CN114723177A - 一种基于da-ssl的洪涝灾害预测预警方法 - Google Patents
一种基于da-ssl的洪涝灾害预测预警方法 Download PDFInfo
- Publication number
- CN114723177A CN114723177A CN202210526493.7A CN202210526493A CN114723177A CN 114723177 A CN114723177 A CN 114723177A CN 202210526493 A CN202210526493 A CN 202210526493A CN 114723177 A CN114723177 A CN 114723177A
- Authority
- CN
- China
- Prior art keywords
- pipe network
- functional
- sample
- waterlogging
- diseases
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 201000010099 disease Diseases 0.000 claims abstract description 132
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 132
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- 230000008878 coupling Effects 0.000 claims description 16
- 238000010168 coupling process Methods 0.000 claims description 16
- 238000005859 coupling reaction Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 230000003902 lesion Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 230000008021 deposition Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于DA‑SSL的洪涝灾害预测预警方法,包括:获取城市管网病害初始样本;将所述城市管网病害初始样本输入至改进后的PCSWMM模型;所述改进后的PCSWMM模型输出带内涝结果标签的管网功能性病害样本集;对所述城市管网病害初始样本进行样本集扩充,获取扩充后的带内涝结果标签的带标签样本集;利用交叉熵进行有/无标签样本集的信息差异度量,随机生成不带内涝结果标签的不带标签样本集,并将所述带标签样本集以及所述不带标签样本集输入所述改进后的PCSWMM模型,对所述改进后的PCSWMM模型进行反复训练,获取不同管网功能性病害情况的城市内涝区域结果。采用本发明,可以准确拟合功能性病害影响下排水管网过流能力与流速分布,内涝预警结果十分准确、可靠。
Description
技术领域
本发明涉及洪涝灾害预警领域,特别是涉及一种基于DA-SSL的洪涝灾害预测预警方法。
背景技术
现有洪涝灾害预测预警方法(如目前较为成熟的雨洪管理模型(PCSWMM))在构建城市内涝预警及防灾决策***过程中,可综合考虑不同重现期暴雨下地表产汇流模拟和管网水动力传输过程,但假设排水管网为通畅状态,忽视了管道病害对于过流能力和流速分布的影响。然而,调研显示,全国主要城市平均每公里排水管道存在功能性病害12处,其中结垢、淤积病害占比70%以上,造成现有洪涝灾害预测预警方法在预测排水管网过流能力方面的准确性严重不足,需要亟待构建考虑管道功能性病害与城市内涝耦合关系的洪涝灾害预测预警方法。
现有的城市内涝预警模型研究主要集中在不同重现期暴雨下的精细化雨洪模拟和低影响开发布设,忽略了多相流和多场耦合下管网功能性病害对城市地表地下一二维产汇流的影响,难以保证内涝预警结果的准确性。
城市内涝预警受管道坡度、过流水力半径、湿周等多参数影响,通过控制变量法逐一分析计算管道功能性病害和内涝区域的对应关系工作量大,难以实现。
综上所述,现有洪涝灾害预测预警方法具有如下缺点:
(1)忽视了管道功能性病害(结垢、淤积)对于过流能力和流速分布的影响,造成现有洪涝灾害预测预警方法在预测排水管网过流能力方面的准确性严重不足;
(2)忽略了多相流和多场耦合下管网功能性病害对城市地表地下一二维产汇流的影响,难以保证内涝预警结果的准确性;
(3)通过控制变量法逐一分析计算管道功能性病害和内涝区域的对应关系工作量大,难以实现。
为了解决上述问题,本发明的发明人提供了一种基于DA-SSL的洪涝灾害预测预警方法。
发明内容
为了解决上述问题,本发明的目的是提供一种基于DA-SSL的洪涝灾害预测预警方法,可以准确拟合功能性病害影响下排水管网过流能力与流速分布,内涝预警结果十分准确、可靠。
基于此,本发明提供了一种基于DA-SSL的洪涝灾害预测预警方法,所述方法包括:
获取城市管网功能性病害初始样本,所述城市管网功能性病害初始样本包括:不同重现期暴雨数据以及管网功能性病害现有样本集;
将所述城市管网功能性病害初始样本输入至改进后的PCSWMM模型;
所述改进后的PCSWMM模型输出带内涝结果标签的管网功能性病害样本集;
对所述城市管网病害初始样本进行样本集扩充,获取扩充后的带内涝结果标签的带标签样本集;
利用交叉熵进行有/无标签样本集的信息差异度量,随机生成不带内涝结果标签的不带标签样本集,并将所述带标签样本集以及所述不带标签样本集输入所述改进后的PCSWMM模型,对所述改进后的PCSWMM模型进行反复训练,使得所述改进后的PCSWMM模型能够获取不同管网功能性病害情况的城市内涝区域结果。
其中,对所述城市管网病害初始样本进行样本集扩充包括;
获取所述管网功能性病害现有样本集以及相应的内涝结果标签值,并给扩充后的新管网功能性病害样本集赋初值;
计算半监督学习反演损失函数对于所述管网功能性病害样本所对应内涝结果标签值的损失梯度,并获取所述损失梯度最大的特征项索引值;
根据预设赋值规则,将所述索引值对应的扩充后样本特征项进行重新赋值;
新的带内涝结果标签的管网功能性病害样本集由所述城市管网功能性病害初始样本不断调整赋值,使其接近分类边界,进而得到扩充后的带标签样本集。
其中,所述计算半监督学习反演损失函数对于所述管网功能性病害样本所对应内涝结果标签值的损失梯度,并获取所述损失梯度最大的特征项索引值包括:
所述半监督学习反演损失函数F的计算方法为:
其中,M为功能性病害类别的数量,yic表示样本i的真实类别等于c取1,否则取0,pic表示样本i属于功能性病害类别c的预测概率,N为隐藏层的个数;
其中,n为管网功能性病害样本集的最大行数,m为管网功能性病害样本集的最大列数。
其中,所述根据预设赋值规则,将所述索引值对应的扩充后样本特征项进行重新赋值包括:
其中,所述方法还包括:采用半监督学习反演方法和控制变量法对比分析管网功能性病害输入和内涝结果数据集,提取管网功能性病害与城市局部区域内涝情况的对应关系,率定损失函数的各项参数;
以预设更新周期将预测结果加入初始训练集,反复迭代减小损失函数的误差。
其中,所述采用半监督学习反演方法和控制变量法对比分析管网功能性病害输入和内涝结果数据集,提取管网功能性病害与城市局部区域内涝情况的对应关系,率定损失函数的各项参数包括:
提取管网功能性病害与城市局部区域内涝情况的对应关系是由率定损失函数的各项参数得到的;
所述率定损失函数的各项参数通过不断调整缩小城市管网功能性病害初始样本集输入层、隐含层和输出层的综合误差率实现参数确定。
以控制变量法逐一调整各项参数的大小,以达到缩小输出层误差率的目的。Ai为第i个参数,c为常数,n为参数的总个数。若第一个参数调整后为(A1+c,A2,...,An)时,误差率减小,再继续增加第一个参数,否则减小第一个参数,当第一个参数调整完成后,逐一以常数c调整其他参数。
其中,所述改进后的PCSWMM模型的构建过程:
所述改进后的PCSWMM模型的构建过程包括:将考虑管网功能性病害的一二维耦合模型工程化实现为功能模块,并以动态库的形式与现有PCSWMM模型整合,得到改进后的考虑管网病害的PCSWMM模型;
排水管网功能性病害与内涝的水文水动力学耦合关系模型可由一维明满流控制方程和二维浅水方程进行动态量化,具体如下:
其中,Z表示水位,A为过水断面面积,Q为截面的出口流量,qL表示旁侧入流,g为重力加速度,t和x分别表示一维时间和空间坐标,a表示波速,Sf为摩阻比降,hL为单元长度上的局部水头损失,h为水深,t为时间,x、y和z为坐标系,u和v分别为x和y方向的流速分量,为垂向平均流速,ρ为流体密度,b为水底高程,Sax和Say分别为x和y方向的底坡项分量,Sfx和Sfy分别为x和y方向的摩阻项分量,τzy和τzy均为侧向应力;
采用一维明满流控制方程和二维浅水方程工程化为PCSWMM的一个功能模块来提高PCSWMM对内涝的预测准确性。
本发明采用“数据集扩充(DA)+半监督学习(SSL)+雨洪管理模型(PCSWMM)”的数值模拟与融合技术手段实现基于DA-SSL的洪涝灾害预测预警方法并进行不同重现期暴雨下的洪涝灾害预测预警。本发明的目的在于基于排水管网功能性病害与内涝的耦合关系、DA、SSL和PCSWMM设计实现一种能够满足准确拟合功能性病害影响下排水管网过流能力与流速分布、内涝预警结果准确、高效率和高可靠性的基于DA-SSL的洪涝灾害预测预警方法,克服当前洪涝灾害预测预警方法的诸多缺点。基于此,本发明具有如下优点:
(1)准确拟合功能性病害影响下排水管网过流能力与流速分布。基于DA-SSL的洪涝灾害预测预警方法利用试验率定的管道汇流参数判定管道功能性病害临界起动条件和水文水动力学耦合关系对PCSWMM进行工程化改进,在DLL动态库链接和Arcgis软件的共同配合下,实现功能性病害影响下排水管网过流能力与流速分布的准确拟合。
(2)内涝预警结果准确。通过考虑管网功能性病害与内涝水文水动力学耦合关系的PCSWMM动态模拟考虑管网功能性病害和内涝水文水动力学耦合关系的城市一二维瞬时水流状态转换规律,准确计算淹没水深、淹没面积、淹没历时等内涝指标,解决现有研究中未考虑管网功能性病害对内涝结果影响的问题。
(3)高效率。基于DA-SSL的洪涝灾害预测预警方法利用数据集扩充和半监督学习相结合的深度学习方法实现洪涝预警结果的高效输出。
(4)高可靠性。本发明采用“数据集扩充(DA)+半监督学习(SSL)+雨洪管理模型(PCSWMM)”的数值模拟与融合技术手段实现基于DA-SSL的洪涝灾害预测预警方法。由考虑管网功能性病害与内涝水文水动力学耦合关系的PCSWMM得到准确的深度学习输入样本集,结合数据集扩充方法,能够充分保证基于DA-SSL的洪涝灾害预测预警方法的结果输出可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于DA-SSL的洪涝灾害预测预警方法的示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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。
图1是本发明实施例提供的基于DA-SSL的洪涝灾害预测预警方法的示意图,所述方法包括:
S101、获取城市管网病害初始样本,所述城市管网病害初始样本包括:不同重现期暴雨数据以及管网功能性病害现有样本集;
管网功能性病害现有样本集包括不同区段管道淤积情况(是否有淤积质存在)、淤积程度、淤积长度、结垢情况(是否有结垢体存在)、结垢程度、结垢长度。
S102、将所述城市管网病害初始样本输入至改进后的PCSWMM模型;
改进后的PCSWMM模型改进过程:将考虑管网功能性病害的一二维耦合模型工程化实现为功能模块,并以动态库的形式与现有PCSWMM模型整合,得到改进后的考虑管网病害的PCSWMM模型。
其中,所述改进后的PCSWMM模型的构建过程:
改进后的PCSWMM模型改进过程:将考虑管网功能性病害的一二维耦合模型工程化实现为功能模块,并以动态库的形式与现有PCSWMM模型整合,得到改进后的考虑管网病害的PCSWMM模型。
排水管网功能性病害与内涝的水文水动力学耦合关系模型可由一维明满流控制方程和二维浅水方程进行动态量化,具体如下:
其中,Z表示水位,A为过水断面面积,Q为截面的出口流量,qL表示旁侧入流,g为重力加速度,t和x分别表示一维时间和空间坐标,a表示波速,Sf为摩阻比降,hL为单元长度上的局部水头损失,h为水深,t为时间,x、y和z为坐标系,u和v分别为x和y方向的流速分量,为垂向平均流速,ρ为流体密度,b为水底高程,Sax和Say分别为x和y方向的底坡项分量,Sfx和Sfy分别为x和y方向的摩阻项分量,τzy和τzy均为侧向应力。
一维明满流控制方程和二维浅水方程工程化为PCSWMM的一个功能模块,以此提高PCSWMM对内涝的预测准确性。
S103、所述改进后的PCSWMM模型输出带内涝结果标签的管网功能性病害样本集;
S104、对所述城市管网病害初始样本进行样本集扩充,获取扩充后的带内涝结果标签的带标签样本集;
由于城市管网病害初始样本有限,通过随机样本集扩充的方法将初始样本进行扩充,输入改进后的PCSWMM,得到带内涝结果标签的带标签样本集;
此处是仅仅将城市管网病害初始样本中的网管功能性病害现有样本集输入改进后的PCSWMM模型。
其中,对所述城市管网病害初始样本进行样本集扩充包括;
获取所述管网功能性病害现有样本集以及相应的内涝结果标签值,并给扩充后的新管网功能性病害样本集赋初值;
计算半监督学习反演损失函数对于所述管网功能性病害样本所对应内涝结果标签值的损失梯度,并获取所述损失梯度最大的特征项索引值;
根据预设赋值规则,将所述索引值对应的扩充后样本特征项进行重新赋值;
新的带内涝结果标签的管网功能性病害样本集由初始样本集不断调整赋值,使其接近分类边界,进而得到扩充后的带标签样本集。
其中,所述计算半监督学习反演损失函数对于所述管网功能性病害样本所对应内涝结果标签值的损失梯度,并获取所述损失梯度最大的特征项索引值包括:
所述半监督学习反演损失函数F的计算方法为:
其中,M为功能性病害类别的数量,yic表示样本i的真实类别等于c取1,否则取0,pic表示样本i属于功能性病害类别c的预测概率,N为隐藏层的个数;
其中,n为管网功能性病害样本集的最大行数,m为管网功能性病害样本集的最大列数。
其中,所述根据预设赋值规则,将所述索引值对应的扩充后样本特征项进行重新赋值包括:
所述城市管网病害初始样本进行样本集扩充的原理为:FGSM通过计算半监督学习反演损失函数对输入数据集的梯度,找到梯度值最大的特征项,然后更改这一特征项的值,使输入朝着增大模型损失的方向移动,生成新的样本点,新的样本点更靠近模型的决策边界,具体过程如下:
1)原始管网功能性病害样本集和相应的内涝结果标签值分别为IS、Ls;
有n·m维特征项,m表示洪涝预警的区域数量,n表示排水管道功能性病害种类的数量。每个特征项取值集合为{0,0.25,0.5,0.75,1},取值为0时,表示排水管道不存在该种功能性病害;取值为0.25到1时,表示排水管道存在该种功能性病害的严重程度。给扩充后的新管网功能性病害样本集Ns赋初值;
2)计算半监督学习反演损失函数F对于原始内涝结果标签的损失梯度,找到梯度值最大的特征项索引值imax,即。
3)为了使数据扩充得到的带内涝标签的新样本值更接近于真实情况,将索引值imax对应的新样本特征项进行重新调整赋值,赋值规则为:
4)新的带内涝结果标签Ls的管网功能性病害样本集Ns由初始样本集Is不断调整赋值,使其接近分类边界,进而得到扩充后的带标签样本集。
S105、利用交叉熵进行有/无标签样本集的信息差异度量,随机生成不带内涝结果标签的不带标签样本集,并将所述带标签样本集以及所述不带标签样本集输入所述改进后的PCSWMM模型,对所述改进后的PCSWMM模型进行反复训练,获取不同管网功能性病害情况的城市内涝区域结果。
其中,所述方法还包括:采用半监督学习反演方法和控制变量法对比分析管网功能性病害输入和内涝结果数据集,提取管网功能性病害与城市局部区域内涝情况的对应关系,率定损失函数的各项参数;
以预设更新周期将预测结果加入初始训练集,反复迭代减小损失函数的误差。
提取管网功能性病害与城市局部区域内涝情况的对应关系是由率定损失函数的各项参数得到的;
所述率定损失函数的各项参数通过不断调整缩小城市管网功能性病害初始样本集输入层、隐含层和输出层的综合误差率实现参数确定。
以控制变量法逐一调整各项参数的大小,达到缩小输出层误差率的目的。Ai为第i个参数,c为常数,n为参数的总个数。若第一个参数调整后为(A1+c,A2,…,An)时,误差率减小,再继续增加第一个参数,否则减小第一个参数。当第一个参数调整完成后,逐一以常数c调整其他参数。
本发明采用“数据集扩充(DA)+半监督学习(SSL)+雨洪管理模型(PCSWMM)”的洪涝预测预警体制,充分考虑了地下排水管网功能性病害与内涝水文水动力学耦合关系对洪涝结果的影响,同时结合基于FGSM的样本集扩充和半监督学习反演技术,提高洪涝预测预警的结果输出效率和准确度。因此,本发明具有预测效率高、精确度高、高可靠性的优点。基于DA-SSL的洪涝灾害预测预警方法新输出区域洪涝结果与管网功能性病害输入样本共同构成带标签的样本集,以周期T对半监督学习反演进行误差校正。因此,本发明具有预测预警准确率随着迭代次数的增加而逐步提高的优点。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (7)
1.一种基于DA-SSL的洪涝灾害预测预警方法,其特征在于,包括:
获取城市管网功能性病害初始样本,所述城市管网功能性病害初始样本包括:不同重现期暴雨数据以及管网功能性病害现有样本集;
将所述城市管网功能性病害初始样本输入至改进后的PCSWMM模型;
所述改进后的PCSWMM模型输出带内涝结果标签的管网功能性病害样本集;
对所述城市管网病害初始样本进行样本集扩充,获取扩充后的带内涝结果标签的带标签样本集;
利用交叉熵进行有/无标签样本集的信息差异度量,随机生成不带内涝结果标签的不带标签样本集,并将所述带标签样本集以及所述不带标签样本集输入所述改进后的PCSWMM模型,对所述改进后的PCSWMM模型进行反复训练,使得所述改进后的PCSWMM模型能够获取不同管网功能性病害情况的城市内涝区域结果。
2.如权利要求1所述的基于DA-SSL的洪涝灾害预测预警方法,其特征在于,对所述城市管网病害初始样本进行样本集扩充包括;
获取所述管网功能性病害现有样本集以及相应的内涝结果标签值,并给扩充后的新管网功能性病害样本集赋初值;
计算半监督学习反演损失函数对于所述管网功能性病害样本所对应内涝结果标签值的损失梯度,并获取所述损失梯度最大的特征项索引值;
根据预设赋值规则,将所述索引值对应的扩充后样本特征项进行重新赋值;
新的带内涝结果标签的管网功能性病害样本集由所述城市管网功能性病害初始样本不断调整赋值,使其接近分类边界,进而得到扩充后的带标签样本集。
3.如权利要求2所述的基于DA-SSL的洪涝灾害预测预警方法,其特征在于,所述计算半监督学习反演损失函数对于所述管网功能性病害样本所对应内涝结果标签值的损失梯度,并获取所述损失梯度最大的特征项索引值包括:
所述半监督学习反演损失函数F的计算方法为:
其中,M为功能性病害类别的数量,yic表示样本i的真实类别等于c取1,否则取0,pic表示样本i属于功能性病害类别c的预测概率,N为隐藏层的个数;
其中,n为管网功能性病害样本集的最大行数,m为管网功能性病害样本集的最大列数。
5.如权利要求1所述的基于DA-SSL的洪涝灾害预测预警方法,其特征在于,所述方法还包括:采用半监督学习反演方法和控制变量法对比分析管网功能性病害输入和内涝结果数据集,提取管网功能性病害与城市局部区域内涝情况的对应关系,率定损失函数的各项参数;
以预设更新周期将预测结果加入初始训练集,反复迭代减小损失函数的误差。
6.如权利要求3所述的基于DA-SSL的洪涝灾害预测预警方法,其特征在于,所述采用半监督学习反演方法和控制变量法对比分析管网功能性病害输入和内涝结果数据集,提取管网功能性病害与城市局部区域内涝情况的对应关系,率定损失函数的各项参数包括:
提取管网功能性病害与城市局部区域内涝情况的对应关系是由率定损失函数的各项参数得到的;
所述率定损失函数的各项参数通过不断调整缩小城市管网功能性病害初始样本集输入层、隐含层和输出层的综合误差率实现参数确定。
以控制变量法逐一调整各项参数的大小,以达到缩小输出层误差率的目的。Ai为第i个参数,c为常数,n为参数的总个数。若第一个参数调整后为(A1+c,A2,...,An)时,误差率减小,再继续增加第一个参数,否则减小第一个参数,当第一个参数调整完成后,逐一以常数c调整其他参数。
7.如权利要求1所述的基于DA-SSL的洪涝灾害预测预警方法,其特征在于,所述改进后的PCSWMM模型的构建过程:
所述改进后的PCSWMM模型的构建过程包括:将考虑管网功能性病害的一二维耦合模型工程化实现为功能模块,并以动态库的形式与现有PCSWMM模型整合,得到改进后的考虑管网病害的PCSWMM模型;
排水管网功能性病害与内涝的水文水动力学耦合关系模型可由一维明满流控制方程和二维浅水方程进行动态量化,具体如下:
其中,Z表示水位,A为过水断面面积,Q为截面的出口流量,qL表示旁侧入流,g为重力加速度,t和x分别表示一维时间和空间坐标,a表示波速,Sf为摩阻比降,hL为单元长度上的局部水头损失,h为水深,t为时间,x、y和z为坐标系,u和v分别为x和y方向的流速分量,为垂向平均流速,ρ为流体密度,b为水底高程,Sax和Say分别为x和y方向的底坡项分量,Sfx和Sfy分别为x和y方向的摩阻项分量,τzy和τzy均为侧向应力;
采用一维明满流控制方程和二维浅水方程工程化为PCSWMM的一个功能模块来提高PCSWMM对内涝的预测准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210526493.7A CN114723177A (zh) | 2022-05-16 | 2022-05-16 | 一种基于da-ssl的洪涝灾害预测预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210526493.7A CN114723177A (zh) | 2022-05-16 | 2022-05-16 | 一种基于da-ssl的洪涝灾害预测预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114723177A true CN114723177A (zh) | 2022-07-08 |
Family
ID=82232115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210526493.7A Pending CN114723177A (zh) | 2022-05-16 | 2022-05-16 | 一种基于da-ssl的洪涝灾害预测预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723177A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115268937A (zh) * | 2022-09-27 | 2022-11-01 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种多相流流场初始化方法、装置、设备及介质 |
-
2022
- 2022-05-16 CN CN202210526493.7A patent/CN114723177A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115268937A (zh) * | 2022-09-27 | 2022-11-01 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种多相流流场初始化方法、装置、设备及介质 |
CN115268937B (zh) * | 2022-09-27 | 2023-02-17 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种多相流流场初始化方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jia et al. | Surrogate modeling for peak or time-dependent storm surge prediction over an extended coastal region using an existing database of synthetic storms | |
CN110738355B (zh) | 一种基于神经网络的城市内涝预测方法 | |
CN108921944B (zh) | 一种基于动态沟道的水文响应单元出流过程的计算方法 | |
Yazdi | Rehabilitation of urban drainage systems using a resilience-based approach | |
Park et al. | Optimal design of stormwater detention basin using the genetic algorithm | |
CN113807008B (zh) | 一种基于深度学习的城市暴雨内涝模拟方法 | |
CN117236673B (zh) | 城市水网多尺度防洪排涝联合优化调度方法和*** | |
KR102584619B1 (ko) | 분포형 모델이 적용된 수리수문 해석 기반 수질오염 사고 예측 시스템 | |
Hao et al. | Coupling the Xinanjiang model with geomorphologic instantaneous unit hydrograph for flood forecasting in northeast China | |
CN114648617A (zh) | 一种基于数字高程模型dem的水系提取方法 | |
KR101670918B1 (ko) | 지상과 지하의 실시간 침수 해석방법 | |
CN114936505B (zh) | 一种城市雨水井多点位水深快速预报的方法 | |
CN114723177A (zh) | 一种基于da-ssl的洪涝灾害预测预警方法 | |
CN111199298A (zh) | 基于神经网络的洪水预报方法与*** | |
Zhou et al. | Prediction and early warning method of inundation process at waterlogging points based on Bayesian model average and data-driven | |
CN113627817B (zh) | 一种基于城市内涝条件下道路连通性分析方法 | |
CN117688844A (zh) | 一种基于深度神经网络的城市内涝实时模拟方法及*** | |
Jhong et al. | Optimization of LSTM parameters for flash flood forecasting using genetic algorithm | |
Dang et al. | Application of machine learning-based surrogate models for urban flood depth modeling in Ho Chi Minh City, Vietnam | |
Ekmekcioğlu et al. | Exploring the practical application of genetic programming for stormwater drain inlet hydraulic efficiency estimation | |
CN116887297A (zh) | 排水管网无线传感器网络监测节点的优化部署方法 | |
Jin et al. | Integration of an improved transformer with physical models for the spatiotemporal simulation of urban flooding depths | |
Hsu et al. | Study on Flood Para-Tank Model Parameters with Particle Swarm Optimization. | |
Thakur et al. | Exploring CCHE2D and its sediment modelling capabilities | |
Sheng et al. | GAT-GRU Based Model for Water Network Flow Prediction |
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 |