未来智讯 > 神经网络论文 > 钱塘江河口盐度的神经网络模拟

钱塘江河口盐度的神经网络模拟

发布时间:2019-01-11 01:06:01 文章来源:未来智讯    
    钱塘江河口盐度的神经网络模拟作者:未知   摘 要:盐水入侵会对潮汐河口饮用水源地产生影响,河口盐度的合理预测对饮用水源地取水平安和水库泄水抑咸调度有重要意义.以上游流量和下游潮差为抑制条件,建立模拟钱塘江河口盐度变化情况的神经网络模型.最初对输入数据作归一化处理,利用上半年观测数据对模型进行重复训练,进而后报下半年盐度.模型输出数据反归一化所得到的结果与实测盐度数据对照,两者较为一致.证明基于河口盐度与上游流量和下游潮差间映射关系所建立的神经网络模型可有效地模拟潮汐河口的盐度变化.利用神经网络方法模拟了上游流量变化条件下钱塘江河口某测站的氯化物浓度.结果显示,当利用上游水库泄水来控制河口咸水入侵时,选取降序流量过程可更有效地减小盐水入侵对饮用水源地的影响.��
  关 键 词:盐度; 神经网络; SCG算法; 钱塘江河口
  中图分类号:P�@731.12 文献标志码:A 文章编号:1008-9497(2011)02-234-05
  
  XU Dan��1, SUN Zhi-lin��1, PAN De-lu����1,2��
   (1. Department of Hydraulic and Ocean Engineering, Zhejiang University, Hangzhou 310058, China; 2. The Second Institute of Oceanography, SOA, Hangzhou 310012, China)
  Neural network modeling of salinity in Qiantang Estuary
  
  Journal of Zhejiang ��University��(Science Edition), 2011,38(2):234-238
  Abstract: Saltwater intrusion may have serious impacts on drinking water sources in tidal estuaries. Reasonable predictions of the estuarine salinity may help to keep the drinking water sources safe and also to better controll the estuarine salinity by scheduling the discharge of reservoirs. A model is presented that based on the correlation between the non-linear time series of salinity and the forcing signals of freshwater input and tidal range. With the input data normalized, the model is trained with the first half data set, and then gives the hindcast of salinity of the second half. Then the output data is anti-normalized and the result matched well with the measured data, which indicates that the ANN model is capable of simulating the salinity change in tidal estuaries.The model is also applied to simulate the variation of salinity responding to different discharges. The result shows that descending flow in the process of discharging water in reservoirs can better inhibit the invasion of salt water and reduce the harmful influence on drinking water sources in tidal estuaries more efficiently.
  �お�Key Words: salinity; neural network; scaled conjugate gradient algorith; Qiantang Estuary
  
  0 引 言
  盐水入侵对河口地区的正常取水和河口生态系统都会带来较大影响.受上游淡水径流、海域潮汐动力、风力风向、河口地形及人类活动等多种因素的影响,河口盐水入侵问题十分复杂,河口区盐度的空间分布及其随时间的变化与这些影响因素之间存在高度非线性的映射关系.由于缺乏系统的盐度数据等实测水文资料和大范围的河口水下地形,使得选取二、三维数值模式研讨盐水入侵对河口饮用水源地和水环境的影响较为困难.因此,在较少种类的实测资料条件下,用一种相对大略的时间序列模式研讨非线性映射关系下的盐水入侵变化对相关的工程建设具教导意义.
  人工神经网络是一种具有集体运算和自适应能力的非线性动力系统,已广泛应用于模式识别、信号处理、人工智能以及自动抑制等多种领域,具有很好的解决不变量探测和抽象或概述类问题的能力.近年来人工神经网络在水资源和水利领域已有很多应用,如文献[1]利用神经网络预测夏威夷瓦胡岛上频发的洪水以及相应的水流水质变化.文献[2]把人工神经网络技能成功应用于印度洋上Cocos岛附近潮位变化的预测.文献[3]通过模糊神经网络的方法利用瑞士Birs河上4个水文站的已有数据对未测数据进行计算,结果显示计算所得的全部数据的时间序列在表现形式上与原有数据适合良好.文献[4]对神经网络的结构和权重进行优化处理并成功应用于水位的预测.文献[5]利用20世纪60年代密西西比河流域收集的桥梁壅水数据基于神经网络方法建立了一个新的桥梁壅水公式.文献[6]选取神经网络模型优化预测了比利时Zwalm河流域大型无脊椎动物种群的适宜栖息地.文献[7]利用数值模型联合人工神经网络的方法来快速评估英国Ribble河口的水质.文献[8]选取数值模拟和神经网络联合的方法研讨德国Wadden海潮汐盆地的风浪变异.文献[9]使用神经网络模式预报了澳大利亚墨累河的盐度,认为这种预报模式极有前景.文献[10]通过神经网络的方法实现了对加洲萨克拉门托圣华金河三角洲地区的盐水入侵的预测.
  河口地区的盐水入侵最主要是由于受潮汐潮流的推动作用,因而作为典型强潮河口的钱塘江河口的盐水入侵在强潮的作用下就显得尤为明显,同时对于赖以依托该地区饮用水水源地取水的杭城饮水的影响也更为突出,2003年9月发生的咸潮更是十年一遇,造成杭州全城自来水告急.目前对钱塘江河口盐度的研讨以对实测资料进行分析为主,或选取一维、二维数学模型,如文献[11]选取潮泛混合长度理论和一维数学模型计算了江水沿程含盐度变化;文献[12]利用考虑了斜压梯度影响的平面二维盐度方程模拟了钱塘江河口口门段及杭州湾的盐度分布.鉴于问题的严重性,选取各种模式对此类问题展开进一步的研讨已显得极为重要.对于这样一个受诸多因素影响的复杂非线性动力系统,本文拟基于BP神经网络建立钱塘江强潮河口盐度的预测模型,并分析模型的可靠性.
  1 神经网络方法
  以模拟人脑感知和学习能力的感知器为基础发展起来的人工神经网络适用于许多领域的复杂问题,人工神经元作为人工神经网络的基本单元,是构成神经网络系统的大略过程.各神经元之间的连接强度即为权值,单个神经元按照一定的准则连接成网络并使各个权值再按一定准则变化,便构成了处理非线性动力系统的人工神经网络.
  图1 3层BP神经网络
  Fig.1 Three-layer BP neural network
  为有效实现输入与输出条件之间复杂的映射关系,可选取多层神经网络的结构.本文选取的3层神经网络结构如图1所示,这种网络结构带有1个输入层、2个带非线性转换函数的隐层和1个带线性转换函数的输出层,其中
  X��i(i=1~n)代表输入变量,Y��j(j=1~m)和Z��k(k=1~p)代表隐层神经元的输出,T��l(l=1~q)代表神经网络的输出.连接输入的权重矩阵W����ij��叫做输入权重,隐层间输出的权重矩阵W����jk��和W����kl��称为层权重.一个神经网络必须被训练到变成恰当的权重值以产生准确的输出结果.
  各层可分辨表示为
  ��y��j=f��1∑ni=1w����ij��x��i+a����0j��,(1)
  z��k=f��2∑mj=1w����jk��y��j+b����0k��,(2)
  t��l=f��3∑pk=1w����kl��z��k+c����0l��,�В�3)
  其中x��i为输入层节点的值,y��j和z��k分辨为第1隐层和第2隐层节点的值,t��l为输出层节点的值,a����0j��、b����0k��、c����0l��为阈值.
  网络最先输入初始条件值和指标值,训练中网络会随机指定每个神经元的初始权重,然后把随机权重下得到的模型预测值与指标值进行对照,再调整权重以不时减小网络输出的预测值和指标值之间的均方差,直至均方差小于给定的期望值时网络训练即告完成.
  ��BP��神经网络有多种优化算法能促进网络训练的收敛速度,梯度降落方法是最基本的训练方法,它通过不时调整权重大小使误差函数沿着梯度方向进行搜索,在减小误差的同时也使收敛速度加快.
  梯度降落法算法中第1次迭代沿着最陡梯度的降落方向进行搜索[9]:
  p(0)=-g(0),(4)
  随后沿着当前的搜索方向进行最佳距离的线性搜索:
  x(k+1)=x(k)+αp(k),(5)
  p(k)=-g(k)+β(k)p(k-1),(6)
  式中x(k)表示第k次迭代各层之间的阈值向量,α为学习速率,在训练时为常数,一般默认取0.01,可通过改变训练参数进行设置.g(k)=��E(k)��x(k)表示第k次迭代的神经网络输出误差对各阈值的梯度向量.负号表示梯度的反方向,即梯度的最快速降落方向.p(k)表征第k+1次迭代的搜索方向,它由第k次迭代的梯度和搜索方向共同决定,β(k)则有多种计算方法.
  本文选取��Moller改进的SCG算法(scaled conjugate gradient)��[10],β(k)按下式计算:
  β(k)=g(k+1)[g(k+1)-g(k)]-p(k)��Tg(k),(7)
  p(k+1)=-g(k)+β(k)p(k).(8)
  2 计算分析
  钱塘江是浙江省最大的河流系统,发源于安徽省休宁县大尖山岭北麓,向东北流贯浙江省北部至澉浦,经杭州湾注入东海,富春江水电站以下为河口区(见图2).本文选取的七堡站日最大含氯度、富春江水电站日流量及澉浦潮差的观测数据,均在2004年实测资料中采用.将全年数据分为两组,1月5日至6月30日为数据1, 7月1日至12月25日为数据2(见图3).其中数据1用于模型的训练,数据2则用来对模型进行后报验证.
  以上述富春江电站的日流量和澉浦日平均潮差作为本文神经网络系统中的输入,七堡站最大含氯度作为系统输出.模型中两隐层均选取双曲正切S形传输函数,输出层使用线性传输函数.由于各输入输出之间数据所属范围差别较大,直接使用观测数据时发现网络收敛缓慢甚至无法收敛,因此,为使程序运行时的收敛加快,使用prestd函数对输入数据进行归一化处理,输出数据利用poststd函数进行反归一处理.
  图2 计算区域
  Fig.2 Computation domain
  图3 模型训练数据1(a)和后报数据2(b)
  Fig.3 data 1 for model training(a) and ��data 2 for hindcasting(b)
  在模型训练阶段,根据上游富春江电站出流量和下游澉浦潮差的第1组数据输入,用ANN模型计算的七堡最大含氯度与实测值进行对照,在未达到理想的结果前不时调整模型中的权重参数,直到氯化物的模型预测值与实际观测值之间的均方误差减小到所设定的期望值.模型的权重参数确定后,再用第2组数据对模型进行验证.
  使用改进的变梯度BP算法――SCG算法在训练期间无需对每次迭代都进行方向搜索,但权重大小仍在随时批改.计算中通过在隐层中设置不同的节点数来检查模型的敏感性.隐层节点数的选择虽无明确的方法,但一般认为隐层节点数太少会使网络系统的容错性变差、识别未经学习的样性能力降低,而过多的隐层节点数又会导致网络系统的学习时间过长,因此本模型考虑在起初时放入较少的隐层节点数,根据训练情况再作相应的调整.
  设定模型训练步数为10 000步,期望训练精度0.001.令第1隐层节点数为5,第2隐层节点数为3,经多次训练得到的最小均方误差mse为0.055 6,最小平方和误差sse为9.894 1;保持第2隐层节点数为3,第2隐层节点数为10,经多次训练得到的均方误差mse最小为0.037 8,最小平方和误差sse为6.724 1;再使第1隐层节点数增加到16,在多次训练中得到的最小均方误差mse为0.028 6,最小平方和误差sse为5.085 2.此时保持第1隐层结点数16不变,把第2隐层节点数增加到7,发如今多次训练中得到的最小均方误差mse为0.001 4,最小平方和误差sse为0.248 8.在此基础上当第2隐层节点数增加到11时在多次训练中发现网络模型能够在第6 928步收敛于均方误差mse的0.001以下,此时平方和误差为0.178.可见隐层结点数在适当范围内的增加有利于网络的收敛.
  图4为第1隐层节点数为16,第2隐层节点数为11的设置下网络模型计算输出的日最大含氯度值与实际观测数据之间的对照.能够看出计算值与实测值适合良好,相关系数达0.982.
  图4 ANN模型的训练结果
  Fig.4 Results from ANN model training with data 1
  把训练好的模型应用于后报并与数据2进行对照,后报输出值与实际观测数据之间的关系见图5,其相关系数为0.854.说明由神经网络模型得到的河口盐度与上游流量和下游潮差间的这种映射关系良好,可以合理地描述河口盐度变化的客观规律.根据盐度与两种参数之间的内在关系来模拟预测潮汐河口的盐度变化,对于因缺少水深、地形和流场等资料因而难以进行数值模型计算的河口来说,不失为模拟和预报盐度的一种有效手段,可为河口区受盐水入侵影响的饮用水源取水口等工程的规划、设计和运行管理提供快速的判断依据.
  图5 ANN模型后报与实测的对照
  Fig.5 Comparison of hindcasting from ��ANN model with the measured
  上游水电站下泄日径流量可人为抑制,而下游潮差取决于月相变化和海域自然条件,因而对水源地盐水入侵的影响一般通过改变下泄径流量来加以调节.下面选取数值试验探讨上游径流量变化对水源地盐度的影响.由于潮汐变化具有显著的周期性,不同潮周期间潮位过程相近,计算时仍将潮差作为下游边界条件.使富春江水电站在04年下半年的日下泄流量分辨按升序和降序排列,作为两种上游边界条件,分辨记为条件1和条件2,利用神经网络模型进行数值试验,计算结果如图6所示.
  图6 不同流量的结果
  Fig.6 Results with different discharges
  由图可见,升序流量条件下计算得到的最大含氯度达5 060 mg•L����-1��,有98 d浓度超过��250mg•L����-1����;而当流量以降序排列时,最大含氯度超过250 mg•L����-1��的天数仅为24 d,也小于实际情况下的31 d,最大浓度减小到2 850mg•L����-1��.原因可能与本底含氯度、潮棱柱体积及水体交换率等有关.本底含氯度越高、潮棱柱体积越大、水体交换率越小,同径流量下含氯度越高,反之亦然.对于受盐水入侵影响的河口区,前期径流量较大,则河口段本底含氯度相对较小,这在一定程度上减轻了前期含氯度对后期的影响.而在前期径流量较小的情况下,本底含氯度大为增加,前期含氯度对后期的影响也大,需经较长时间的淡水稀释才能达到同样的抑咸效果.因此,选取水库泄水来控制潮汐河口水源地咸水入侵,在泄水总量不变的条件下,按降序流量过程能更有效地减缓盐水入侵对水源地的影响.这对潮汐河口饮用水源地取水平安和水库泄水调度具有重要意义.
  3 结 论
  含氯度是潮汐河口中表征水质盐水入侵程度的一个重要目标,本文利用SCG算法的神经网络模型模拟了钱塘江七堡的日最大含氯度变化.通过对输入数据的归一化处理,模拟过程效果理想.模型训练和后报的结果显示,考虑了上游流量和下游潮差影响建立的盐度神经网络模型能够获得令人如意的最大含氯度变化的时间序列.并且可根据含氯度与上游流量和下游潮差之间存在的映射关系来模拟潮汐河口盐度的变化.对于缺少水深、地形和流场等资料而难以进行数值模型计算的河口来说,建立相应的神经网络模型不失为模拟和预报盐度的一种有效手段,可为潮汐河口区取水口设置等受盐度变化影响较大的工程提供建设依据.通过对不同流量过程条件下日最大含氯度的模拟发现,选取水库泄水来控制潮汐河口水源地咸水入侵,在泄水总量不变的条件下,按降序流量过程能更有效地抑制并减小盐水入侵对水源地的影响.
  
  参考文献(References):
  ��[1] SAHOO�� G B, RAY C, CARLO E H De. Use of neural network to predict flash flood and attendant water qualities of a mountainous stream on Oahu, Hawaii[J]. Journal of Hydrology,2006,327:525-538.
  ��[2] MAKARYNSKA�� D, MAKARYNSKYY O. Predicting sea-level variations at the Cocos(Keeling) Islands with artificial neural networks[J]. Computers & Geosciences,2008,34:1910-1917.
  ��[3] TURAN�� M E, YURDUSEV M A. River flow estimation from upstream flow records by artificial intelligence methods[J]. Journal of Hydrology,2009,369:71-77.
  ��[4] LEAHY�� P, KIELY G, CORCORAN G. Structural optimisation and input selection of an artificial neural network for river level prediction[J]. Journal of Hydrology,2008,355(1):192-201.
  ��[5] SECKIN�� G, AKOZ M S, COBANER M, et al. Application of ANN techniques for estimating backwater through bridge constrictions in Mississippi River basin[J]. Advances in Engineering Software,2009,40:1039-1046.
  ��[6] ANDY�� P, DEDECKER P L, GOETHALS M, et al. Optimization of Artificial Neural Network (ANN) model design for prediction of macroinvertebrates in the Zwalm river basin (Flanders, Belgium)[J]. Ecological Modelling,2004,174:161-173.
  ��[7] LIN�� B, SYED M, FALCONER R A. Predicting faecal indicator levels in estuarine receiving waters―An integrated hydrodynamic and ANN modelling approach[J]. Environmental Modelling & Software,2008,23:729-740.
  ��[8] HERMAN�� A, KAISER R, NIEMEYER H D. Wind-wave variability in a shallow tidal sea―Spectral modelling combined with neural network methods[J]. Coastal Engineering,2009,7(56):759-772.
  [9] MAIER H R, DANDY G C. Forecasting salinity using neural networks and multivariate time series models[C]//National Conference Publication, Australia: Institution of Engineers, 1994:297-302.
  [10] RAJKUMAR T, JOHNSON, MICHAEL L. Prediction of salinity in San Francisco bay delta using neural network[C/OL]//
  IEEE International Conference, Jucson AZ, USA, October 7-10,2001: Systems, Man and Cybernetics[2002-08-06]. http://ieeexplore.ieee.org/xpl/freeabs-all.jsp?arnumber=969833.
  [11] 韩曾萃,程杭平.钱塘江江水含盐度计算的研讨[J].水利学报,1981,6:46-50.
  HAN Ceng-cui, CHEN Hang-ping. The research of calculation on Qiantang River�� salinity[J]. Journal of Hydraulic Engineering,1981,6:46-50.
  [12] 倪勇强,金国林,耿兆铨.钱塘江河口口门段及杭州湾盐度的数值模拟[J].浙江水利科技,2001,5:1-4.
  NI Yong-qiang, JIN Guo-lin, GENG Zhao-quan. Numerical simulation on salinity in Qiantang River Estuary and Hangzhou Bay[J]. Zhejiang Hydrotechnics,2001,5:1-4.
  [13] 周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社,2005:69-100.
  ZHOU Kai-li, KANG Yao-hong. Matlab Neural Network Model and Its Simulation Programming[M]. Beijing: Tsinghua University Press,2005:69-100.
  [14] M○LLER M F. A scaled conjugate gradient algorithm for fast supervised learning[J]. Neural Networks,1993,6:525-533.
  (责任编辑 寿彩丽)

转载请注明来源。原文地址:https://www.7428.cn/page/2019/0111/78723/
 与本篇相关的热门内容: