CN113945729A - 一种基于渠道垂直切面的平均流速计算方法 - Google Patents
一种基于渠道垂直切面的平均流速计算方法 Download PDFInfo
- Publication number
- CN113945729A CN113945729A CN202111197734.XA CN202111197734A CN113945729A CN 113945729 A CN113945729 A CN 113945729A CN 202111197734 A CN202111197734 A CN 202111197734A CN 113945729 A CN113945729 A CN 113945729A
- Authority
- CN
- China
- Prior art keywords
- flow velocity
- vertical
- perpendicular bisector
- neural network
- section
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 54
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 9
- 230000005888 antibody-dependent cellular phagocytosis Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明公开了一种基于渠道垂直切面的平均流速计算方法,包括以下步骤:步骤1:设置若干条同一平面均匀分布的垂线,将渠道横截面划分为若干个垂直切面;步骤2:利用测速仪获得渠道中垂线表面流速以及每条垂线的表面流速,利用水位测量设备获得每条垂线处的水深;步骤3:建立中垂线表面流速和其他垂线与中垂线相对位置与其他垂线表面流速的关系;步骤4:建立渠道垂直切面处的表面流速和水深,与垂直切面平均流速之间的线性关系;步骤5:通过中垂线表面流速和水位得到河道断面流量。本发明解决了传统流速面积法水位改变需要重新测量所有数据的问题,使得测量测验工作更加高效、准确,具有重要的创新意义和应用价值。
Description
技术领域
本发明涉及水文测验应用技术领域,尤其涉及一种基于渠道垂直切面的平均流速计算方法。
背景技术
河流断面流量的精确测量是进行水资源优化配置和科学管理的重要环节,也是灌区和引水工程中取水量实时精确计量急需解决的技术问题。
相比于管流流动,自然明渠流动更加复杂多变;且多为湍流流动。湍流边界层内的速度不单由粘性力决定,还与脉动产生的雷诺应力有关;故而湍流边界层并不由单一的规律决定,而是可以分为内外两层;其中外层较厚,内层较薄,内外层之间有交叠。(外层主要受主流影响,内层主要受壁面影响)。明渠流速分布大致满足对数分布规律,但实际多有偏差;很多科学家从试验中得到了不同的参数k和B,各种定律表示了造成这种流速偏离对数分布规律的原因。
传统的流量测算方法包括水工建筑物测流法:利用标准型式的量水建筑物来测量流量,如堰槽法。目前使用最为广泛的流量测算方法是流速面积法,在明渠断面上测出过流断面某些局部(点、线或小面积)流速,用这些流速来计算过水断面的平均流速,再测量水位求得过水断面面积,最后用过水断面的平均流速乘以过水断面面积求取流量。但是传统的流速面积法是同时测量多个点的流速,计算出部分区域的平均流速,再逐一结合断面面积累加计算得到断面流量,同时每次水位变化都需要重新测量各个点流速,过程繁琐且耗时。因此如何快速准确的得到平均流速是流量计算的难点。实际的河流断面流量测量中,由于河道断面的不规整,水深随着断面位置和河岸距离变化,且流速的变化也更加复杂,这都使得河流流量测量十分棘手。
在专利申请号201911180284.6中公开了一种基于水平ADCP施测垂线流速分布的河流流量测量方法,该河流流量测量方法包括如下步骤:1)水平ADCP横向水平测线布置;2)垂向测速垂线测点流速的获取;3)垂向测速垂线流速分布参数拟合;4)测流断面流量的计算;该方法通过移动水平ADCP,能将水平代表相关法转换为成熟的河流流量测量方法,提高了流量测量精度;避免部分流流水平ADCP代表线选择难题,提高了水平ADCP测量方法的适用范围;并能指导水平ADCP的频率选择。但是,该方案ADCP设备价格昂贵,且需测量每条垂线上多个点位置,测量成本高。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于渠道垂直切面的平均流速计算方法。
本发明的目的是通过以下技术方案来实现的:
一种基于渠道垂直切面的平均流速计算方法,包括以下步骤:
步骤1:设置若干条同一平面均匀分布的垂线,将渠道横截面划分为若干个垂直切面;所述垂线为垂直于水面的切断线;
步骤2:利用测速仪获得渠道中垂线表面流速以及每条垂线的表面流速,利用水位测量设备获得每条垂线处的水深;所述中垂线为垂直于渠道水面中间点的切断线;
步骤3:建立中垂线表面流速和其他垂线与中垂线相对位置与其他垂线表面流速的关系;
步骤4:建立渠道垂直切面处的表面流速和水深,与垂直切面平均流速之间的线性关系;
步骤5:通过中垂线表面流速和水位得到河道断面流量。
进一步的,所述步骤1具体为:分析渠道断面结构,对于宽深比大于5的断面,若水面宽度大于5m,则每0.4m划分一个垂直切面;若水面宽度大于2m且不超过5m,每0.25m划分一个垂直切面;若水面宽度不超过2m,每0.2m划分一个垂直切面;对于宽深比小于等于5的断面,在距离中垂线的左右各20%水面宽度的区域内划分精度按照上述规则提高一倍,其余位置划分规则不变;所述宽深比为河道水平中位线长度与河水深度之比。
进一步的,所述步骤3具体为:使用GA_BP神经网络,将中垂线表面流速和各个垂线与中垂线的相对位置作为输入,各个垂线的表面流速作为特征输出,得到中垂线表面流速和其他垂线表面流速的关系;所述GA_BP神经网络包括:构建基本的BP神经网络,采用GA算法来优化神经网络初始的权值及阈值,选取最优的权值及阈值,最后再继续使用BP神经网络进行训练。
进一步的,所述步骤4具体为:使用BP监督RBF神经网络将垂线位置处的水深和表面流速作为特征输入,垂直切面平均流速作为特征输出得到所述线性关系;所述RBF神经网络包括:采用监督学习算法对RBF神经网络的参数进行训练;对代价函数进行梯度下降,然后修正每个参数;所述参数包括径向基函数的中心、方差和隐含层到输出层的权值。
进一步的,所述GA_BP神经网络的训练过程为:根据划分方式测量河流渠道断面间距相同的垂线上的各个点流速;使用GA_BP神经网络将中垂线表面流速,以及其他垂线与中垂线的相对位置作为特征输入,其他垂线表面速度作为特征输出得到中垂线表面流速和其他垂线表面流速的关系。
进一步的,所述RBF神经网络的训练过程为:根据所测各个垂线上的点流速,计算得到垂线平均流速,使用RBF神经网络将垂线处的水深和表面流速作为特征输入,垂线平均流速作为特征输出得到水深,表面流速与平均流速的关系;所述点流速包括表面流速和垂线的水深。
进一步的,所述步骤5具体为:输入中垂线表面流速,根据GA_BP神经网络获得的中垂线表面流速和其他垂线表面流速的关系,得到其他垂线表面流速;然后通过训练好的RBF神经网络得到各垂直切面平均流速;最后根据各垂直切面的面积计算出河道断面流量。
本发明的有益效果:本发明基于神经网络算法主要依靠中垂线表面一个点流速即可测得河道断面流量。解决了传统流速面积法水位改变需要重新测量所有数据的问题,使得测量测验工作更加高效、准确,具有重要的创新意义和应用价值。
附图说明
图1是本发明的方法流程图。
图2是河流垂直切面断层示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1,如图1所示,一种基于渠道垂直切面的平均流速计算方法,包括以下步骤:
步骤1:设置若干条同一平面均匀分布的垂线,将渠道横截面划分为若干个垂直切面;所述垂线为垂直于水面的切断线;
步骤2:利用测速仪获得渠道中垂线表面流速以及每条垂线的表面流速,利用水位测量设备获得每条垂线处的水深;所述中垂线为垂直于渠道水面中间点的切断线;
步骤3:建立中垂线表面流速和其他垂线与中垂线相对位置与其他垂线表面流速的关系;
步骤4:建立渠道垂直切面处的表面流速和水深,与垂直切面平均流速之间的线性关系;
步骤5:通过中垂线表面流速和水位得到河道断面流量。
其中,所述步骤1具体为:分析渠道断面结构,对于宽深比大于5的断面,若水面宽度大于5m,则每0.4m划分一个垂直切面;若水面宽度大于2m且不超过5m,每0.25m划分一个垂直切面;若水面宽度不超过2m,每0.2m划分一个垂直切面;对于宽深比小于等于5的断面,在距离中垂线的左右各20%水面宽度的区域内划分精度按照上述规则提高一倍,其余位置划分规则不变;所述宽深比为河道水平中位线长度与河水深度之比。
其中,所述步骤3具体为:使用GA_BP神经网络,将中垂线表面流速和各个垂线与中垂线的相对位置作为输入,各个垂线的表面流速作为特征输出,得到中垂线表面流速和其他垂线表面流速的关系。
其中,所述步骤4具体为:使用BP监督RBF神经网络将垂线位置处的水深和表面流速作为特征输入,垂直切面平均流速作为特征输出得到所述线性关系。
其中,所述GA_BP神经网络包括:构建基本的BP神经网络,采用GA算法来优化神经网络初始的权值及阈值,选取最优的权值及阈值,最后再继续使用BP神经网络进行训练;所述RBF神经网络包括:采用监督学习算法对RBF神经网络的参数进行训练;对代价函数进行梯度下降,然后修正每个参数;所述参数包括径向基函数的中心、方差和隐含层到输出层的权值。
进一步的,神经网络模型的训练过程为:根据划分方式测量河流渠道断面间距相同的垂线上的各个点流速;使用GA_BP神经网络将中垂线表面流速,以及其他垂线与中垂线的相对位置作为特征输入,其他垂线表面速度作为特征输出得到中垂线表面流速和其他垂线表面流速的关系;根据所测各个垂线上的点流速,计算得到垂线平均流速,使用RBF神经网络将垂线处的水深和表面流速作为特征输入,垂线平均流速作为特征输出得到水深,表面流速与平均流速的关系;所述点流速包括表面流速和垂线的水深。
进一步的,所述步骤5具体为:输入中垂线表面流速,根据GA_BP神经网络获得的中垂线表面流速和其他垂线表面流速的关系,得到其他垂线表面流速;然后通过训练好的RBF神经网络得到各垂直切面平均流速;最后根据各垂直切面的面积计算出河道断面流量。
在本实施例中,如图2所示,分析断面结构,对于宽深比大于5的断面,若水面宽度度超过5m,每0.4m划分一个垂直切面;超过2m小于5m水面宽度,每0.25m划分一个垂直切面;小于2m水面宽度,每0.2m划分一个垂直切面;对于宽深比小于5的断面,在距离中垂线左右20%的区域内划分精度按照上述规则提高一倍,其余位置划分规则不变。得到n+1个垂直切面,其面积自左向右分别为S1、S2、S3、……、Sn+1。
其中,先计算宽深比(渠道底部宽度加上水面宽度的和除以两倍水深得到宽深比),再依据水面宽度划分。明渠渠道按照宽深比的不同分为宽浅明渠、窄深明渠,在此主要是先通过宽深比判断是窄深明渠还是宽浅明渠,在矩形明渠中一般以宽深比b/h=5为界限区分明渠类型。窄深明渠(宽深比小于5)相比宽浅明渠在距离中垂线左右各20%的区域内需要划分更密一些,划分精度在宽浅明渠的基础上提高一倍,例宽浅每0.4m划分一个垂直切面,则仅距离中垂线左右各20%的区域内窄深每0.2m划分一个垂直切面。
在本实施例中,通过测速仪测出中垂线表面流速vpb,各个垂直切面水深hi和各个垂线与中垂线相对位置di。
在本实施例中,研发了一种新的非接触式河道流量快速测流技术,以实现对于河道流量的实时监测。区别于传统的人工测流时间和人力成本过高,而新式的非接触式测流技术只能针对于某点或者某个部分区域的流速测量(雷达测量表面流速或超声波测量断面部分区域流速),无法得到整个断面的流速分布情况。针对上述痛点,结合计算流体力学的方法建立实际仿真模型,并利用深度学习的方法进行断面场的重构;从而能够实现由单点或部分区域的流速得到整个断面的流速分布情况。
基于上述的问题叙述,提出一种初步的解决方案(非接触式快速测流技术方案)。首先沿河道两岸设置一个测量缆线,并根据河道宽度标定多个测量点,并通过雷达技术测量各标定点的河道水面的表面流速和河道水位。其次各测量点的河道水位的测量,将断面划分为了多个网格化断面,对各网格断面采用合适的面积重构方法,得到各断面网格的准确计算;通过拟合断面流速场分布和表面流速之间的关系,以此建立断面流速分布模型,通过表面流速能够重构断面流速场,从而能够得出各断面网格的平均流速。最后将各断面网格的面积和平均流速相乘得到断面网格流量,最后采用面积包围法,得到整个断面的流量。
BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络。
基本原理:它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。
BP(back propagation)神经网络结构:BP网络是在输入层与输出层之间增加若干层(一层或多层)神经元,这些神经元称为隐单元,它们与外界没有直接的联系,但其状态的改变,则能影响输入与输出之间的关系,每一层可以有若干个节点。
遗传算法(Genetic Algorithm,GA)是根据大自然中生物体进化规律而设计提出的,是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。
在分析了BP神经网络存在的问题以及遗传算法所具有的优势之后,将两种算法结合起来进行模型的训练以及预测,能够大幅度提高其精度。
在本实施例中,所述GA_BP神经网络模型构建包括:在构建基本的BP神经网络,采用GA算法来优化神经网络初始的权值及阈值,选取最优的权值及阈值,最后再继续使用BP神经网络进行训练;所述RBF神经网络模型构建包括:采用监督学***均流速 使用BP监督RBF神经网络将垂线位置的水深和表面流速作为特征输入,垂线平均流速作为特征输出得到水深,表面流速与平均流速的关系;
所述参数包括径向基函数的中心、方差和隐含层到输出层的权值。
在本实施例中,测量5组河流断面的间距相同的垂线上hi/0.1m各个点流速,尽量选择水位相差较大时的测量。将测量得到的各垂线表面流速vsi(i=1,2,3,…,n)整理,使用GA_BP神经网络将中垂线表面流速和其他垂线与中垂线相对位置作为特征输入,其他垂线表面速度作为特征输出得到中垂线表面流速和其他垂线表面流速关系;
根据所测垂线上各个点流速,计算得到垂线平均流速,使用BP监督RBF神经网络将垂线位置的水深和表面流速作为特征输入,垂线平均流速作为特征输出得到水深,表面流速与平均流速的关系;所述点流速包括表面流速和垂线的水深。
在本实施例中,所述步骤4具体为:将步骤2测量数据依次输入GA_BP神经网络模型和RBF神经网络模型,得到各个垂线平均流速,再根据各垂直切面的面积计算出河道断面流量。
其具体计算公式为:
本发明基于神经网络算法主要依靠中垂线表面一个点流速即可测得河道断面流量。解决了传统流速面积法水位改变需要重新测量所有数据的问题,使得测量测验工作更加高效、准确,具有重要的创新意义和应用价值。
需要说明的是,对于前述的各个方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某一些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和单元并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、ROM、RAM等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (7)
1.一种基于渠道垂直切面的平均流速计算方法,包括以下步骤:
步骤1:设置若干条同一平面均匀分布的垂线,将渠道横截面划分为若干个垂直切面;所述垂线为垂直于水面的切断线;
步骤2:利用测速仪获得渠道中垂线表面流速以及每条垂线的表面流速,利用水位测量设备获得每条垂线处的水深;所述中垂线为垂直于渠道水面中间点的切断线;
步骤3:建立中垂线表面流速和其他垂线与中垂线相对位置与其他垂线表面流速的关系;
步骤4:建立渠道垂直切面处的表面流速和水深,与垂直切面平均流速之间的线性关系;
步骤5:通过中垂线表面流速和水位得到河道断面流量。
2.根据权利要求1所述的一种基于渠道垂直切面的平均流速计算方法,其特征在于,所述步骤1具体为:分析渠道断面结构,对于宽深比大于5的断面,若水面宽度大于5m,则每0.4m划分一个垂直切面;若水面宽度大于2m且不超过5m,每0.25m划分一个垂直切面;若水面宽度不超过2m,每0.2m划分一个垂直切面;对于宽深比小于等于5的断面,在距离中垂线的左右各20%水面宽度的区域内划分精度按照上述规则提高一倍,其余位置划分规则不变;所述宽深比为河道水平中位线长度与河水深度之比。
3.根据权利要求1所述的一种基于渠道垂直切面的平均流速计算方法,其特征在于,所述步骤3具体为:使用GA_BP神经网络,将中垂线表面流速和各个垂线与中垂线的相对位置作为输入,各个垂线的表面流速作为特征输出,得到中垂线表面流速和其他垂线表面流速的关系;所述GA_BP神经网络包括:构建基本的BP神经网络,采用GA算法来优化神经网络初始的权值及阈值,选取最优的权值及阈值,最后再继续使用BP神经网络进行训练。
4.根据权利要求1所述的一种基于渠道垂直切面的平均流速计算方法,其特征在于,所述步骤4具体为:使用BP监督RBF神经网络将垂线位置处的水深和表面流速作为特征输入,垂直切面平均流速作为特征输出得到所述线性关系;所述RBF神经网络包括:采用监督学习算法对RBF神经网络的参数进行训练;对代价函数进行梯度下降,然后修正每个参数;所述参数包括径向基函数的中心、方差和隐含层到输出层的权值。
5.根据权利要求3所述的一种基于渠道垂直切面的平均流速计算方法,其特征在于,所述GA_BP神经网络的训练过程为:根据划分方式测量河流渠道断面间距相同的垂线上的各个点流速;使用GA_BP神经网络将中垂线表面流速,以及其他垂线与中垂线的相对位置作为特征输入,其他垂线表面速度作为特征输出得到中垂线表面流速和其他垂线表面流速的关系。
6.根据权利要求4所述的一种基于渠道垂直切面的平均流速计算方法,其特征在于,所述RBF神经网络的训练过程为:根据所测各个垂线上的点流速,计算得到垂线平均流速,使用RBF神经网络将垂线处的水深和表面流速作为特征输入,垂线平均流速作为特征输出得到水深,表面流速与平均流速的关系;所述点流速包括表面流速和垂线的水深。
7.根据权利要求6所述的一种基于渠道垂直切面的平均流速计算方法,其特征在于,所述步骤5具体为:输入中垂线表面流速,根据GA_BP神经网络获得的中垂线表面流速和其他垂线表面流速的关系,得到其他垂线表面流速;然后通过训练好的RBF神经网络得到各垂直切面平均流速;最后根据各垂直切面的面积计算出河道断面流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111197734.XA CN113945729A (zh) | 2021-10-14 | 2021-10-14 | 一种基于渠道垂直切面的平均流速计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111197734.XA CN113945729A (zh) | 2021-10-14 | 2021-10-14 | 一种基于渠道垂直切面的平均流速计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113945729A true CN113945729A (zh) | 2022-01-18 |
Family
ID=79330445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111197734.XA Pending CN113945729A (zh) | 2021-10-14 | 2021-10-14 | 一种基于渠道垂直切面的平均流速计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113945729A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114814282A (zh) * | 2022-04-13 | 2022-07-29 | 武汉大学 | 一种流速垂线分布测量装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110116765A (ko) * | 2010-04-20 | 2011-10-26 | 주식회사 하이드로소닉 | 인공 개수로용 초음파 유량측정 방법 및 장치 |
CN107490410A (zh) * | 2017-08-17 | 2017-12-19 | 河海大学 | 一种基于代表垂线点流速测量高洪的非接触式测流方法 |
CN108254032A (zh) * | 2017-12-12 | 2018-07-06 | 水利部南京水利水文自动化研究所 | 河流超声波时差法流量计算方法 |
CN110243423A (zh) * | 2019-07-29 | 2019-09-17 | 中国电建集团中南勘测设计研究院有限公司 | 河道流量计算方法及*** |
CN110702079A (zh) * | 2019-10-12 | 2020-01-17 | 中国水利水电科学研究院 | 一种冰盖下流速分布的推演方法 |
CN110906992A (zh) * | 2019-11-27 | 2020-03-24 | 长江水利委员会水文局 | 基于水平adcp施测垂线流速分布的河流流量测量方法 |
CN111288973A (zh) * | 2020-01-23 | 2020-06-16 | 中山大学 | 海表流速获取方法、装置、计算机设备和存储介质 |
CN111461192A (zh) * | 2020-03-25 | 2020-07-28 | 长江水资源保护科学研究所 | 基于多水文站联动学习的河道水位流量关系确定方法 |
CN111476824A (zh) * | 2020-04-08 | 2020-07-31 | 苏州浪潮智能科技有限公司 | 海表面温度预测方法、装置及计算机可读存储介质 |
CN112149597A (zh) * | 2020-09-29 | 2020-12-29 | 中国水利水电科学研究院 | 一种基于深度学习的河流表面流速检测方法 |
CN112305258A (zh) * | 2020-09-07 | 2021-02-02 | 南京睿和致胜信息技术咨询有限公司 | 分解断面流速法 |
CN112948767A (zh) * | 2021-02-24 | 2021-06-11 | 长江水利委员会水文局 | 基于长序列adcp流量模的在线测流方案推荐方法 |
CN113124941A (zh) * | 2021-04-01 | 2021-07-16 | 长江水利委员会长江科学院 | 一种河道流量非接触式测量及精确计算方法 |
-
2021
- 2021-10-14 CN CN202111197734.XA patent/CN113945729A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110116765A (ko) * | 2010-04-20 | 2011-10-26 | 주식회사 하이드로소닉 | 인공 개수로용 초음파 유량측정 방법 및 장치 |
CN107490410A (zh) * | 2017-08-17 | 2017-12-19 | 河海大学 | 一种基于代表垂线点流速测量高洪的非接触式测流方法 |
CN108254032A (zh) * | 2017-12-12 | 2018-07-06 | 水利部南京水利水文自动化研究所 | 河流超声波时差法流量计算方法 |
CN110243423A (zh) * | 2019-07-29 | 2019-09-17 | 中国电建集团中南勘测设计研究院有限公司 | 河道流量计算方法及*** |
CN110702079A (zh) * | 2019-10-12 | 2020-01-17 | 中国水利水电科学研究院 | 一种冰盖下流速分布的推演方法 |
CN110906992A (zh) * | 2019-11-27 | 2020-03-24 | 长江水利委员会水文局 | 基于水平adcp施测垂线流速分布的河流流量测量方法 |
CN111288973A (zh) * | 2020-01-23 | 2020-06-16 | 中山大学 | 海表流速获取方法、装置、计算机设备和存储介质 |
CN111461192A (zh) * | 2020-03-25 | 2020-07-28 | 长江水资源保护科学研究所 | 基于多水文站联动学习的河道水位流量关系确定方法 |
CN111476824A (zh) * | 2020-04-08 | 2020-07-31 | 苏州浪潮智能科技有限公司 | 海表面温度预测方法、装置及计算机可读存储介质 |
CN112305258A (zh) * | 2020-09-07 | 2021-02-02 | 南京睿和致胜信息技术咨询有限公司 | 分解断面流速法 |
CN112149597A (zh) * | 2020-09-29 | 2020-12-29 | 中国水利水电科学研究院 | 一种基于深度学习的河流表面流速检测方法 |
CN112948767A (zh) * | 2021-02-24 | 2021-06-11 | 长江水利委员会水文局 | 基于长序列adcp流量模的在线测流方案推荐方法 |
CN113124941A (zh) * | 2021-04-01 | 2021-07-16 | 长江水利委员会长江科学院 | 一种河道流量非接触式测量及精确计算方法 |
Non-Patent Citations (4)
Title |
---|
张耀先, 张瑞雪: "智能化伺服跟踪明渠流量量测方法探讨", 黄河水利职业技术学院学报, no. 02, 30 April 2005 (2005-04-30), pages 9 - 16 * |
朱颖洁;: "侧扫雷达在线流量监测***在西江流量监测中的应用――以梧州水文站为例", 广西水利水电, no. 01, 29 February 2020 (2020-02-29), pages 44 - 48 * |
牟意红: "基于GA-BP神经网络的灌区水流量监测***设计", 中国优秀硕士学位论文全文数据库 农业科技辑, no. 07, 15 July 2019 (2019-07-15), pages 9 - 16 * |
陈文雄;朱咏;陈学林;: "基于LM-BP神经网络的黑河龙电渠流量推测研究", 地下水, no. 05, 25 September 2018 (2018-09-25), pages 115 - 117 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114814282A (zh) * | 2022-04-13 | 2022-07-29 | 武汉大学 | 一种流速垂线分布测量装置 |
CN114814282B (zh) * | 2022-04-13 | 2023-03-31 | 武汉大学 | 一种流速垂线分布测量装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113887142A (zh) | 一种基于渠道横切面的平均流速计算方法 | |
Verma et al. | Porosity and permeability estimation using neural network approach from well log data | |
CN113221342B (zh) | 一种小流域洪水自适应智能组网预报方法 | |
CN103177289B (zh) | 一种噪声不确定复杂非线性动态***的建模方法 | |
CN112926265A (zh) | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 | |
CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN103714382A (zh) | 一种城轨列车安全检测传感网可靠性多指标综合评估方法 | |
Samantaray et al. | Sediment assessment for a watershed in arid region via neural networks | |
CN113945729A (zh) | 一种基于渠道垂直切面的平均流速计算方法 | |
CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
CN108491931A (zh) | 一种基于机器学习提高无损检测精度的方法 | |
CN111104746B (zh) | 一种基于小波分析的河漫滩高程确定方法 | |
CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能*** | |
CN104634265A (zh) | 一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法 | |
Vaghefi et al. | Application of artificial neural networks to predict flow velocity in a 180 sharp bend with and without a spur dike | |
CN113642259B (zh) | 一种基于多层流速测量的河流流场重构方法 | |
CN114912364A (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
CN111412959A (zh) | 流量在线监测计算方法、监测仪以及监测*** | |
Kaushik et al. | Sustainable gene expression programming model for shear stress prediction in nonprismatic compound channels | |
CN112862200B (zh) | 一种高速公路施工质量全过程智能反馈优化方法 | |
CN113639805B (zh) | 一种基于渠道断面流速场重建的流量测量方法 | |
CN111914488B (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
Torabi et al. | Prediction of soil permeability coefficient using the GEP approach | |
CN115359197A (zh) | 一种基于空间自相关神经网络的地质曲面重构方法 | |
CN114611418B (zh) | 天然气管道流动状态预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |