基于BP神经理论河床变形动态响应的研究外文翻译资料

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

基于BP神经理论河床变形动态响应的研究

Qiang Zhang, Xiaofeng Zhang, and Juanjuan Wu

摘要：为了研究河床变形的动态响应水和沉积物条件的变化，本文介绍了一种方法的BP神经网络建立数学方法预测河床变形从河岸变形和河流截面两个方面形变。 该模型由Shishou的测量数据进行了训练和验证在靖江弯曲。 该模型用于预测河床变形截止京92和截靖96年2008年后申请三峡水库，结果可以反映河床的演化趋势变形，这表明该模型用于预测河床变形是可行的。

关键词：BP神经网络，河床变形，训练与验证，三峡水库

1. 引言

应用下游的水沙条件发生了变化的三峡水库后，河流沉积物承载能力较低，大坝的到达处于不饱和状态，这将导致河床变形，可能导致河流调整。数据显示后三江水库，靖江河床的应用将受到影响严重侵蚀，将威胁到靖江堤坝的安全[1,2]。研究并对长江中下游变形的预测三峡水库应用后非常有意义。

在以前的研究中，为了研究频道演化的许多问题，做了大量的研究和探索工作，提出了研究方法。在方法的观点，有河流模型，数学模型和分析的渠道演变。人造神经网络是一个新兴的国际水利水电工程科学国家重点实验室，在图案识别和自动化方面取得了很好的控制效果。成功应用于规划，水资源，水文时间序列研究的水和环境评估国内外[3]，拓宽了应用领域。 在本文中，BP神经网络模型用于分析典型河床岸线的变化和应用三峡后河床变形。

1. 河床变形BP神经网络模型

详细介绍了BP神经网络的工作原理关节[4,5,6]。 对于其中为的训练模式（k = 1,2，... N）可以表示为无量纲矢量并且是相应的预期解，并且可以表示为一维的ve-ctor，通常计算到神经元的净输入作为其所有投入的总和：

（1）

其中是神经元之间的连接的权重层在1-l层。是的输出神经元；是的阈值。通过其激活功能使用对神经元的净输入，这里是最常见的使用sigmoid函数，产生输出

(2)

其中f（.）是传递函数。 传递函数有几种形式作为双曲正切，步或S形函数。 但是sigmoid函数是在实际应用中最常用的。

BP神经网络的特点是拥有隐藏层。通常，具有一个隐藏层的BP网络对于大多数应用是足够的，

一个隐藏的层次往往会使网络太复杂，这是一个潜力导致更多的最小值，并导致较低的收敛速度和更大的错误。理论上，BP有两个隐藏层就足以解释复杂的系统具有更一般的经典边界，并具有更快的收敛速度。

在BP学习方案中，输出层的计算输出是与所需的输出进行比较，找出误差之前的误差信号通过网络向后传播。 可以定义误差函数为河床变形动力响应研究

（3）

其中m是输出神经元的总数。

在BP算法中，每个训练模式呈现一次，重量校正计算，但实际上没有实际调整; 计算重量每个权重的校正被加在一起，用于所有模式，然后权重仅使用累积校正调整一次。 动量策略通过添加一小部分隐含地实现可变学习率系数运动中的重量变化到目前的运动方向重量快。 新的权重变化方程由下式给出

（4）

其中eta;是步长或学习率系数，指标T标记迭代次数在学习过程中，alpha;是动量系数可以具有介于0和1之间的值。

本文建立了模拟和预测河流变形从河岸变形和河流截面两个方面形变的数学方法。 在这个模型中，关键点是输入向量的选择。当输入向量是合理和有代表性的时候，模型的输出向量可能是满意的。

2.1河岸变形模型

通过模型输入向量的分析，模型选择横截面到达的形状，thalweg的位置，水沉积物基因和时间间隔的长短作为影响因素。 同时，因素影响河流变形的不仅仅是平均排放多年（相当于中位数排放量），也是陆上流量引起的变形由于大放电不能忽视。 所以，加入大流量的时期因素中。对于沉积物条件和河流边界的影响因素条件，河岸沿长度方向的破坏宽度会很大不同，为了体现河岸失败的基本情况，通常选择河堤故障典型横截面的宽度的模型输出目标。

2.2河横断面变形模型

河流截面变化的输入和输出向量相似到河岸变形模型，截面形状在达到，地理位置，水沉积物基因和时间间隔长度被选为模式中的输入向量，以及大流量的周期被选为影响因素。 河流截面被选为模型输出目标。

1. BP神经网络模型的训练与验证

靖江是长江中下游防洪重点，河岸和堤防的稳定性很重要。 20世纪90年代，石州河弯曲演特别快在襄樊浅滩的剪刀和扔掉的手肘，造成了北面入口处大面积的堤岸溃破[7]。在三峡水库之后，最近几年靖江水库泾江经常出现银行失败现象。 该模型选用河流沉积物和河流边界条件作为输入向量，并选择河床海岸线和河床段用于输出向量。 研究建立河岸BP网络的变形和河流截面变形预测模型，本文模拟和预测河床变形石州河弯。

根据图1地形上可以找到的可用信息，位于Shishou河上游的北京段92号的左岸的弯道振幅

非常大，位于Shishou河弯中段的京96右岸也是和京92一样的规则，这些规则可以反映河床变形的情况Shishou河弯。 同时，京92段的剖面景96靠近石屎河弯道的入口处，可能在很大程度上受到上游和下游弯曲变化的影响。 因此模型选择京92和段96作为研究对象可以反映河床的变形。

3.1河岸变形

于Jing-92部分，该模型选择了左岸岸线位置 25米， 30米， 35米为研究对象，海拔位置，宽度为深度新昌站平均排放量以及泥沙排放量截面京84，荆89段，靖Jing 90 section泾95段作为输入向量。 1970年至1975年，1975年的10个时期的河岸一九八0年至一九八七年，一九八七年至一九九一年，一九九一年至一九九三年，一九九三年至一九九六年，一九九六年至一九九八年，1998年至2000年，2000年至2002年，2002年至2004年，被选为示范培训样本。 2004年至2006年的河岸用于模型预测样品。对于京第96部分，模型选择了左岸岸线位置 25m和 30m作为研究对象，并选择了Jing-90部分的数据，剖面京92段，京石段，京95段和京97段为研究对象对象。 2004年至2006年的河床岸线被用于模型预测样本。

河床变形动力响应研究

图1 石溪河弯曲草图

截面截面的计算和测量海岸线位置Jing-96可以在表1中看到。表1显示相对误差小于2％，BP神经网络模型的预测结果非常准确。 所以该方法可用于河床岸线变形研究。

表1验证和测量海岸线位置之间的比较位于2006年京92和京96部分

3.2河断面变形

对于京92部分，thalweg位置，广义部分绝对高度和水沙条件以及相应时期选择京84，京89，京九90，靖95等作为输入向量，以估计泾92的广义绝对值模型输出向量的高度。 河床变形数据9个时期，1975年至1980年，1980年至1987年，1987年至1991年，1991年至1993年，1993年至1996年，1996年至1998年至1998年，2000年至2002年，2002年至2004年，被选为训练样本。 2004年至2006年的河床变形被用于模型预测样本。

对于京96部分，京-84部分，京-89部分，京-90和部分京-95被选为输入向量; 河床变形2004年至2006年用于模型预测样本。

图2 验证与测量京92截面之间的比较

图3 验证与测量京96截面之间的比较

河床变形动力响应研究

BP神经网络仿真结果与实际交叉比较剖面截面92和截面96分别如图2所示图3.表格显示2004 - 2006年模型预测结果靠近测量部分。 所以这种方法可以用于研究河床变形。

1. BP神经网络河床变形预测模型

以预测河岸变形和河流截面变形，2008年京津92段和京96段水沙条件2007年被添加。 由于2008年没有水沙数据，数据在2005年被用来代替。 预测结果如表2，图4所示和图5。

截面京92的左岸和京京96区右岸有倒退的趋势，从预测可以看出结果。 所以应该注意的是这两个部分可能会出现大的堤岸溃退。

表2 2008年京-92和京96区段的预测和测量的海岸线位置之间的比较

图4 横截面92的预测结果

图5 横截面96的预测结果

根据多年的河流数据，BP的预测结果网络模型符合河流演化的基本规律，结果也与左岸银河92号的客观事实相同，右岸的京96经常遭受侵蚀。

1. 结论

本文用BP神经网络，河岸变形和河流交叉预测了截面Jing-92和截面96的剖面变形。该结果与实际情况有很好的一致性，表明了这一点方法在应用三峡水库后预测河床变形是可行的。

BP神经网络模型的准确性应进一步提高。

当包括多类型和一些向量数的输入向量很多时比其他更多的输入向量，有更多的数字会削弱其他类型变量对输出变量的影响。 现有的BP网络模型不能完全考虑每个输入向量，因为它们有不同数字，所以很难准确地预测输出向量。 所以这是迫切的介绍其他方法来解决这个问题。

三峡库区是一个长期的过程，影响着三峡库区的进化的下游河。 在未来河床变形预报中，BP神经网络是研究这些用于进一步开发轨道计算问题的好方法之一。

致谢： 这项工作得到国家自然科学基金中国（50579054）和中国973计划（2007CB714106号）的资助。

河床变形动力响应研究

参考文献：

1. Pan, Q.: Sediment Study of the Three Gorges Project. China Water Conservancy and Hydropower Press, Beijing (1999).

2. Shi, S., Lin, C., Yang, G.: Governing and Exploiting the Water Front Resources at Middle and Lower Reaches of the Yangtze River. Scientia Geographica Sinica 22, 700–704(2002).

3. Hu, T.: Neural Network Prediction and Optimization. Dalian Maritime University Press,Dalian (1997).

4. Zhang, X., Xu, Q., Pei, Y.: Preliminary Research on the BP Networks Forecasting Model of Watershed Runoff and Sediment Yielding. Advances In Water Science 12,17–22 (2001).

5. Shang, G., Zhong, L., Chen, L.: Discussion about BP Neural Network Structure and Choice of Samples Training Parameter. Journal of Wuhan University of Technology 19,108–110 (1997).

6. Zhang, X., Hu, X., Xie, Z.: Research on BP Network Prediction Model for Diversion Flow of 3 Diversion Outlets of Jingjiang River. Yangtze River 34, 33–34 (2003).

7. Pan, Q., Lu, J.: Analysis of the Near River Evolution on the Middle Reaches of the Yangtze River. Yangtze River 30, 32–34 (1999).

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[26932]，资料为PDF文档或Word文档，PDF文档可免费转换为Word