本发明专利技术公开了一种通过机器学习确定矩形植被堰流量的方法，对不同的矩形植被堰河道工程进行现场测量，确定矩形植被堰流量系数；确定矩形植被堰流量系数C<subgt;d</subgt;的关键影响参数；基于关键影响参数确定麻雀优化算法正则化学习机算法中的关键变量；应用于麻雀优化算法正则化学习机算法进行算法自学习，输出矩形植被堰流量系数C<subgt;d</subgt;的预测表达式；测得实际工程中矩形植被堰目标工况的参数，代入确定的矩形植被堰流量系数C<subgt;d</subgt;的预测表达式，得到实际工程矩形植被堰流量系数；求得矩形植被堰流量。本发明专利技术能够准确合理地预测矩形植被堰流量，有效地保证了水文勘测和山洪预报的准确性。
【技术实现步骤摘要】
本专利技术属于渠道流量预测领域，具体涉及一种通过机器学习确定矩形植被堰流量的方法。
技术介绍
1、在进行水文勘测和山洪预报时需要依据准确的流量估算，在人工或半自然渠道中修建堰或者拦水坝，既可用于控制渠道水量也可实现流量预测，行业内通常采用q=cdw(2g)0.5(h)1.5来计算带有堰或者拦水坝渠道的实时流量，其中w为渠道宽度、h为矩形植被堰上游的堰上水深，g为重力加速度，当给定渠道宽度时w为已知值，h为测量值，此时在矩形植被堰流量系数cd的准确计算后即可便利地测得带有堰或拦水坝渠道的实时流量。
2、然而，在河道或渠道中安装堰或拦水坝，从运行情况来看：在前期，衬砌的堰或拦水坝拥有光滑堰顶表面，堰或拦水坝的流量表达式经过率定后确实可以预测渠道流量；然而后期，堰或拦水坝的顶部受水流冲刷破损不堪，经年累月后堰顶会覆盖不同类型和不同密度的植被，那么光滑堰变为矩形植被堰，又由于堰或拦水坝的流量计算公式是在光滑堰顶条件下推导，并未考虑堰顶或坝顶植被的影响，这将导致采用的前述表达式计算的流量与实际严重不符。
3、此外，矩形植被堰流量的准确预测是一个具有挑战性的难题。从当前研究来看，矩形植被堰流量系数与很多影响因素相关，大多数研究者采用非线性拟合来进行矩形植被堰流量系数的预测，由于非线性形式需要通过不断地试错来确定，通过这种存在偶然性的确定方式决定矩形植被堰流量系数的表达形式需要耗费大量的时间和精力，并且总体预测精度也有待提高，那么如何既高效率又保证精度地确定矩形植被堰不同工况下的矩形植被堰流量系数值得研究。
>4、随着机器学习技术的快速发展，该技术可以使算法自我学习，在其他领域应用较多，但在矩形植被堰流量预测中未见相关报道。目前应用较多的技术主要包括神经网络、遗传算法、神经网络模型、极限学习机、随机森林算法等。中国专利公开号cn103840988a中公开了一种基于rbf神经网络的网络流量测量方法，该专利利用rbf神经网络进行了网络流量测量，但是其方法不能用于预测矩形植被堰流量。5、因此，如何利用机器学习技术来准确预测矩形植被堰流量是一个非常值得研究的课题，它将快速预测矩形植被堰流量，它将有效提高山洪预报和水文勘测的精度。本申请采用机器学习前沿技术“麻雀优化算法正则化学习机（ssa-relm，简称sr）”结合水力学室内试验来实现实际工程中矩形植被堰流量的预测。
技术实现思路
1、本专利技术的目的为了克服现有技术中存在的不足，本专利技术提供一种通过机器学习确定矩形植被堰流量的方法，基于麻雀优化算法正则化学习机算法，能够简便、准确和合理地预测矩形植被堰流量，有效地保证了水文勘测和山洪预报的准确性。
2、本专利技术的技术方案：一种通过机器学习确定矩形植被堰流量的方法，包括以下步骤：
3、步骤s1：对不同的矩形植被堰河道工程进行现场测量，测得渠道宽度为w，渠道内植被堰的堰顶宽度为wx、堰顶长度为l和堰顶高度为p，对给定堰顶粗糙度k，在矩形植被堰流量q条件下，对矩形植被堰上游的堰上水深h进行采集，确定矩形植被堰流量系数：cd=q/(w(2g)0.5h1.5)，g为重力加速度；
4、步骤s2：确定矩形植被堰流量系数cd的关键影响参数为：矩形植被堰上游的堰上水深h与堰顶长度l的比值，即堰顶长度相对水深h/l；矩形植被堰上游的堰上水深h与堰顶粗糙度k的比值，即无量纲粗糙度h/k；堰顶高度p与堰顶长度l的比值，即矩形植被堰高长比p/l；堰顶高度p与堰顶粗糙度k的比值，即矩形植被堰粗糙度高度比p/k；以及矩形植被堰上游佛氏数fr，表达式为fr=q/w/(h+p)/(g·(h+p))0.5，式中·为点乘；
5、步骤s3：在矩阵实验室中基于步骤s2中的关键影响参数，确定麻雀优化算法正则化学习机算法的激活函数为tanh函数，基于确定的tanh函数确定麻雀优化算法正则化学习机算法中的关键变量；
6、步骤s4：基于步骤s2中确定的矩形植被堰流量系数cd的关键影响参数结合步骤s3中的麻雀优化算法正则化学习机算法中的关键变量，应用于麻雀优化算法正则化学习机算法进行算法自学习，输出矩形植被堰流量系数cd的预测表达式；输入权重矩阵iw，输入变量矩阵y，隐藏神经元偏置矩阵b，输出权重矩阵lw；
7、步骤 s5：测得实际工程中矩形植被堰目标工况的参数为：堰顶长度相对水深h/l、无量纲粗糙度h/k、矩形植被堰高长比p/l和矩形植被堰上游佛氏数fr，代入步骤s4确定的矩形植被堰流量系数cd的预测表达式，得到实际工程矩形植被堰流量系数；测得实际工程中渠道宽度w和矩形植被堰上游的堰上水深h，即可求得矩形植被堰流量q =cdw(2g)0.5h1.5。
8、进一步的，步骤s1中对不同的矩形植被堰河道工程进行现场测量；具体为：
9、其中矩形植被堰为完全抑制状态，即堰顶宽度wx与渠道宽度w相等；矩形植被堰上游的堰上水深h的测量位置在距离矩形植被堰5倍堰顶高度处；矩形植被堰下游为自由出流条件；测试矩形植被堰流量时，在矩形植被堰上游10~20倍堰顶高度处采用超声波流量计进行读数；
10、其中矩形植被堰下游为自由出流条件，即矩形植被堰下游10倍堰顶高度范围内不设置障碍物控制。
11、进一步的，步骤s3中基于确定的tanh函数确定麻雀优化算法正则化学习机算法中的关键变量，具体为：包括确定判断指标、定义综合判断指标值、确定隐藏层数目和进行敏感度分析，具体步骤为：
12、步骤s31：确定判断指标；
13、绝对相对偏差ard，具体表达式为：；其中：oi，pi分别为第i个试验值，第i个试验预测值；
14、步骤s32：定义综合判断指标值；
15、麻雀优化算法正则化学习机算法运行时，数据集分为70%的数据作为训练集用于麻雀优化算法正则化学习机算法训练，30%的数据作为测试集用于麻雀优化算法正则化学习机算法测试，数据每一步均输出步骤s31中确定判断指标值，麻雀优化算法正则化学习机算法中的训练集和测试集的各判断指标值分别为训练集iα和测试集ic，定义综合判断指标值i=70%×iα+30%×ic，i为训练集iα和测试集ic的统称；
16、步骤s33：确定隐藏层数目；
17、在矩阵实验室中采用麻雀优化算法正则化学习机算法，以1为初始值，以1为间距，逐渐增加隐藏层数目进行计算，当综合判断指标值均满足|i γ-iγ+1|≤η%停止计算，采用前一次综合判断指标值为i γ对应的隐藏层数目，即γ作为最终隐藏层数目，i γ为隐藏层为γ的综合判断指标值，iγ+1为隐藏层为γ+1的综合判断指标值，η为隐藏层数目确定时的预设精度阈值，η越大表示精度越低，η越小表示精度越高；
18、步骤s34：确定关键影响参数组合级数；
19、确定1级关键影响参数组合具有5个影响参数，即为sr-1[h/l, h/k, p/l, p/k,fr]；sr-1代表第一组麻雀优化算法正则化学习机算法的1级关键影本文档来自技高网...
【技术保护点】
1.一种通过机器学习确定矩形植被堰流量的方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种通过机器学习确定矩形植被堰流量的方法，其特征在于：步骤S1中对不同的矩形植被堰河道工程进行现场测量；具体为：
3.根据权利要求2所述的一种通过机器学习确定矩形植被堰流量的方法，其特征在于：步骤S3中基于确定的Tanh函数确定麻雀优化算法正则化学习机算法中的关键变量，具体为：包括确定判断指标、定义综合判断指标值、确定隐藏层数目和进行敏感度分析，具体步骤为：
4.根据权利要求3所述的一种通过机器学习确定矩形植被堰流量的方法，其特征在于：步骤S4中输出矩形植被堰流量系数Cd的预测表达式；具体为：
5.根据权利要求4所述的一种通过机器学习确定矩形植被堰流量的方法，其特征在于：步骤S4中输入权重矩阵IW，输入变量矩阵Y，隐藏神经元偏置矩阵B，输出权重矩阵LW；具体为：
【技术特征摘要】
1.一种通过机器学习确定矩形植被堰流量的方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种通过机器学习确定矩形植被堰流量的方法，其特征在于：步骤s1中对不同的矩形植被堰河道工程进行现场测量；具体为：
3.根据权利要求2所述的一种通过机器学习确定矩形植被堰流量的方法，其特征在于：步骤s3中基于确定的tanh函数确定麻雀优化算法正则化学习机算法中的关键变量，具体为：包括确定...
【专利技术属性】
技术研发人员：朱晓明，乌景秀，谢慧，张霖，石莎，刘浩能，斯静，崔昊旻，杨涛，于梅丽，曾晴，徐思豪，
申请(专利权)人：南昌工程学院，
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。