基于神经网络的河道浅滩演变预测模型.doc

基于神经网络的河道浅滩演变预测模型 陈一梅1，徐造林2(1.东南大学交通学院；2.东南大学计算机系) 摘要：河道浅滩演变是一个复杂的非线性动力学过程，作者借助神经网络处理非线性问题的优势，在分析影响河道浅滩演变因素的基础上，建立了预测河道浅淮演变的BP网络模型，并对模型中的输入因子和样本的提取进行了探讨。以闽江竹岐至侯官河段为实例，用“试探法”给出了BP网络模型的建模方案，用正交设计原理选取相应的训练样本集，利用该样本集对网络进行学习和训练，并用训练好的BP网络模型预测浅滩上年内最小水深和年平均淤积厚度。计算结果表明：模型预测结果与实际值吻合良好。这为河道浅滩演变预测研究提供了新方法。 关键词：BP神经网络；浅滩演变；样本；预测模型 基金项目：交通部优秀专业人才基金资助(2001-6721005002)作者简介：陈一梅(1961-)，女，江苏人，东南大学副教授，河海大学博士，主要从事河流动力学及航道整治研究。 河道中的浅滩碍航、滞洪，因此，无论水利还是水运部门都对浅滩的演变规律和浅滩的治理非常重视。浅滩演变是河床演变的一部分，侧重枯水河床变化分析研究。浅滩演变预测的任务是根据过去和现在浅滩演变的情况，预测研究河段浅滩断面年内最小水深和浅滩年平均淤积厚度。目前对浅滩演变预测的泥沙数学模型尽管取得了很大发展，但由于水、沙、边界的复杂性，很难考虑预测中的各种随机因素；物理模型在试验时对水、沙模拟也存在一定的困难，且研究费用高；实测资料分析法，以定性分析和推理为主，所得结论受研究者的经验影响。因此，有必要根据浅滩演变的特点探索浅滩演变预测的新方法。浅滩河段可视为一个非线性动态系统，浅滩的演变实质是系统对输入的水流、泥沙进行调整的结果。BP网络模型具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性，适于非线性问题的研究。BP网络模型的特点正好适合于浅滩演变的预测。 1 浅滩演变预测的BP网络模型 1.1影响因子分析 从通航目的出发，河道浅滩演变预测关注的是浅滩处年平均淤积厚度和浅滩断面年内最小水深的大小。因此，预测模型的输出因子是浅滩断面年内最小水深(Hmin)和年平均淤积厚度()。 　　输入因子的选取与浅滩形成和影响其变化的诸因素有关。从河床演变理论及河流地貌动力学角度，影响浅滩断面年内最小水深和浅滩年平均淤积厚度的主要因素有[1]：①上游来流量(Q)、来流过程(Q～t)；②上游输沙量(G)、输沙过程(Q～t)，泥沙组成(ds～Ps)；③河段比降(J)；④河床形态(/H)、床沙组成(dp～Pb);⑤人类活动的影响。 　　上述各因素中，河段平均比降难于获取，但是，比降的变化与研究河段的上下游水位密切相关，上、下游水位的变化反映了比降的变化，而上游水位与上游流量通常具有相关关系，人工神经网络要求各输入因子相互独立，因此上游水位不计入输入因子，下游水位(ZD)视为一个输入因子。床沙组成与推移质输沙率密切相关，因不容易获得长期床沙组成逐年变化的资料，选推移质输沙率作为输入因子。河道浅滩演变预测的人工神经网络模型的输入因子有：Q,Q～t,G,G～t,gb,(ds～Ps)，/H,ZD。于是，浅滩断面年内最小水深Hmin和年平均淤积厚度可表示为： Hmin=f1(Q,Q～t,G,G～t,ds～Ps,gb,/H,ZD) (1) =f2(Q,Q～t,G,G～t,ds～Ps,gb,/H,ZD) (2) 1.2样本中各因子的获取 在浅滩断面年内最小水深和年平均淤积厚度预测模型建立中，输入和输出因子的获取是关键环节。一般而言，系统输入因子中Q，Q～t,G,G～t,ds～Ps,ZD为水文资料，可从研究河段上下游水文站获取。gb,/H,Hmin, 应用地理信息系统技术和图像处理技术，通过对研究河段多年的地形图进行数字化处理，得到数字化冲淤等值图和栅格地图，选取每年的浅滩部位进行统计获取。 1.3预测模型结构与工作原理 预测浅滩断面年内最小水深和年平均淤积厚度的BP网络模型结构如图1。图1中预测模型的网络结构由输出层、隐含层(一个或二个……)，输出层组成。其中输入层有N1个结点(单元)，第一隐含层有N2个结点、第二隐含层有N3个结点……，输出层有M个结点。在同层结点中无关联，异层神经元间是前向连接，输出层中任一个结点的输出都是神经网络对输入向量映射作用的结果。 图1 浅滩演变预测的BP网络模型 2.1输入因子确定 对于具体的研究河段，上述式(1)和式(2)式中影响因子还需进一步分析选取。闽江竹岐至侯官河段河床的冲淤变形以底沙为主，Q～t和G～t的变化主要对悬沙冲淤变化显著的河段影响较大，对底沙冲淤变化为主的河段影响相对较小，加之预测的是年平均情况，因此Q～t和G～t对河床冲淤的影响可忽略不计。就年变化情况预测而言，输入因子中的来