BP神经网络在地下水系统资源评价模型中应用.pdfVIP

BP神经网络在地下水系统资源 评价模型中的应用 刘志明L2王贵玲2蔺文静2 (1南京大学地球科学系，南京，210093·2中国地质科学院水文地质环境地质研究所，石家庄，050061) 摘要：地下水资源评价一直是地下水研究中的重要内容之一。目前，用于地下水资源评价的方法很多，但应用人 工神经网络方法的实例还较为少见。因此，本文以江苏汤山为例，尝试运用人工神经网络理论和方法，建立地下水 系统资源评价的BP神经网络模型，对其地热资源进行评价。结果表明：(1)运用BP神经网络方法进行地下水系统 资源评价是以水位预测为基础的，反映的是地下水开采量变化对水位的影响，因而，运用BP神经网络方法评价地下 水系统资源在具有观测数据的地区较为适合。(2)建立的BP神经网络地下水系统资源评价模型只能反映一种地下水 开采量变化对水位影响的机制。当地下水开采量变化对水位影响的桃制发生变化时，所建模型的计算值与实测值的 偏差较大。所建模型只适合于开采资源的评价和短程的外推预测。(3)研究区的开采资源量约为43万m3／a，并被 该地区的温泉平均天然自流量所证实。 关键词：BP神经网络方法地下水资源tWot开采资源 1 引 言 地下水资源评价一直是地下水研究中的重要内容之一。进行地下水资源评价的方法目前也较多， 概括起来，大致有这么几类：(1)对于已知参数地下水系统，进行地下水资源评价的方法有水均衡 法和数值模型；(2)对于未知参数地下水系统(一般为集中参数系统)，进行地下水资源评价的方法 有统计分析、回归分析、灰色理论、模糊数学和地下水系统理论方法等。但运用BP神经网络方法 进行地下水系统资源评价的实例较为少见。 Neural 近年来，人工神经网络砧瞄(ArtificialNetwork)逐渐在地下水研究开始应用。在水质 评价、地下水动态分类和预测、资源分类等方面研究中都有成功的应用，显示出其研究复杂非线性 Error (Back 将尝试采用BP网络方法评价地下水系统资源。 2即神经网络方法原理 BP神经网络模型采用的是误差反向传播算法来使其网络达到稳定状态的，该模型由输入层、输 出层和一个或若干个隐层构成，每层包含有若干个神经元，一个神经元为一个节点，层与层之间的 神经元是通过激发函数、连接权及阈值进行相互连接的(图1)。 BP神经网络模型一1般有三层即可以模拟任意复杂函数…，屈忠义等Ⅱ’研究推荐，地下水模拟预 报一般采用三层BP神经网络模型，这三层是：输入层、输出层和一个隐层。输出层节点是隐层节 点的函数，而隐层节点又是输入层节点的函数，它们是： 第一作者简介：刘志明，1969，江西泰和人，副研究员，博士研究生，水资源与地热研究方向， Iiuzhimingpeople@peoplemaii．coln．cn。 16 隐层j H，=厂(∑％Jrf一嘭)，J=l，2，…，N。 (n #1 输出层? q=厂(∑略q一哦)，后=1,2，…N： (2) 激发函数．’／o)为有界单调递增或有界连续函数，如Sigmoid函数，线性函数(3) 式中：Hi为中间隐层值，It为输入层值，0-为输出层值，w；j为中间隐层与输入层的连接权，0； 为中间隐层与输入层的阀值，旷|k为输出层与中间隐层的连接权，0’-为输出层阀值，N为输入层 节点数，Nt为中间隐层节点数，Nz为输出层节点数，而Sigmoid函数常有以下三种： m)=专 (4) 弛)=删加筹(5) f(x)=arctg(x)(6) 本文的BP网络模型中，中间隐层采用的激发函数是(5)式，输出层采用的激发函数是线性函 数f(x)=x。 BP网络模型的学习过程一般为首先按(1)～(3)式进行正向计算输出层值，然后和学习样本 输出层： Ok，W’jk，e’jk，k=l，2，…,N2 隐层：