten坦化层和3个Dense全链接层。
4.一种权利要求1或2或3所述的基于1D-CNN算法的洪水快速演进及淹没模拟方法的应用，其特征在于，所述的洪水快速演进及淹没模拟方法应用于洪水预报，具体为河道洪水快速演进及淹没模拟预测。
【技术特征摘要】
1.一种基于1d-cnn算法的洪水快速演进及淹没模拟方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于1d-cnn算法的洪水快速演进及淹没模拟方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的一种基于1d-cnn算法的洪水快速演进及淹没模拟方法，其特征在于，所述的步骤3.1中，1d-...
【专利技术属性】
技术研发人员：吴剑，李阳，程祥吉，金思凡，孟令明，王浅宁，周之仪，彭勇，张艺佳，张弛，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。