一种融合图神经网络的洪水演进模拟方法与流程
本发明涉及机器学习建模,尤其涉及一种融合图神经网络的洪水演进模拟方法。
背景技术:
1、机器学习建模技术领域具体为构建多层人工神经网络架构逼近非线性物理系统状态转移映射关系,领域涵盖多项具体网络构型,包括卷积神经网络、循环神经网络以及图神经网络,运行机制具体为均方误差损失函数,利用反向传播算法计算网络梯度,并通过自适应矩估计优化器更新多项网络权重参数,进而使模型输出张量与物理观测真值间残差达到预设收敛阈值,产出具备非线性泛化映射能力的计算模型,取代传统基于泰勒展开离散化偏微分方程数值求解器。
2、一种融合图神经网络的洪水演进模拟方法具体为采用图注意力网络架构构建空间网格拓扑关系,并求解浅水偏微分方程组状态转移矩阵代数推演方案,方案构建目的具体为克服传统有限体积法在求解多项非线性对流项,与源项时受库朗数条件限制导致迭代步长严重受限缺陷,达成在保证纳什效率系数满足预设收敛基准下,使运算时间复杂度降低至线性级别,缩短单次全流域模拟推演周期的效果。
3、现有技术依靠均方误差损失函数作为单一监督信号拟合非线性偏微分方程状态转移映射矩阵,在处理浅水偏微分方程蕴含强对流主导属性与不连续间断解物理演化问题时,均方误差运算机制天然倾向空间面状平滑区域过度拟合,过度平滑化数值计算表现直接引发严重物理耗散误差,单纯引入图注意力网络执行空间维度节点邻域聚合操作,整体计算架构严重缺乏长时序记忆衰退约束数学机制与边界强迫演化保留条件,导致运算模型执行长时间跨度全流域推演模拟任务进程中,非线性累积误差随时间计算步递推呈指数级别暴涨发散,在实际执行溃坝洪水演进和短时强降雨诱发山洪极速推演计算场景任务中,过度平滑化演进效应极易致使洪峰到达时间点预测轨迹严重滞后偏移,同时大幅抹平波前激波峰值真实演进高度,运算物理演化偏差直接导致下游防汛调度指挥枢纽严重低估瞬态洪灾破坏强度,易输出存在严重偏差危险区人员疏散窗口时间与错误撤离路线指令,暴露出单一图网络运算模型应对极端非线性物理突变状态缺乏真实泛化映射推演防范能力。
技术实现思路
1、本发明的目的是解决现有技术中存在的缺点,而提出的一种融合图神经网络的洪水演进模拟方法。
2、为了实现上述目的,本发明采用了如下技术方案:一种融合图神经网络的洪水演进模拟方法,包括以下步骤:
3、步骤一:基于多项实测地形高程与气象降雨数值,映射坐标构建水文矩阵,连乘水文矩阵元素次幂计算概率分布,乘积概率分布与预设记忆张量计算衰退张量,累加衰退张量与预设边界数值,构建空间遗忘矩阵;
4、步骤二:基于所述空间遗忘矩阵,通过长短期记忆网络门控更新,点积多项相邻网格计算水力关联矩阵,对水力关联矩阵运算指数化处理计算分配权重,依据分配权重加权聚合拓扑变量,生成动力状态张量;
5、步骤三:基于所述动力状态张量,切分多维空间变量,统计分支层数换算离散数值,运算数值倒数计算衰减权重,结合衰减权重与输入变量执行乘法映射,滤除数值震荡异常发散位点,输出掩码隔离张量;
6、步骤四:基于所述掩码隔离张量和所述动力状态张量,通过生成对抗网络推演伪分布,截断关联权重奇异参数,测量伪分布与预设真值空间散度,沿散度偏导反向更新判别网络参数并沿偏导正向调节推演权重,构建激波映射矩阵;
7、步骤五:基于所述激波映射矩阵,拼接多项预设流速矢量输入滑窗阵列,降维内积映射评估数值,求取评估数值与预设真值积分残差,运算残差相对偏置矩阵偏导,沿梯度反向衰减迭代更新参数,得到水位推演张量。
8、作为本发明的进一步方案,所述空间遗忘矩阵包括离散概率矩阵、留存水文变量以及网格边界连通变量,所述动力状态张量包括融合隐层张量、水力权重张量以及当前步长隐层状态变量,所述掩码隔离张量包括离散评分张量、布尔归零常数以及连通保留系数,所述激波映射矩阵包括判别网络参数、前向推演权重以及多维张量映射关系,所述水位推演张量包括推演残差矩阵、底层关联系数以及流场状态分布。
9、作为本发明的进一步方案,建立所述空间遗忘矩阵具体为:
10、基于多项实测地形高程与气象降雨数值,平移对齐多源序列组合时间轴,拼接关联通道整合水文基础矩阵,运算水文基础矩阵元素次幂连乘求和计算常数,调取常数依拓扑排列填充位点,生成离散概率矩阵;
11、基于所述离散概率矩阵,结合预设前置单元记忆张量,比对网格节点数值映射多维通道位置,逐元素相乘对齐位点计算留存水文变量,累加融合留存水文变量与网格边界连通变量,建立空间遗忘矩阵。
12、作为本发明的进一步方案,生成所述动力状态张量具体为:
13、基于所述空间遗忘矩阵,映射区间极值截取动量张量解析底层粗糙数值,导入长短期记忆网络序列化计算多维时间通道,驱动内部门控机制更新并对齐多项相邻网格隐层状态变量,逐位点相乘变量矩阵叠加常数计算物理关联分布,建立融合隐层张量;
14、基于所述融合隐层张量,偏移空间坐标体系定位对齐相邻拓扑位点,点积中心网格与周边邻域向量计算水力关联数值,并运算自然常数次幂求和汇总多维通道离散分布比值,得到水力权重张量;
15、基于所述水力权重张量,重组数据通道维度对齐融合隐层张量,相乘权重常数与邻域状态变量计算加权数值,并累加相邻网格位点数值聚合广域连通空间拓扑分布,生成动力状态张量。
16、作为本发明的进一步方案,采用所述长短期记忆网络,获取空间遗忘矩阵与底层粗糙数值,沿多维数据通道执行拼接运算构建当前步长输入张量,调取预设前置时间步长隐藏状态张量与预设前置时间步长细胞状态张量,将当前步长输入张量与前置时间步长隐藏状态张量沿多维时间通道序列化拼接并输入网络计算路径,执行权重矩阵内积与激活映射运算分别计算遗忘门控分布张量、输入门控分布张量以及候选状态张量,将遗忘门控分布张量与前置时间步长细胞状态张量进行逐元素哈达玛相乘运算计算保留细胞张量,相乘输入门控分布张量与候选状态张量并累加至保留细胞张量计算当前步长细胞张量,结合当前步长输入张量推演输出门控变量,相乘输出门控变量与非线性映射后的当前步长细胞张量计算当前步长隐层状态变量,调取全局网格空间坐标阵列获取拓扑节点位置索引,依据位置索引对多项当前步长隐层状态变量执行空间维度平移重排与通道拼接操作,输出对齐相邻网格隐层状态变量,将对齐相邻网格隐层状态变量逐位点相乘变量矩阵并叠加常数,计算物理关联分布,基于物理关联分布建立融合隐层张量。
17、作为本发明的进一步方案,所述偏移空间坐标体系定位对齐相邻拓扑位点,执行过程包括:
18、首先获取多项网格计算单元二维空间坐标张量,计算空间坐标张量间欧几里得距离数值,生成全局空间距离矩阵,比对全局空间距离矩阵内部数值与预设拓扑连通半径常数,判定距离数值不大于连通半径常数向对应矩阵通道位点赋予布尔连通常量,将距离数值大于连通半径常数向对应矩阵通道位点赋予布尔阻断常量,构建稀疏拓扑邻接矩阵,调取稀疏拓扑邻接矩阵内部多项非零数值索引构建坐标偏移指示向量,依据坐标偏移指示向量定位获取多项连通邻域网格隐藏层变量,执行数据通道拼接对齐运算。
19、作为本发明的进一步方案,输出所述掩码隔离张量具体为:
20、基于所述动力状态张量,沿多维坐标轴生成随机矩阵平面切分输入变量,遍历数据分割路径累加末端位点层数,将末端位点层数转换为离散数值,对离散数值执行倒数运算得到衰减权重,结合衰减权重与输入变量执行乘法映射,随后重组网格维度隔离边缘节点属性,计算离散评分张量;
21、基于由所述衰减权重与所述输入变量执行逐元素乘法映射得到的离散评分张量,逐一比对矩阵元素与预设截断偏离阈值,筛选超越容差位点赋予布尔归零常数,并向未越界正常位点分配原始连通保留系数,随后沿空间网格维度拼接多项离散变量序列,输出掩码隔离张量。
22、作为本发明的进一步方案,构建所述激波映射矩阵具体为:
23、基于所述掩码隔离张量和所述动力状态张量,相乘对应位点数据通道计算网格连通数值,拼接预设边界强迫变量输入生成对抗网络多层加权计算路径,运算多维内积推演前向传播转换状态变量,推演演进伪分布张量;
24、基于所述演进伪分布张量,分解网络权重阵列获取主奇异值序列,从主奇异值序列中筛选超过预设奇异值截断阈值的关联权重奇异参数,对关联权重奇异参数执行截断处理并重组张量映射阵列,将演进伪分布张量与预设实测真值变量进行比对,计算空间散度,融合残差变差数值求取多元偏导梯度,获取空间散度梯度矩阵;
25、基于所述空间散度梯度矩阵,沿偏导攀升方向迭代赋值更新判别网络参数,锁定网络参数顺沿偏导下降方向调节前向推演权重,交替循环阵列参数覆盖底层多维张量映射关系,构建激波映射矩阵。
26、作为本发明的进一步方案,所述生成对抗网络的执行过程为:
27、首先获取网格连通数值,调取表征物理计算单元空间高程数值与气象降雨观测数值组合构建多维边界强迫变量张量,沿空间网格数据通道维度将网格连通数值与多维边界强迫变量张量执行矩阵拼接运算,构建对抗生成条件输入张量,调取对抗网络内部生成器架构包含的多层网络关联权重矩阵与偏置常数序列,将对抗生成条件输入张量导入首级加权计算路径,运算对抗生成条件输入张量与首层网络关联权重矩阵多维空间内积,逐元素累加对应偏置常数序列计算节点激活张量,顺沿多层网络拓扑连接次序将节点激活张量逐级传递至后续加权计算路径,依序迭代循环执行变量矩阵内积映射与数值偏置累加运算,计算多层加权计算路径末端输出状态序列,将末端输出状态序列作为演进伪分布张量输出。
28、作为本发明的进一步方案,得到所述水位推演张量具体为:
29、基于所述激波映射矩阵,获取流速矢量拼接通道整合网格变量,导入滑窗阵列对齐拓扑匹配底层映射,执行降维张量内积映射计算评估数值,求取评估数值与预设真值之间的积分残差,计算推演残差矩阵;
30、基于所述推演残差矩阵,运算网格残差数值相对偏置参数求解空间偏导张量,获取多维反向下降向量沿偏导梯度施加衰减更新,迭代覆盖底层关联系数累加重构流场状态分布,得到水位推演张量。
31、与现有技术相比,本发明的优点和积极效果在于:
32、本发明中,通过长短期记忆网络门控更新机制融合多维隐层变量,深度挖掘水流演进多维时空域内部复杂拓扑节点间长时序信息传递动态演化规律,精准保留水体物理演化过程固有历史滞后衰退效应与边界强迫约束条件;
33、本发明中,通过生成对抗网络深度推演掩码隔离张量与动力状态张量关联伪分布,截断关联权重奇异参数测量伪分布与真值空间散度,高度拟合陡峭水面非线性物理状态转移映射机制,精准抑制洪水演进推演遭遇不连续激波面极易诱发数值梯度爆炸与发散现象;
34、本发明中,通过结合流速矢量输入滑窗阵列积分求解残差偏导更新参数,大幅增强极端水文突变场景下水位状态计算逼真度并促使单次全流域模拟推演周期运算复杂度降至绝对线性级别。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com