机器学习模型在H-ADCP在线测流系统中的应用

摘要：

针对常规的指标流速法精度不足的缺点,分析探究了利用机器学习模型由H-ADCP网格单元流速推求测流断面平均流速的可行性与适用性.选择引丹灌渠清泉沟隧洞出口下游清泉沟站2018～2019年共136测次人工比测流量资料及同时期H-ADCP网格单元流速资料,分别构建了3种机器学习模型(支持向量回归、BP神经网络和极限学习机),并基于8种H-ADCP网格单元分配方案对断面平均流速进行了模拟.以指标流速法为参照基准,对比分析了3种机器学习模型的拟合效果.结果表明:相比常规的指标流速法,机器学习模型能更精确地拟合断面平均流速值.此外,H-ADCP有效网格单元数对指标流速法的断面平均流速拟合效果影响较大,对各机器学习方法的拟合性能影响不显著.研究成果可为机器学习模型与传统水文测验方法的深度融合提供新的研究思路.

关键词：流量在线监测、H-ADCP、BP神经网络、支持向量回归、极限学习机

所属期刊栏目：51

分类号：P332(水文科学（水界物理学）)

资助基金：国家重点研发计划项目2016YFC0402301

在线出版日期：2020-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：70-75