基于BPNN-GA的泵站前池整流底坎参数优化

为了减少泵站进水结构内的不良流态,提高泵组运行效率,该研究基于计算流体动力学以及BPNN-GA(Back Propagation Neural Network-Genetic Algorithm)算法对泵站前池内底坎的结构设计参数进行优化。为便于计算遗传算法的适应度,在轴向流速分布均匀度和速度加权平均角基础上提出了前池水流流态的综合评价指标F。以综合评价指标F为目标参量,通过遗传算法优化训练好的BPNN模型,得出最优底坎结构设计参数,并同正交试验设计的最优方案的数值模拟结构对比分析。研究结果表明,在1、2、4号水泵机组运行情况下,相比于正交试验设计的最优方案泵站前池水流流态, 1号水泵进水流道的轴向流速分布均匀度提高了16.58个百分点,速度加权平均角增加了4.66°;2号水泵进水流道的轴向流速分布均匀度提高了0.49个百分点,速度加权平均角下降了2.81°;4号水泵进水流道的轴向流速分布均匀度提高了8个百分点,速度加权平均角增加了7.81°,综合评价指标F为1.16,表明前池流态得到较大幅度的提高。基于BPNN-GA算法对泵站前池整流底坎参数进行优化,克服传统方法陷入局部最优的缺陷,可在满足设计要求的范围内选出当轴向流速分布均匀度和速度加权平均角最优时的底坎设计参数,为计算智能在泵站优化水力设计方面提供参考。     

基于无人机多光谱遥感的水稻冠层SPAD值反演

为研究水稻叶片叶绿素相对含量（SPAD）在3种水分处理和5种施氮处理下的变化规律，探讨无人机多光谱遥感技术反演水稻SPAD的可行性，本研究利用大疆精灵4多光谱无人机，采集了水稻拔节孕穗期、抽穗开花期和乳熟期的冠层多光谱遥感影像，并同步测定水稻SPAD值，基于25个光谱变量（5个波段反射率和20个植被指数），采用多元线性逐步回归、岭回归和套索回归3种方法构建了水稻SPAD的反演模型。结果表明：水稻3个生育期的SPAD最佳反演模型均是采用套索回归方法构建的，其中乳熟期建立的SPAD最佳反演模型在3个生育期中的反演精度最高，决定系数为0.782，均方根误差为1.217 7，相对误差为6.611 3%。因此，该研究可对水稻叶片SPAD进行遥感监测，并为水稻精准灌溉和施肥提供科学依据和数据支撑。