CN114896909A - 一种基于水位高度的明渠流量计算方法 - Google Patents
一种基于水位高度的明渠流量计算方法 Download PDFInfo
- Publication number
- CN114896909A CN114896909A CN202210560775.9A CN202210560775A CN114896909A CN 114896909 A CN114896909 A CN 114896909A CN 202210560775 A CN202210560775 A CN 202210560775A CN 114896909 A CN114896909 A CN 114896909A
- Authority
- CN
- China
- Prior art keywords
- flow velocity
- water level
- flow
- channel
- open channel
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 55
- 238000004364 calculation method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000003746 surface roughness Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 230000002262 irrigation Effects 0.000 abstract description 4
- 238000003973 irrigation Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明公开了一种基于水位高度的明渠流量计算方法,包括步骤:利用雷达超声波反射原理测量渠道参数信息;利用缆道测量法测得不同水位高度下的少量点流速信息;利用所测渠道参数,建立CFD数值仿真模型,基于实测数据,优化CFD数值仿真模型,直至达到误差要求;利用所得仿真数据扩充数据集,训练径向基神经网络,基于误差结果优化网络结构及参数,使重构流速分布与真实流速分布的均方根误差最小化;利用所得流速场分布,通过流速‑面积法实现渠道流量的高精度计算。本发明利用有限元仿真软件结合神经网络算法实现对明渠断面流速场的构建,从而实现对流量的高精度估算,对于提高灌区用水管理,实现水资源高效利用等具有重要的现实意义。
Description
技术领域
本发明涉及水文测验应用技术领域,特别是指一种基于水位高度的明渠流量计算方法。
背景技术
明渠是一种具有自由表面(表面上各点受大气压强的作用)水流的渠道。人工明渠可以用于人工输水渠道、运河及未充满水流的管道等。人工明渠挖掘更方便,布局更加自由,节约材料,不需要过度考虑地理位置。如果与一定的科学技术相结合,将更能发挥明渠的优势。实现明渠流量的精确测量,对于水资源的合理利用,调配市县流域水量以及了解污水走向等具有重要意义。
在水文分析与测量中,目前应用范围较广的明渠流量测量方法有:1. 量水堰槽法。利用堰前断面和收缩面之间建立伯努利方程。但是由于建造的原因,导致泥沙堆积,影响水位流量关系,精度降低。其需要定期的维护和清理,加大了成本。而且需要改造已有的明渠,投资大。2. 流速断面法。其需要人工操作,尽管测量精度高,但是也达不到自动化的要求。并且对于窄深明渠来说,其流速分布不是对数分布,精度并不高。
CFD模拟方法主要是在物理方程(如质量守恒方程、动量守恒方程等)控制下对流体运动的数值模拟,其数值模拟可以对比和延伸实验结果,不需要深入的研究控制方程,只要研究问题的物理本质、边界条件和对计算结果的解释和分析。
水文预报模型可粗略的分为过程驱动模型和数据驱动模型。过程驱动模型以水文学为基础,实现流量过程的预报;数据驱动模型基本不考虑水文过程的物理机制,通过建立最优数学关系实现流量的预报。在数据驱动模型中,神经网络依靠***的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的,在水文领域得到了广泛的应用。
由于国内外现有明渠流速分布研究的不完善性,无法实现流量测量高精度与低成本的有效统一。本发明利用有限元仿真软件结合神经网络算法实现对流速场的构建,从而实现对流量的高精度估算。本发明所提出的明渠流量计算方法对于提高灌区用水管理,实现水资源高效利用等具有重要的现实意义。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于水位高度的明渠流量计算方法。
本发明的技术方案是这样实现的:
一种基于水位高度的明渠流量计算方法,包括以下步骤:
步骤1:利用雷达超声波反射原理测量渠道参数信息;
步骤2:利用缆道测量法测得不同水位高度下的少量点流速信息;
步骤3:利用步骤1中所测渠道参数,建立CFD数值仿真模型,基于步骤2中的实测数据,优化CFD数值仿真模型,直至达到误差要求;
步骤4:利用所得仿真数据扩充数据集,训练径向基神经网络,基于误差结果优化网络结构及参数,使重构流速分布与真实流速分布的均方根误差最小化;
步骤5:利用所得流速场分布,通过流速—面积法实现渠道流量的高精度计算。
进一步地,所述流速分布的构建,包括CFD数值仿真模型的建立和径向基神经网络模型的搭建。
进一步地,所述神经网络的训练集,其将水位高度及该水位下某待求点横、纵坐标作为输入特征,待求点对应的流速值作为输出特征。
进一步地,所述径向基神经网络的训练集,包括实测数据及CFD产生的仿真数据。
进一步地,所述渠道参数信息,包括渠道形状、渠道底宽、水位高度、壁面粗糙程度和坡度。
本发明的有益效果:本发明解决了在水利计量领域难以实现高效率与低成本的统一的问题,本发明通过结合CFD数值仿真技术与神经网络模型实现了明渠断面流量高精度计算,对于提高灌区用水管理,实现水资源高效利用等具有重要的现实意义。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的明渠流量计算方法流程图;
图2是本发明实施例渠道断面实测点示意图;
图3是本发明实施例渠道断面训练集数据示意图;
图4是本发明实施例RBF神经网络结构示意图;
图5是本发明实施例流速-面积法示意图。
具体实施方式
应当理解,此处所描述的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做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,一种基于水位高度的明渠流量计算方法,包括以下步骤:
步骤1:利用雷达超声波反射原理测量渠道参数信息;
步骤2:利用缆道测量法测得不同水位高度下的少量点流速信息;
步骤3:利用步骤1中所测渠道参数,建立CFD数值仿真模型,基于步骤2中的实测数据,优化CFD数值仿真模型,直至达到误差要求;
步骤4:利用所得仿真数据扩充数据集,训练径向基神经网络,基于误差结果优化网络结构及参数,使重构流速分布与真实流速分布的均方根误差最小化;
步骤5:利用所得流速场分布,通过流速—面积法实现渠道流量的高精度计算。
进一步地,所述测量的渠道参数信息,包括渠道形状、渠道底宽、水位高度、壁面粗糙程度、坡度。
在本实施中,利用缆道测量法测量如图2所示的渠道在27种不同水位高度下某一断面中均匀分布的7条垂线上三个不同深度(0.2h,0.6h,0.8h)的单点流速,共567个点,将其流速值作为该水位下的实测数据。
进一步地,所述CFD数值仿真模型,通过渠道参数建立。
CFD仿真过程包括:
在本实施中,由于渠道模型几何较为简单,采用sweep网格划分方法以除去不必要的几何特征。
所述CFD仿真过程中的计算求解包括:
基于渠道水速变化与时间相关且渠道具有一定坡度,选择瞬态模型,并且添加z方向重力、加速度分量模拟河道坡度。
基于渠道受渠内的水流和表面的气流影响,添加材料water。
基于流体力学,针对入水口、出水口、水面、避免的参数进行边界条件设定。
基于初始值对收敛过程的影响,采用PISO算法作为求解算法。
进一步地,所述CFD数值仿真模型的优化具体为:通过实测数据不断调整模型,直至达到所有水位下的均方根误差与平均相对误差均小于5%的误差要求。此时说明CFD计算的流速场和实际情况基本相同。
进一步地,均方根误差计算公式:
平均相对误差计算公式:
进一步地,所述径向基神经网络的训练集,包括实测数据及CFD产生的仿真数据。
在本实例中,用27个水位下CFD仿真结果作为实测数据的补充,补充方法如图3所示。在两条实线交点处,速度数据为实测值;在实线与虚线交点处,速度数据为通过CFD模拟实验计算值。选择一个水位高度h 0以及该水位高度下每个交点的横坐标x i 、纵坐标y i 作为输入,该坐标点(x i , y i )对应流速值作为输出,产生训练集。
进一步地,所述径向基神经网络的训练具体为:
选用径向基函数g m 如下所示。
进一步地,所述神经网络的训练集的误差分析具体为:
利用如下公式,不断调整神经网络的结构(神经元个数)以及参数(径向基函数的中心和宽度)。当每个点流速的相对误差均在5%以内时,该模型已学习了渠道的流速分布规律,即明渠流速场分布模型构建完成。
其中,V rn 为该水位下各测速点的实测速度,V in 为该水位下神经网络计算的各点速度,n为该水位下第n个测量点,N为该水位下测点的总数。
进一步地,所述明渠流量的高精度计算,通过流速-面积法实现:
通过垂线和相对水深将拟合的断面划分为一个个部分,如图5所示。利用该小部分的平均流速乘以该部分的面积既可求取该部分的流量,公式如下。各个部分的流量都如上得到,最后将各个部分的流量相加即可得到整个明渠断面的流量,即实现了明渠流量的高精度计算。
本发明解决了在水利计量领域难以实现高效率与低成本的统一的问题,本发明通过结合CFD数值仿真技术与神经网络模型实现了明渠断面流量高精度计算,对于提高灌区用水管理,实现水资源高效利用等具有重要的现实意义。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于水位高度的明渠流量计算方法,其特征在于,包括以下步骤:
步骤1:利用雷达超声波反射原理测量渠道参数信息;
步骤2:利用缆道测量法测得不同水位高度下的少量点流速信息;
步骤3:利用步骤1中所测渠道参数,建立CFD数值仿真模型,基于步骤2中的实测数据,优化CFD数值仿真模型,直至达到误差要求;
步骤4:利用所得仿真数据扩充数据集,训练径向基神经网络,基于误差结果优化网络结构及参数,使重构流速分布与真实流速分布的均方根误差最小化;
步骤5:利用所得流速场分布,通过流速—面积法实现渠道流量的高精度计算。
2.根据权利要求1所述的一种基于水位高度的明渠流量计算方法,其特征在于:所述流速分布的构建,包括CFD数值仿真模型的建立和径向基神经网络模型的搭建。
3.根据权利要求2所述的一种基于水位高度的明渠流量计算方法,其特征在于:所述径向基神经网络的训练集,包括实测数据及CFD产生的仿真数据。
4.根据权利要求3所述的一种基于水位高度的明渠流量计算方法,其特征在于:所述神经网络的训练集,其将水位高度及该水位下某待求点横、纵坐标作为输入特征,待求点对应的流速值作为输出特征。
5.根据权利要求1所述的一种基于水位高度的明渠流量计算方法,其特征在于:所述渠道参数信息,包括渠道形状、渠道底宽、水位高度、壁面粗糙程度和坡度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560775.9A CN114896909A (zh) | 2022-05-23 | 2022-05-23 | 一种基于水位高度的明渠流量计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560775.9A CN114896909A (zh) | 2022-05-23 | 2022-05-23 | 一种基于水位高度的明渠流量计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114896909A true CN114896909A (zh) | 2022-08-12 |
Family
ID=82723857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210560775.9A Pending CN114896909A (zh) | 2022-05-23 | 2022-05-23 | 一种基于水位高度的明渠流量计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114896909A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384289A (zh) * | 2023-06-05 | 2023-07-04 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种通过计算流体动力学预测墩块式鱼道流量的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642274A (zh) * | 2021-10-14 | 2021-11-12 | 四川大学 | 一种基于流场模型的河流流量计算方法 |
CN113642259A (zh) * | 2021-10-14 | 2021-11-12 | 国能大渡河流域水电开发有限公司 | 一种基于多层流速测量的河流流场重构方法 |
CN113639805A (zh) * | 2021-10-14 | 2021-11-12 | 成都万江港利科技股份有限公司 | 一种基于渠道断面流速场重建的流量测量方法 |
CN113887142A (zh) * | 2021-10-14 | 2022-01-04 | 朱蕾 | 一种基于渠道横切面的平均流速计算方法 |
CN114169258A (zh) * | 2021-11-08 | 2022-03-11 | 四川大学 | 一种明渠的流量测量方法、装置、设备及存储介质 |
-
2022
- 2022-05-23 CN CN202210560775.9A patent/CN114896909A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642274A (zh) * | 2021-10-14 | 2021-11-12 | 四川大学 | 一种基于流场模型的河流流量计算方法 |
CN113642259A (zh) * | 2021-10-14 | 2021-11-12 | 国能大渡河流域水电开发有限公司 | 一种基于多层流速测量的河流流场重构方法 |
CN113639805A (zh) * | 2021-10-14 | 2021-11-12 | 成都万江港利科技股份有限公司 | 一种基于渠道断面流速场重建的流量测量方法 |
CN113887142A (zh) * | 2021-10-14 | 2022-01-04 | 朱蕾 | 一种基于渠道横切面的平均流速计算方法 |
CN114169258A (zh) * | 2021-11-08 | 2022-03-11 | 四川大学 | 一种明渠的流量测量方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
张振;徐立中;韩华;严锡君;: "基于径向基神经网络的明渠流量软测量方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384289A (zh) * | 2023-06-05 | 2023-07-04 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种通过计算流体动力学预测墩块式鱼道流量的方法 |
CN116384289B (zh) * | 2023-06-05 | 2023-08-08 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种通过计算流体动力学预测墩块式鱼道流量的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114997541B (zh) | 一种基于数字孪生技术的城市内涝预测方法及预警平台 | |
CN112257352A (zh) | 一维水动力模型和二维水动力模型的耦合方法及*** | |
CN109271672B (zh) | 一种河-湖-泵站相互影响作用下的河道水面线计算方法 | |
CN113742910A (zh) | 基于中小流域洪水预报的水库来水量预警预报方法及*** | |
CN113569438B (zh) | 基于多源降雨融合和实时校正的城市洪涝模型构建方法 | |
CN112784502B (zh) | 一种水文水力学动态双向耦合的洪水预测方法 | |
CN112270115B (zh) | 一种基于元胞自动机的复杂地形洪水淹没进程模拟方法 | |
CN110135069B (zh) | 输水隧洞输水时的泥沙特征获取方法、装置、计算机设备 | |
CN110929443B (zh) | 一种基于高精度地形概化的二维洪水模拟方法 | |
CN106446438B (zh) | 一种电厂温排水深水排放的近远区耦合数值模拟方法 | |
Zhang et al. | Integrated hydrodynamic model for simulation of river-lake-sluice interactions | |
CN112464584A (zh) | 自由表面流的水位和流量推求方法 | |
CN113191054A (zh) | 一种基于显卡加速耦合管网的高精度城市雨洪模拟方法 | |
CN111985129A (zh) | 一种城市暴雨内涝精细化模拟方法 | |
CN110990926B (zh) | 一种基于面积修正率的城市地表建筑水动力学仿真方法 | |
CN114896909A (zh) | 一种基于水位高度的明渠流量计算方法 | |
CN114580283B (zh) | 山溪性强潮河口分汊段中长期动力地貌演变数值模拟方法 | |
CN108897940A (zh) | 基于矩形网格的分布式水文模型和二维水动力模型的单向耦合方法 | |
CN116361973B (zh) | 考虑排水管网节点水位自动修正的城市洪涝过程模拟方法 | |
CN115564238B (zh) | 一种基于水动力机制的小水库洪水预报调洪分析方法 | |
Purnaningrum et al. | Auto floodgate control using enkf-nmpc method | |
CN115796077B (zh) | 潮排潮灌区灌溉用水配置方法、计算机装置及存储介质 | |
Cawley et al. | Sensitivity of a 2-dimensional hydrodynamic model to boundary conditions | |
CN112948915B (zh) | 一种用于数值模拟试验中竖直涉水建筑物的概化处理方法 | |
CN117968779B (zh) | 基于hadcp初始场拟合的水动力学断面流量在线计算方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220812 |
|
RJ01 | Rejection of invention patent application after publication |