一种SWMM模型参数的高精度率定方法专利检索-人工神经网络人工智能专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

一种SWMM模型参数的高精度率定方法

阅读：570发布：2021-02-25

IPRDB可以提供一种SWMM模型参数的高精度率定方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种SWMM模型参数的高精度率定方法。本发明结合人工神经网络模型和粒子群优化算法对SWMM模型的参数进行率定，本发明有助于科学、精准、高效的率定模型，避免不必要的人力、物力、时间的浪费。，下面是一种SWMM模型参数的高精度率定方法专利的具体信息内容。

权利要求

1.一种SWMM模型参数的高精度率定方法，其特征在于，包括以下步骤：S1、确定需要率定的SWMM模型的不确定参数；

S2、根据SWMM用户手册，确定各不确定参数的取值范围，利用拉丁超立方抽样方法构建m组不确定参数的不同数据组合；

S3、建立SWMM模型，将不确定参数的不同数据组合输入SWMM模型中，根据SWMM模型输出结果的存储格式，得到与监测数据相对应的模型运算结果数据，进而通过模型运算结果数据得到m组不确定参数的不同数据组合和SWMM模型运算结果的数据样本；

S4、将数据样本分为训练数据组和验证数据组，利用人工神经网络模型对训练数据组和验证数据组进行训练和验证，得到高精度非线性的数学模型；

S5、以监测数据与对应SWMM模型运算结果数据的差值最小作为目标函数，利用高精度非线性的数学模型，采用粒子群优化算法反演得到模型参数值。

2.根据权利要求1所述的SWMM模型参数的高精度率定方法，其特征在于，所述步骤S1中的不确定参数包括汇流区慢流宽度系数、不透水区曼宁系数、透水区曼宁系数、不透水区洼蓄量、透水区洼蓄量、最大下渗率、最小下渗率、渗透衰减常数和排干天数。

3.根据权利要求1所述的SWMM模型参数的高精度率定方法，其特征在于，所述步骤S2中不确定参数的不同数据组数m的计算公式为：m＝min{cs,s*1000000}

上式中，s为不确定参数的个数，c为每个不确定参数在其规定范围内取不同数据的数量。

4.根据权利要求1所述的SWMM模型参数的高精度率定方法，其特征在于，所述步骤S3中的监测数据包括排水口的径流峰值、径流峰值出现时间和径流量总量。

5.根据权利要求1所述的SWMM模型参数的高精度率定方法，其特征在于，所述步骤S4中的数学模型的精度高于0.01。

6.根据权利要求1所述的SWMM模型参数的高精度率定方法，其特征在于，所述步骤S5中的目标函数为：上式中，F(x)min为粒子群优化算法中的目标函数，i为监测排水口的数量，i取值范围为

1～n，n为监测排水口的总数，j为一个排水口处监测的数据类型，类型范围为1～3，wj为监测第j个数据对应的权重系数，Yi,j为第i个排水口的第j个监测数据，yi,j为第i个排水口的第j个预测数据。

说明书全文

一种SWMM模型参数的高精度率定方法

技术领域

[0001] 本发明涉及城市雨洪过程模拟技术领域，具体涉及一种SWMM模型参数的高精度率定方法。

背景技术

[0002] 随着城市化进程的加快，城市内涝问题日益突出，准确分析内涝特性是城市防洪排涝的关键。目前，对于城市的内涝研究，一般采用数学模型对城市雨洪过程进行模拟与预测。SWMM(暴雨雨水管理模型)是由美国环境保护局与水资源中心联合开发，可以模拟城市区域内径流过程，模拟不同时刻子流域和管道中的水量等情况，作为开源软件，SWMM数学模型能与ArcGIS等软件结合使用，提高建模效率，因此被广泛应用于城市内涝分析和排水系统评估规划等方面。

[0003] 但是SWMM数学模型也存在一些不足，即模型参数众多，其中水动力参数共有21个，根据参数获取的准确度可将将模型参数分确定性参数和不确定性参数。确定性参数包括Area、管道糙率等，可通过城市地面数据和管网资料等计算得到的；Slope、Imperv等，可通过遥感影像等分析计算得到；而不确定性参数与子汇水区的空间特征、地表径流过流能力、土壤下渗特性等因素有关，如Width、Dstore-Imperv、Dstore-Perv等，通常难以准确获得。

[0004] 不确定性参数通常通过两种方式获取，其一是通过实测数据计算参数的大小，但是需要投入大量的人力和物力，且受测量精度的影响，计算结果往往难以满足使用需求。其二是类比法，即根据与研究区城市化水平一致、下垫面条件相近城市所采用的参数，进行类比选择。由于很难找到与研究区下垫面条件相似的城市，类比法可操作性不强。因此，对于不确定性参数的确定，一般是先根据SWMM计算手册提供的参数范围定一个初值，再通过模型率定确定参数的值。

[0005] 对于模型率定，国内一般采用的是实际监测数据和综合径流系数法。综合径流系数法，是按照城市不透水率的程度对应城市综合径流值范围，需在该范围内主观确定一个综合径流值率定参数，率定精度比较低，且不一定符合实际情况。因此，根据降雨径流的实际监测数据对SWMM模型参数进行优化率定成为城市暴雨径流模拟的首选。利用实际监测数据优化率定参数，多数采用的方法是手动调参，由于不确定参数共有9个，根据实际情况，确定需要率定的参数，1～2个手动调整即可，但是三个及以上，根据结果调整参数其规律难寻，工作量大且繁杂、不确定因素比较多、时间成本高且率定的精度不高等问题。

[0006] 因此，如何精准快速率定SWMM模型参数，是一个亟需解决的问题。

发明内容

[0007] 针对现有技术中的上述不足，本发明提供的一种SWMM模型参数的高精度率定方法解决了SWMM参数模型难以准确获得的问题。

[0008] 为了达到上述发明目的，本发明采用的技术方案为：一种SWMM模型参数的高精度率定方法，包括以下步骤：

[0009] S1、确定需要率定的SWMM模型的不确定参数；

[0010] S2、根据SWMM用户手册，确定各不确定参数的取值范围，利用拉丁超立方抽样方法构建m组不确定参数的不同数据组合；

[0011] S3、建立SWMM模型，将不确定参数的不同数据组合输入SWMM模型中，根据SWMM模型输出结果的存储格式，得到与监测数据相对应的模型运算结果数据，进而通过模型运算结果数据得到m组不确定参数的不同数据组合和SWMM模型运算结果的数据样本；

[0012] S4、将数据样本分为训练数据组和验证数据组，利用人工神经网络模型对训练数据组和验证数据组进行训练和验证，得到高精度非线性的数学模型；

[0013] S5、以监测数据与对应SWMM模型运算结果数据的差值最小作为目标函数，利用高精度非线性的数学模型，采用粒子群优化算法反演得到模型参数值。

[0014] 进一步地：所述步骤S1中的不确定参数包括汇流区慢流宽度系数、不透水区曼宁系数、透水区曼宁系数、不透水区洼蓄量、透水区洼蓄量、最大下渗率、最小下渗率、渗透衰减常数和排干天数。

[0015] 进一步地：所述步骤S2中不确定参数的不同数据组数m的计算公式为：

[0016] m＝min{cs,s*1000000}

[0017] 上式中，s为不确定参数的个数，c为每个不确定参数在其规定范围内取不同数据的数量。

[0018] 进一步地：所述步骤S3中的监测数据包括排水口的径流峰值、径流峰值出现时间和径流量总量。

[0019] 进一步地：所述步骤S4中的数学模型的精度高于0.01。

[0020] 进一步地：所述步骤S5中的目标函数为：

[0021]

[0022] 上式中，F(x)min为粒子群优化算法中的目标函数，i为监测排水口的数量，i取值范围为1～n，n为监测排水口的总数，j为一个排水口处监测的数据类型，类型范围为1～3，wj为监测第j个数据对应的权重系数，Yi,j为第i个排水口的第j个监测数据，yi,j为第i个排水口的第j个预测数据。

[0023] 本发明的有益效果为：本发明结合人工神经网络模型和粒子群优化算法对SWMM模型的参数进行率定，本发明有助于科学、精准、高效的率定模型，避免不必要的人力、物力、时间的浪费。

附图说明

[0024] 图1为本发明流程图。

具体实施方式

[0025] 下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

[0026] 如图1所示，一种SWMM模型参数的高精度率定方法，其特征在于，包括以下步骤：

[0027] S1、根据实际情况确定需要率定的SWMM模型的不确定参数；不确定参数包括汇流区慢流宽度系数Width、不透水区曼宁系数N-Imperv、透水区曼宁系数N-Perv、不透水区洼蓄量Dstore-Imperv、透水区洼蓄量Dstore-Perv、最大下渗率Max.Infil.Rate、最小下渗率Min.Infil.Rate、渗透衰减常数Decay Constant和排干天数Drying Time。

[0028] S2、根据SWMM用户手册，确定各不确定参数的取值范围，利用拉丁超立方抽样方法构建m组不确定参数的不同数据组合；

[0029] m的计算公式为：

[0030] m＝min{cs,s*1000000}

[0031] 上式中，s为不确定参数的个数，c为每个不确定参数在其规定范围内取不同数据的数量。

[0032] S3、建立SWMM模型，将不确定参数的不同数据组合输入SWMM模型中，根据SWMM模型输出结果的存储格式，得到与监测数据(监测数据包括排水口的径流峰值、径流峰值出现时间和径流量总量)相对应的模型运算结果数据，进而通过模型运算结果数据得到m组不确定参数的不同数据组合和SWMM模型运算结果的数据样本；

[0033] S4、将数据样本分为训练数据组和验证数据组(训练数据组合验证数据组的比例为8:2或7:3)，利用人工神经网络模型对训练数据组和验证数据组进行训练和验证，得到高精度(精度在0.01以上)非线性的数学模型；

[0034] S5、以监测数据与对应SWMM模型运算结果数据的差值最小作为目标函数，利用高精度非线性的数学模型，采用粒子群优化算法反演得到模型参数值。

[0035] 目标函数为：

[0036]

[0037] 上式中，F(x)min为粒子群优化算法中的目标函数，i为监测排水口的数量，i取值范围为1～n，n为监测排水口的总数，j为一个排水口处监测的数据类型，类型范围为1～3，wj为监测第j个数据对应的权重系数，Yi,j为第i个排水口的第j个监测数据，yi,j为第i个排水口的第j个预测数据。

[0038] 本发明首先确定需要率定的不确定参数，结合SWMM用户手册确定不确定参数的范围，利用拉丁超立方抽样方法构建m组不确定参数数据组合。其次，根据SWMM模型模拟不同参数组合，根据SWMM输出结果的存储格式(output.c)，监测数据(包括排水口的径流峰值、峰值出现时间和径流量总量)相对应的模型运算结果数据，进而得到m组不确定参数数据组合和模型运算结果的数据样本。利用人工神经网络进对数据样本进行训练和验证，得到一组高精度非线性近似数学模型。最后，以监测数据与对应SWMM模型运算结果数据的差值最小为目标函数，利用粒子群优化算法进行反演得到不确定参数值。该值即为模型率定结果。本发明有助于科学、精准、高效的率定模型，避免不必要的人力、物力、时间的浪费。

标题	发布/更新时间	阅读量
人工神经网络运算电路-专利编号CN107862380A	2020-05-13	1118
人工神经网络-专利编号CN103927583B	2020-05-11	853
人工神经网络-专利编号CN1846218A	2020-05-13	916
人工神经网络-专利编号CN103927583A	2020-05-12	140
人工神经网络-专利编号CN110892423A	2020-05-11	1040
一种人工神经网络算法-专利编号CN106372724A	2020-05-13	943
人工神经网络-专利编号CN109564633A	2020-05-12	250
人工神经网络-专利编号CN109416760A	2020-05-12	433
人工神经网络-专利编号CN110121723A	2020-05-11	510
人工神经网络-专利编号CN110309905A	2020-05-11	526

一种SWMM模型参数的高精度率定方法

一种SWMM模型参数的高精度率定方法

技术领域

背景技术

发明内容

附图说明

具体实施方式

IPRDB

热门服务

关于我们

友情链接

联系方式