微灌石英砂滤层流态特性与分形阻力模型参数确定

石英砂是微灌过滤中常用滤料,具有多孔介质属性。该文将多孔介质模型和分形理论相结合,对3种粒径的微灌石英砂滤层的过滤过程展开研究。将Ergun型方程无量纲化,并结合试验确定了石英砂滤层的流态分区。构建了石英砂滤层清洁压降的分形阻力模型,在模型中,过滤通道曲线分形维数、滤层横截面分形维数为待定参数。为了确定二者的值,将Ergun型方程与分形阻力模型相对比,得出了Ergun型方程经验系数的分形表达式,从而确定待定参数的值。首先,结合试验数据,拟合出湍流区经验系数的值,根据经验系数的分形表达式,确定了过滤通道曲线分形维数、滤层横截面分形维数等参数,得出了湍流区分形模型的表达式。然后,以湍流流区分形参数的值为边界值,确定了Forchheimer流区过滤通道曲线分形维数表达式和滤层横截面分形维数的值,并得出了Forchheimer流区分形模型的表达式。在此基础上,分析了滤层过滤特性:1)根据Forchheimer流区过滤通道曲线分形维数的变化规律,得出了在Forchheimer流区滤层存在成熟期的结论;2)探讨了滤层最佳过滤速度和最佳清洁压降的计算方法,构建了石英砂滤层过滤性能函数,并利用过滤性能函数计算出了滤层的最佳过滤速度和最佳清洁压降。3种滤层最佳过滤速度分别为0.02、0.024和0.027 m/s,最佳清洁压降分别为6 045、9 660、14 500 Pa。研究为微灌砂过滤器运行和设计优化提供了技术依据。     

微灌砂石过滤器滤层泥沙的沉积与迁移特征

为探明泥沙颗粒在砂石过滤器滤层中沉积与迁移的规律,选用3种粒径（>0.90～1.25、>1.25～1.60、>1.60～2.00 mm）的石英砂作为滤料,通过滤柱模型开展0.4‰的浑水过滤试验,分析滤层沉积与迁移的泥沙质量、泥沙粒度分布以及过滤时的水力性能。结果表明：过滤过程3种滤柱泥沙截留率分别为 97.08%、94.53%、90.50%,滤后水均满足微灌水质要求,但构成砂滤柱的滤料粒径越大,泥沙在滤层中分布越均匀。各砂滤层截留泥沙的粒径分布宽度自上向下分别为1.86、3.37、4.12、4.21,随滤层深度增加,截留泥沙颗粒粒径减小;在>0.90～2.00 mm 范围内,随滤料粒径增大,更多的细颗粒泥沙可以随水流排出过滤器,但中砂与粗砂全部截留在滤层中。综上,3种砂滤柱过滤效率的差异主要体现在小粒径泥沙截留量上,而在满足微灌水质标准的情况下,该部分小颗粒泥沙并不会使灌水器流道产生物理堵塞。同时,根据流速与压强分析得,大粒径的砂滤柱不仅流速稳定,压强升高较慢,而且纳污能力强。因此,在滤后水满足微灌水质的情况下,应当优先采用大粒径滤料,这样不仅可以提升过滤效率,而且节能省材。研究结果对砂石过滤器滤料粒径及滤层高度的优化具有重要意义。     

基于深度神经网络的探地雷达杂波抑制和根参数预测方法

为解决探地雷达（ground penetrating radar, GPR）异质土壤环境下树木根系检测图像存在背景杂波,影响检测精度,并且其数据的解译自动化程度低、成本高的问题,该研究提出一种基于深度神经网络（deep neural networks, DNN）的探地雷达杂波抑制和根参数预测方法。首先引入注意力机制优化U-net模型构成杂波抑制网络,更好地关注目标根系的双曲线反射,去除土壤异质性和雷达天线之间耦合带来的杂波影响,然后将杂波抑制前后的两张图像并行输入根参数估计网络,利用inception的多尺度感受野,挖掘全局特征和局部特征,同时预测根深度和根半径。利用仿真数据和合成真实数据构成的数据集验证方法的可行性,并完成了实地埋根试验。基于数据集的试验结果表明,该方法对于根半径预测的平均绝对误差为1.7 mm,R²值为0.914,根深度预测的平均绝对误差为6.3 mm,R²值为0.989;埋根试验的结果证明该方法对于根半径预测的最大误差为1.85 mm,根深度预测的最大误差为13.6 mm,平均相对误差为6.55%,实现了对根半径和根深度的准确预测。研究结果有助于为果树健康管理以及为古树名木保护提供决策参考。     

基于自由搜索人工神经网络的坡地入渗量预测

该文应用基于自由搜索算法的BP（backpropagation）网络模型对自然降雨条件下不同处理措施的红壤坡地入渗规律进行了预测,选择降雨量、最大降雨强度、降雨历时、土壤初始含水率、土壤体积质量、通气孔度和下垫面状况7项指标作为网络输入,土壤入渗量单项指标作为网络输出,结果表明：基于自由搜索算法的BP网络模型可以有效地预测自然降雨条件下不同处理措施坡地入渗规律,预测的平均相对误差为11.08%,经t检验和回归分析表明预测值和实测值相差不大,具有较好的一致性,决定系数为0.9715,并和传统的BP网络进行了比较,结果显示基于自由搜索算法的BP网络预测优于传统的BP网络,模型具有较高的精度和稳定性。     

微灌石英砂过滤器反冲洗数值模拟验证与流场分析

微灌石英砂滤层的反冲洗,是实现滤料再生的有效途径,为了对反冲洗过程流场进行分析,并确定合理的反冲洗速度。该文建立了石英砂过滤器几何模型并进行了网格划分,采用Eulerian模型作为石英砂滤层反冲洗数值模拟模型,分别对石英砂当量粒径为1.06、1.2和1.5 mm的3种滤层的反冲洗过程进行了瞬态模拟,并将滤层整体压降和整体密度的模拟结果与试验结果进行对比,结果显示,整体压降的最大模拟误差为7.03%,整体密度的最大模拟误差为1.93%,说明数值模拟准确可信。在此基础上,分析了石英砂滤层反冲洗过程压降的波动规律、压降均值和压降标准偏差随反冲洗速度的变化趋势;并分析了滤层密度的分布规律、密度均值和密度标准偏差随反冲洗速度的变化趋势。根据压降波动的稳定性,结合滤层密度分布的稳定性,确定了石英砂滤层反冲洗强度的合理范围,3种滤层分别为0.0149~0.0212、0.0146~0.0218和0.0191~0.0261 m/s。该研究为石英砂滤层反冲洗过程的机理研究提供了参考,为砂过滤器反冲洗性能参数的确定提供了依据。     

Evaluating soil reinforcement by plant roots using artificial neural networks

Soil reinforcement by plant roots and its response to influencing factors are very important for bank stability evaluation and control. Models with improved accuracy are urgently needed for evaluating soil reinforcement. Using a back‐propagation (BP) learning algorithm, an artificial neural network (ANN) model with five input variables, including the number of roots, root area ratio, root tensile strength, soil shear strength, and soil moisture content, was developed to simulate the response of soil reinforcement to these factors. A connection weight approach was used to understand the relative importance of each factor. Using a data set published in 2003 and collected in Australia, soil reinforcement of four trees, Casuarina glauca, Eucalyptus amplifolia, Eucalyptus elata and Acacia floribunda, was simulated using three models: BP‐ANN, one described by Wu et al. in 1979 and the 2005 fibre bundle model (FBM) of Pollen and Simon. Comparisons of results from these models showed that the BP‐ANN model most accurately estimated the soil reinforcement. The simulated results indicated that only the effect of soil moisture content on soil reinforcement was negative. The influence of the other four factors was positive, and the relative importance was in the order: root area ratio > root tensile strength > the number of roots > soil shear strength. This study provides a new approach to soil reinforcement estimation and improves our understanding of soil resistance and bank stability.     

基于BP神经网络的冬小麦耗水预测

该文根据中国科学院禹城农业试验站2003－2006年冬小麦季的气象资料和大型称重式蒸渗仪观测资料,把实测作物系数作为作物因子指标,建立了以日最高温度、日净辐射、实测表层60 cm土壤含水率、日序数和作物系数为输入因子,蒸渗仪实测蒸散量为输出因子的BP神经网络预测模型,神经网络拓扑结构为5-9-1,训练函数为Trainbr。检验结果表明冬小麦耗水量模型预测平均相对误差为13.1%,预测值和实测值的均方根误差为0.88 mm,模型预测Nash-Sutcliffe效率指数为0.865,预测效果较好,可满足生产需要。     

微灌压力调节器参数对出口预置压力影响的研究

压力调节器是微灌系统重要的调压设备,可显著提高系统灌水均匀性和系统运行可靠程度。该文通过力学平衡分析得出影响压力调节器性能的主要参数为弹簧劲度系数、弹簧初始压缩长度、调节组件出口断面积和进口断面积比及调节组件距离进口花篮堵头的初始间距,并采用正交试验研究了调节器结构参数对出口预置压力的影响。结果表明：各参数对压力调节器性能影响显著。通过回归分析,建立了压力调节器出口预置压力与4个主要影响参数之间的定量关系,结果显示压力调节器出口预置压力与4个参数之间存在很好的线性关系,为压力调节器的开发提供了参考。     

砂滤罐处理工厂化养鱼循环水效果

根据石英砂粒径与颗粒密度的关系,研究砂滤罐处理工厂化养鱼循环水效果,该试验采用了2组并联的3层滤料普通砂滤罐,根据几何、物理原理,以石英砂最大颗粒密度,粒径3 mm作为中层,粒径2 mm和5 mm作为上下层,且颗粒密度均小于中层的设计。进行砂滤罐工厂化循环水处理效果和反冲洗再生效果的试验,结果表明：悬浮物去除效果极为显著（P＜0.01）,去除率达99.83%,达到了去除悬浮物的要求。砂滤罐经过反冲洗后,能够再生使用。     

基于颗粒流理论的微灌砂滤层反冲洗过程砂粒速度场模拟

砂颗粒流在石英砂滤层反冲洗流场中的速度分布,对滤层流化状态的稳定性和反冲洗效果起决定性作用。为了对滤层反冲洗过程砂颗粒的速度场进行分析,并确定最佳反冲洗速度,该文以厚度为400 mm,粒径范围为1.0～1.18 mm的石英砂滤层为研究对象,基于颗粒流运动理论,采用Eulerian-Eulerian模型对滤层反冲洗过程砂粒的速度场进行3维动态模拟。为了验证模拟结果的准确性,作者开展了室内模型试验,并将模拟结果与试验结果进行对比,结果显示,滤层膨胀高度的最大模拟误差为9.8%,能够控制在10%以内,说明数值模拟结果是可信的。在此基础上,分析了反冲洗流化倍数为1.3、1.5、1.7和1.9时,滤层高度分别为15、25和35 cm 3个横截面上,在不同的反冲洗时间,砂粒的轴向速度沿横坐标的分布规律。根据砂粒在3个横截面上运动速度的大小和方向,判断砂滤层是否达到完全流化;根据砂粒在3个横截面上运动趋势是否一致,砂粒的上升区是否保持稳定,判断滤层流化状态是否稳定。结果显示,当反冲洗流化倍数不小于1.7时,滤层才能达到稳定的流化状态,从而达到比较理想的反冲洗效果,并得出滤层最佳反冲洗流化倍数为1.7。研究结论为砂过滤器的反冲洗研究提供了理论基础和技术支撑,为反冲洗性能参数的确定提供了参考。     

微灌砂石过滤器滤帽水力性能试验及内部流场模拟

微灌用砂石过滤器中,集水滤帽是进行过滤过程集水和反冲洗过程散水的关键部件。为了获得滤帽内部流阻特性,改善砂石过滤器水损较大弊端,该研究对国内市场上常用的梯形集水滤帽进行了室内模型试验,测定了滤帽在不同过滤和反冲洗速度下的压降特性,并采用Fluent(15.0)软件对滤帽过滤和反冲洗过程中的流场分布特征进行了数值模拟,研究了滤帽内外的压降分布规律。结果表明：滤帽压降模拟结果和试验测试结果吻合性较好,相对误差3.54%～6.53%。随着滤速升高,滤帽产生的水头损失较滤层水损增长更为显著,反冲洗过程中的滤帽水损要大于过滤状态;通过对滤帽内部流场分析,滤帽水损主要产生于近滤缝区域和芯柱区域,均是由于过水流道突然缩小导致,在滤层滤速为0.030 m/s时,滤缝和芯柱进口处滤速分别为2.57和4.01 m/s。结合以上结果,设计了一种扁平球面滤帽结构,增加了滤缝面积,优化了芯柱结构,缩小了滤帽高宽比,通过数值模拟,表明扁平球面滤帽结构有助于改进过滤和反冲洗效果。研究结果可为滤帽选型和优化改进提供参考。     

基于土壤化学性质与神经网络的羊草碳氮磷含量预测

生态化学计量学是研究植物-土壤相互作用与从元素计量的角度分析生物地球化学元素区域循环规律的新思路,是当前生态化学计量学的研究热点和前沿。该文以羊草碳、氮、磷的含量为研究对象,选用能够模拟输入与输出层非线性关系的径向基函数(radial basis function,RBF)神经网络,在土壤相关化学性质与羊草碳、氮、磷含量之间建立模型,构建最优的羊草碳、氮、磷含量的预测模型。研究结果显示,采用土壤营养元素及相关化学性质作为输入层,羊草碳、氮、磷含量作为输出层,利用Matlab软件建立RBF神经网络模型,模拟预测羊草碳氮磷平均质量分数分别为411.46,18.25和1.11 mg/g,皆低于全球陆生植物叶片碳氮磷的平均含量;羊草C/N值、C/P值和N/P平均值分别为24.70、429.24和17.92,皆高于全球陆生植物叶片C/N值、C/P值、N/P值;羊草N/P为17.92,其生长主要受P元素的限制。预测结果与实际情况比较符合,这说明RBF人工神经网络模型用于模拟预测羊草碳、氮、磷含量与土壤化学性质之间的关系是可行的,可以较准确地估测羊草碳氮磷含量,平均相对误差分别为1.39%,4.69%和7.65%。     

全补偿微灌系统灌水均匀度参数之间的关系分析

该文采用数理统计学方差估计理论，针对全补偿微灌系统的灌水均匀度系数进行了研究分析，从理论上推导出全补偿微灌系统均匀度系数与流量偏差系数之间基本关系式，同时采用传统的随机数字模拟方式对导出的公式进行了验证和分析，并且探讨了均匀度系数和流量偏差率之间的关系规律，最后通过实例说明了上述公式的运用价值。该研究成果为全补偿微灌系统的设计、工程灌水均匀度评价和补偿式灌水器制造偏差控制等提供了参考依据。     

采用不同监测数据组合反演饱和均质石英砂水热运移参数

土壤及含水层的水力参数与热参数对于定量描述土壤水、地下水迁移规律及其伴生的热运移过程十分重要。为探讨不同监测数据类型组合对多孔介质水热参数估计的影响,该研究基于热示踪方法,开展了3种不同粒径条件下的饱和均质石英砂的热示踪试验,并结合HYDRU-2D模型对介质的饱和导水率、导热系数和纵向、横向热弥散度进行反演。参数估计时分别设置3种情景对介质水热参数进行估计：仅采用观测点温度（R1）、观测点温度+水流通量（R2）、观测点温度+水流通量+热量损失（R3）。并对R1情景设置3种不同参数反演组合,即同时对2组参数（饱和导水率和导热系数）、3组参数（饱和导水率、纵向和横向热弥散度）和4组参数（饱和导水率、导热系数、纵向和横向热弥散度）进行估计。研究结果表明：同时对介质饱和导水率、导热系数与热弥散度进行估计,有利于提高介质水热参数的估计精度;对导热系数的合理估计可减小R1情景中介质饱和导水率的估计误差。4组参数中饱和导水率是敏感性最高的参数,增加用于参数反演的水流运动和热量传递信息时,粗砂、中砂、细砂的累积流量相对误差分别减少了9.74、6.65和12.53个百分点,显著提高了介质饱和导水率的反演精度。饱和导水率的估计值随介质粒径增大而增大,而纵向热弥散度随粒径的变化则呈相反的变化规律,横向热弥散度估值基本不变。增加水流和热量传递信息还能显著提高中砂的导热系数反演精度,导热系数的估计值随着介质孔隙度增大而逐渐降低。研究可为基于不同数据类型的均质介质参数反演提供。     

利用人工神经网络以及相关地形属性绘制数字土壤地图

Detailed soil surveys involve costly and time-consuming work and require expert knowledge. Since soil surveys provide information to meet a wide range of needs, new methods are necessary to map soils quickly and accurately. In this study, multilayer perceptron artificial neural networks (ANNs) were developed to map soil units using digital elevation model (DEM) attributes. Several optimal ANNs were produced based on a number of input data and hidden units. The approach used test and validation areas to calculate the accuracy of interpolated and extrapolated data. The results showed that the system and level of soil classification employed had a direct effect on the accuracy of the results. At the lowest level, smaller errors were observed with the World Reference Base (WRB) classification criteria than the Soil Taxonomy (ST) system, but more soil classes could be predicted when using ST (7 soils in the case of ST vs. 5 with WRB). Training errors were below 11% for all the ANN models applied, while the test error (interpolation error) and validation error (extrapolation error) were as high as 50% and 70%, respectively. As expected, soil prediction using a higher level of classification presented a better overall level of accuracy. To obtain better predictions, in addition to DEM attributes, data related to landforms and/or lithology as soil-forming factors, should be used as ANN input data.     

基于BP神经网络的农田大气氨浓度预测

农业源氨排放是大气氨最主要的来源,其中氮肥施用是最主要的农业氨排放源之一。预测大气氨浓度的变化,确定影响大气氨排放的因素,可为科学管理农田,减轻环境污染提供参考。本文利用BP神经网络分析农田大气氨浓度及与各气象因素的关系,以便清晰地了解农田大气氨浓度的变化规律,为研究农田大气氨提供一种新的思路与方法。首先选取2015年5—10月的农田大气氨浓度数据及气象监测数据,建立以气象因素（气压、气温、相对湿度、降水量、风速和日照时数）为输入变量,农田大气氨浓度作为输出变量的预测模型。其次采用主成分分析法筛选出对农田大气氨浓度影响较大的气象因素,分别为气温、相对湿度、降水量和风速,然后把筛选出的4个主要因素和原来的6个因素分别作为BP神经网络预测模型的输入变量,利用神经网络模型对农田大气氨浓度进行预测。结果显示,农田大气氨浓度的实际值为0.148 5 mg·m^-3,4个因素的预测值为0.159 4 mg·m^-3,6个因素的预测值为0.173 2 mg·m^-3,预测误差分别为7.35%、16.65%,并且4个因素的预测相对误差为1.4%~27.0%,而6个因素的预测相对误差为1.1%~45.0%。预测的农田大气氨浓度在前5 d内变化较大,但随着时间的推移,农田大气氨浓度逐渐变小趋于平缓,且预测值与实际值的变化趋势基本相符。利用4个因素作为输入变量建立预测模型,预测得到的农田大气氨浓度值比6个因素作为输入变量得到的农田大气氨浓度值与实际值更吻合,相对误差值较小。可见,通过主成分分析法去除冗余因素后建立的神经网络模型更加有效,预测结果比筛选之前的预测效果更好,所建立的模型对甄选关键因素具有较好的适用性,并且神经网络预测模型对农田大气氨浓度的预测精度较高。本文构建的农田大气氨浓度预测模型可为农田大气氨浓度分析及相关研究提供方法和思路上的指导。     

基于人工神经网络的联合收割机变速箱计算机辅助设计

针对自走式联合收割机变速箱优化设计中存在计算量大、图表多等问题,提出了一种新的神经网络学习算法,相对于其他学习算法,该算法侧重于网络参数的调整,通过对样本集的模糊推理、调整和分类学习来实现自适应的神经网络学习。通过BP网络的学习和训练,采用单输入双输出的1-8-2结构、1-6-2结构、1-4-2结构进行训练,从实际的应用效果来看,选择1-6-2的ＢＰ网络结构作为最终的神经网络形式,网络的识别精度是非常高的。结果表明,该算法能运用神经网络对联合收割机变速箱进行了设计研究,建立数学描述形式,分析了通过神经网络来实现变速箱设计模型构建的方法。研究表明,应用神经网络构建的模型能够减少系统的分析次数,并能够很大程度的提高模型的精度,满足计算要求,最终在设计空间内寻找出较好的设计方案。     

灌溉用水量的并联型灰色神经网络预测

该文提出了把人工神经网络和灰色预测方法结合成并联型灰色神经网络预测方法,用这种方法来预测灌溉用水量,并以预测方法有效度为优化指标求解组合模型加权系数。结果显示,灰色神经网络预测方法的平均误差为2.67%,明显低于单一的灰色预测方法和神经网络预测方法的平均误差,可以将这种组合方法应用于中长期灌溉用水量预测。     

采用BP神经网络和Burgers模型的细观参数标定

PFC软件作为一款成熟的离散元分析软件,由于在处理连续与非连续介质方面的出色表现,得到了广泛的应用。但是PFC软件所需要的细观参数均需要采用室内试验数据通过试错法反复调试才能获得,效率低、盲目性高,严重影响后续试验数据,因此急需一种新的细观参数校准方法。本文以玉米秸秆颗粒的单轴蠕变试验为基础,结合离散元软件PFC 2D,通过正交试验多因素方差分析方法分析了Burgers模型宏细观参数之间的影响关系,从而证明宏细观参数之间存在着复杂关系,不宜采用通过回归分析获得宏细观参数之间的关系式的方式标定细观参数,适合利用BP神经网络进行参数标定,利用创建的BP神经网络对细观参数进行标定,根据测试组的标定结果分析得出Burgers模型各细观参数的标定精度均在92%以上,且误差较为稳定,而且训练好的神经网络相关系数R>0.96,从而证明BP神经网络的细观参数标定性能较为可靠。将玉米秸秆单轴蠕变试验的宏观参数带入训练好的BP神经网络中进行细观参数标定,比对模拟蠕变试验与物理蠕变试验发现,两者的蠕变曲线基本一致,应变量的最大误差为2%,证明了BP神经网络具有良好的参数标定能力,可为PFC参数标定提供一定的参考价值。