一种快速预测坝下游河道对水库出库水量和沙量变化响应的方法与流程

1.本发明涉及水力学及河流动力学技术领域，用于开展水沙输移计算，具体是一种快速预测坝下游河道(沿程各断面)对水库出库水量和沙量变化响应的方法。


背景技术：

2.天然河流中，挟沙水流的运动受到多种因素的影响，各个参数之间具有复杂的非线性关系，为了准确描述水沙运动过程，目前多是采用水沙数学模型开展数值模拟计算。水沙数学模型的控制方程是完整的圣维南方程组和泥沙运动基本方程，物理意义明确，计算精度高，但是，无论是一维、二维或三维水沙模型，或是采用已有成熟的商业软件，在开展模拟计算时，都需要进行复杂的前处理工作，包括地形数据、水沙数据的准备和处理，边界的划定以及网格的划分，率定和验证过程中需要根据研究区域特点不断调整相关的参数以及选定合适的水沙系列，在此基础上才能开展计算。当地形资料或水沙资料缺失或不完整时，水沙数学模型的应用就受到了较大限制。
3.针对坝下游河段对水库出库水量和沙量的变化对坝下游沿程各断面输沙量的影响问题，以往的研究也多是基于实测资料分析和水沙模型计算开展的，不仅工作量大，水沙系列的选择也是个难题。事实上，针对该问题，解决的关键是确定河道中下游相邻断面输沙量与上游断面径流量和沙量之间的偏导关系。具体来说，对于单一河道，沿程各断面的输沙量si与其上游相邻断面的来水量q
i-1
和来沙量s
i-1
相关，即有：
4.si＝f(q
i-1
,s
i-1
)i＝0,1,2,
…ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中,si是断面i的输沙量，q
i-1
和s
i-1
分别是断面i的上游相邻断面的输水量和输沙量，下标i＝0时，对应了进口断面。由(1)可知，对于第i个断面(i》0)，应有：
[0005][0006]
式(2)定义了河道中自下游至上游各断面量输沙量变化之间的递推关系。对于天然河道，相邻断面之间的输水输沙量虽然相关性较强，但影响因素众多，二者之间的显式函数关系难于推导，这也是以往多采用数值模型进行数值计算的原因。
[0007]
人工神经网络(ann)技术是一种大数据分析技术，此技术直接对数据进行分析和研究，挖掘数据本身潜在的规律，由于不事先假定固定的模式，可以避免人们在考虑不周或认识有误时所做的错误假定，这样得到的模型可以客观地描述系统内部构成，该技术已在多个研究领域中得到广泛应用，目前应用最多的是多层前馈网络误差反传算法,多层前馈式反向传播(back propagation&bp)神经网络模型，即bp模型。但目前尚未将其应用于水库坝下游河道泥沙通量对水库出库水量和沙量变化响应的研究中。


技术实现要素：

[0008]
本发明的目的在于克服以上技术缺陷，提供一种能够高效、快速预测坝下游河道
(沿程各断面)对水库出库水量和沙量变化响应的方法。本发明首次提出一种基于人工神经网络(ann)快速预测坝下游河道对水库出库水量和沙量变化响应的方法，具体包括以下步骤：
[0009]
第一，确定研究河段，采集样本数据：为了保证ann模型能够反映水库运行后的输水输沙规律，确定研究河段上边界和下边界。样本数据选取研究河段建库后坝下游沿程m个水文站的n年内的实测日均流量和含沙量。m≥2，n≥5。数据文件均事先按规定格式存储于excel文件内。
[0010]
第二，构建神经网络bp模型：为了确定式(2)中的递推关系，基于人工神经网络技术，利用tensorflow系统，以研究河段上边界水文站的日均流量和含沙量作为输入数据，以河段下边界水文站的日均流量和含沙量作为输出数据，对m-1个河段分别构建神经网络bp模型；
[0011]
第三，模型训练：针对某一河段，将样本数据导入tensorflow系统中，利用样本数据的70％开始训练模型。训练过程中，设置使用多层前馈式反向传播(back propagation&bp)神经网络的结构和训练参数(所述训练参数包括权值和偏置)。训练过程中界面提供损失函数衰减图。
[0012]
第四，模型验证：利用训练好的模型开始验证计算。利用余下30％的样本数据，在训练好的模型中输入上边界的日均流量和含沙量数据，输出下边界的日均流量和含沙量数据，将得到的计算结果与实测数据进行对比。如若日均流量和含沙量计算值与实测值的误差在可接受范围内，说明模型能够合理反映水库运行后坝下游沿程相邻断面间的输水输沙关系，如若不满足要求，需要返回第三步重新训练模型。
[0013]
步骤五，计算水库出库沙量和水量变化引起的下游水文站输沙量变化：m-1个构建神经网络bp模型训练和验证完毕后，基于所述神经网络模型计算水库出库沙量变化ds0后下游沿程各个水文站的输沙量变化dsi；基于所述神经网络bp模型计算水库出库水量变化dq0后下游沿程各个水文站的输沙量变化dsi；基于所述神经网络模型计算水库出库水量变化dq0后下游沿程各个水文站的输水量变化dqi；
[0014]
步骤六，基于步骤五的计算结果进一步计算当前断面输沙量与上游断面来水量和来沙量之间偏导关系：其中前断面输沙量与上游断面来沙量之间偏导关系通过dsi/ds
i-1
来计算；当前断面输沙量与上游断面来水量之间偏导关系通过dsi/dq
i-1
来计算；
[0015]
步骤七：通过步骤六的计算结果来判断当前断面输沙量变化对上游断面来沙量及来水量变化的响应大小。
[0016]
进一步的，步骤三中损失函数的表达式如式(3)所示：
[0017][0018]
其中，
[0019][0020]
式中：e为损失函数，n为样本个数；i表示节点编号；xi为第i个输出节点训练样本的网络计算值；yi为第i个输出节点训练样本的网络期望值；t时刻xi的计算表达式如式(5)
所示：
[0021][0022]
式中：为t时刻i节点的流量，为t时刻i节点的含沙量，为t时刻i-1节点的流量，为t时刻i-1节点的含沙量，函数关系f由模型中的权值w决定，权值w开始是自动生成的，后续在数据训练中根据损失函数e的变化进行不断调整。具体来说，当最初得到的xi的计算值导致损失函数e较大超出误差可接受范围时，下一步的权值w
t 1
将在w
t
的基础上根据e值进行调整，进行下一步计算，直至损失函数e的值逐渐减小到可接受程度或达到预定的学习次数为止，退出训练。
[0023]
进一步的，步骤四中：日均流量与实测值的误差的可接受范围为：计算误差≤0.01；含沙量与实测值的误差的可接受范围为：计算误差≤0.05。
[0024]
本发明的有益效果：
[0025]
本发明应用人工神经网络技术中的bp模型解决了河流泥沙动力学领域中快速预测坝下游河道对水库出库水量和沙量变化响应的技术难题。与以往方法相比，本发明具有以下两方面的优势和创新性：
[0026]
1)基于人工神经网络构建的模型可避免求解水沙数学模型中的偏导函数关系，通过大数据分析可直接确定式(2)中的偏导关系，得到模型需要的参数；
[0027]
2)该方法的计算量相比比水沙数学模型计算要明显减少，计算效率高。
附图说明
[0028]
图1为本发明流程图；
[0029]
图2枝城ann模型训练过程的损失函数衰减图；
[0030]
图3枝城2011-2018年日均流量ann计算值与实测值对比；
[0031]
图4枝城2011-2018年日均含沙量ann计算值与实测值对比；
[0032]
图5沙市2011-2018年日均流量ann计算值与实测值对比；
[0033]
图6沙市2011-2018年日均含沙量ann计算值与实测值对比；
[0034]
图7监利2011-2018年日均流量ann计算值与实测值对比；
[0035]
图8监利2011-2018年日均含沙量ann计算值与实测值对比；
[0036]
图9螺山2011-2018年日均流量ann计算值与实测值对比；
[0037]
图10螺山2011-2018年日均含沙量ann计算值与实测值对比；
[0038]
图11汉口2011-2018年日均流量ann计算值与实测值对比；
[0039]
图12汉口2011-2018年日均含沙量ann计算值与实测值对比；
[0040]
图13九江2011-2018年日均流量ann计算值与实测值对比；
[0041]
图14九江2011-2018年日均含沙量ann计算值与实测值对比；
[0042]
图15大通2011-2018年日均流量ann计算值与实测值对比；
[0043]
图16大通2011-2018年日均含沙量ann计算值与实测值对比。
具体实施方式
[0044]
实施例1：
[0045]
一种快速预测坝下游河道对水库出库水量和沙量变化响应的方法，
[0046]
第一，确定研究河段，确定样本数据。确定研究河段上边界和下边界；所述样本数据包括研究河段建库后坝下游沿程8个水文站的16年内实测日均流量和含沙量。本实施例中为了保证ann模型能够反映三峡水库自2003年运行以来宜昌到大通的输水输沙规律，样本数据采用宜昌、枝城、沙市、监利、螺山、汉口、九江和大通8个水文站2003～2018(16年)日均流量和含沙量。数据文件均事先按规定格式存储于excel文件内。
[0047]
第二，构建神经网络bp模型：为了确定式(2)中的递推关系，基于人工神经网络技术，以河段上边界水文站的日均流量和含沙量作为输入因子，以河段下边界水文站的日均流量和含沙量作为输出因子，对7个河段(宜昌-枝城，枝城-沙市，沙市-监利，监利-螺山，螺山-汉口，汉口-九江，九江-大通)分别构建神经网络模型；
[0048]
第三，模型训练：将样本数据导入tensorflow系统中，针对7个河段，分别利用样本数据的70％开始训练模型。训练过程中，设置使用多层前馈式反向传播(back propagation&bp)神经网络的结构和训练参数(所述训练参数包括权值和偏置)。训练过程中界面提供损失函数衰减图，如图2所示，图中表示在训练宜昌-枝城模型时，输出的枝城站的损失函数变化图，其中损失函数的表达式为
[0049][0050]
其中，
[0051][0052]
式中：e为损失函数，n为样本个数；i表示节点编号；xi为第i个输出节点训练样本的网络计算值；yi为第i个输出节点训练样本的网络期望值；t时刻xi的计算表达式如式(5)所示：
[0053][0054]
式中：为t时刻i节点的流量，为t时刻i节点的含沙量，为t时刻i-1节点的流量，为t时刻i-1节点的含沙量，函数关系f由模型中的权值w决定，权值w开始是自动生成的，后续在数据训练中根据损失函数e的变化进行不断调整。具体来说，当最初得到的xi的计算值导致损失函数e较大超出误差可接受范围时，下一步的权值w
t 1
将在w
t
的基础上根据e值进行调整，进行下一步计算，直至损失函数e的值逐渐减小到可接受程度或达到预定的学习次数为止，退出训练。
[0055]
本实施例中，图1中显示损失函数已经减小至0.04697，已经在可以接受的范围内，因此，训练结束。
[0056]
第四，模型验证：利用训练好的模型开始验证计算。具体来说，输入上边界的日均流量和含沙量数据，输出下边界的日均流量和含沙量数据，结果如图3～图16所示。其中图3和图4代表通过宜昌-枝城河段模型计算得到的枝城站2011～2018年日均流量和日均含沙量分布结果与实测值符合良好。以此类推，图5～图16分别代表根据枝城-沙市，沙市-监利，监利-螺山，螺山-汉口，汉口-九江，九江-大通河段模型计算得到的枝城、沙市、监利、螺山、
汉口、九江和大通的日均流量和含沙量与实测值得对比结果，二者均相吻合，这也说明了模型能够合理反映三峡水库运行后宜昌到大通沿程相邻断面间的输水输沙关系。
[0057]
第五，计算水库出库沙量和水量变化引起的下游水文站输沙量变化：7个模型训练和验证完毕后，基于所述神经网络模型计算水库出库沙量变化ds0后下游沿程各个水文站的输沙量变化dsi；基于所述神经网络bp模型计算水库出库水量变化dq0后下游沿程各个水文站的输沙量变化dsi；基于所述神经网络bp模型计算水库出库水量变化dq0后下游沿程各个水文站的输水量变化dqi。本实施例，基于上述模型开展三峡水库出库沙量(宜昌站)变化后下游沿程各个水文站的输沙量变化。以无量纲百分比表达影响大小，结果如表1所示。从表中可以查出三峡运行后，宜昌站输沙量不同变幅下，下游各个断面对其响应的定量变化。
[0058]
表1上游断面来沙量变化引起的当前断面输沙量变化
[0059][0060][0061]
通过查找表1，可以快速预测出三峡出库沙量变化(即宜昌站输沙量)后坝下游不同水文站断面的输沙量变幅。
[0062]
类似地，基于上述模型开展三峡水库出库水量(宜昌站)变化后下游沿程各个水文站的输沙量和输水量变化。以无量纲百分比表达影响大小，结果如表2和表3所示。从表中可以查出三峡运行后，宜昌站径流量不同变幅下，下游各个断面输沙量和输水量对其响应的定量变化。
[0063]
表2上游断面来水量变化引起的当前断面输沙量变化
[0064][0065]
通过查找表2，可以快速预测出三峡出库水量变化(即宜昌站来水量)后坝下游不同水文站断面的输沙量变幅。
[0066]
表3上游断面来水量变化引起的当前断面输水量变化
[0067][0068][0069]
通过查找表3，可以快速预测出三峡出库水量变化(即宜昌站来水量)后坝下游不同水文站断面的输水量变幅。
[0070]
第六，基于步骤五的计算结果进一步计算当前断面输沙量与上游断面来水量和来沙量之间偏导关系：其中前断面输沙量与上游断面来沙量之间偏导关系通过dsi/ds
i-1
来计算；当前断面输沙量与上游断面来水量之间偏导关系通过dsi/dq
i-1
来计算。
[0071]
本实施例中，基于表1、表2和表3，可进一步可估算当前断面输沙量与上游相邻断面来水量和来沙量之间偏导关系，即可得到公式(2)中和的大小，其中的值
如表4所示，的值如表5所示。其中，表4基于表1可以得到，表5基于表2和表3得到，例如，当宜昌站输沙量减少50％时，枝城站的沙市站市站其他水文站同样的计算过程。
[0072]
表4上游断面来沙量变化对当前断面输沙量变化的影响
[0073][0074][0075]
表5上游断面来水量变化对当前断面输沙量变化的影响
[0076][0077]
第七：由表4和表5可知，当前断面输沙量的变化，与上游相邻断面来沙量变化之间关系更密切，上游断面输水量的变化，对枝城断面来沙量变化的贡献不大。但在沙市及其下游，当上游断面来水量发生变化时，会在一定程度上影响当前断面的输沙量。通过表4和表5，可以查出其影响的定量值。本发明的成果对河道治理、水库调度优化等可提供技术支持。
[0078]
最后应说明的是，以上仅用以说明本发明的技术方案而非限制，尽管参照较佳布
置方案对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。