黄河下游位山灌区西输沙渠配套改造参数优化研究

研究位山引黄闸改建后位山灌区西输沙渠配套改造参数,有利于提高渠道输配水能力,保障灌区用水。利用HEC-RAS软件对不同改造方案的西输沙渠开展水力要素分析,采用不冲不淤流速和水流挟沙能力经验公式分析西输沙渠配套改造后的冲淤平衡状态,研究对比不同改造方案的水位流量关系和渠道冲淤状态,分析提出位山引黄闸改建后闸后干渠（西输沙渠）配套改造设计参数如下：将原梯形断面按复式断面进行改造设计,渠底下挖1.5 m,浅滩设计宽度3 m,渠道比降按原比降1/6 000改造,工程其他设计参数不变。优化后的改造参数已在位山灌区西输沙渠上得到应用。     

灌区引水口过闸流量计算方法比较

灌区中利用水工建筑物量水是一种简便而经济的方法，如何由实测的水位、闸位信息计算出流量是利用建筑物进行量水的关键问题。以某引黄灌区的取水闸为例，研究了三种计算流量的方法：传统的流量系数函数法、平均值法和新兴的人工神经网络方法。经对比发现，基于水位流量关系原理的流量系数函数法计算结果最为准确。     

基于机器学习的排涝闸站雨后水位预测

【目的】精准预测排涝闸站雨后水位。【方法】在分析为期1a的田间实测水位数据的基础上,收集了四湖流域2个典型闸站（习家口站、田关站）为期10 a(2010—2020年)的历史水情资料,利用2种机器学习算法（支持向量机回归算法、回归树算法）对排涝闸站的雨后水位进行预测分析。【结果】支持向量机回归算法和回归树算法均较好地预测了习家口站和田关站的雨后最高闸上水位,R2基本大于0.80;2种机器学习算法在习家口站的表现均优于田关站,核函数的选取对支持向量机回归算法的预测结果有一定影响,线性核函数表现较为稳定。回归树算法的效果略优于支持向量机回归算法。【结论】基于闸上水位、降水量、降水时间、泵站排水流量预测雨后最高闸上水位是可行的。不同闸站应分开进行训练,并寻找最优的机器学习算法,未来有必要结合降水预报数据实现农田涝灾情况的实时预报。     

安徽省淮北市“引闸入化”引水工程即将开工

目前,安徽省淮北市最大的水利项目工程化家湖引闸(闸河)入化(化家湖)工程已经省计委、省水利厅正式批准实施,计划总投资30 97万元,项目资金已落实到位,招投标等前期工作也已结束,工程即将破土动工。“引闸入化”是化家湖综合治理项目的一期工程,该项目工程将按5 0年一遇防洪、30 m3/ s引水流量的标准设计,并按30 0年一遇洪水标准校核。其主要工程:开凿穿山隧洞、修建引水渠道、加固整修大坝和兴建引洪闸、泄洪闸、滚水坝及进行库区清理、防渗和配套机电设备、增加管理设施。综合治理项目工程集防洪、排涝、蓄水、灌溉、水产养殖、生态旅游等…     

灌区引水口过闸流量计算方法比较研究

灌区中利用水工建筑物量水是一种简便而经济的方法,如何由实测的水位、闸位信息计算出流量是利用建筑物进行量水的关键问题。以某引黄灌区的取水闸为例,研究了3种计算流量的方法：传统的流量系数函数法、平均值法和新兴的人工神经网络方法。经对比发现,基于水位流量关系原理的流量系数函数法计算结果最为准确。     

基于BP神经网络的黄河下游引黄灌区引水量分析

介绍了神经网络的基本原理及其 BP算法 ,建立了引水量预估的人工神经网络模型。实例分析表明该方法可行、预估结果可靠 ,为引黄灌区的引水分析预估提供了具有实用价值的基本理论和实施技术。     

基于BP神经网络的黄河下游引黄河区引水量分析

介绍了神经网络的基本原理及其ＢＰ算法,建立了引水量预估的人工神经网络模型,实例分析表明该方法可行、预估结果可靠,为引黄灌区的引水分析预估提供了具有实用价值的基本理论和实施技术。     

基于BP神经网络的降雨量预测研究

使用2种方法,即用前5年降雨量来预测后1年的降雨量和用气象资料预测降雨量,应用BP神经网络对降雨量进行预测,试图找出应用BP神经网络预测降雨的最佳方法.通过对青海省10个气象站的降雨进行预测分析,得到结论如下:两种方法均适合于降雨预测,其被选择概率均等.     

基于神经网络的电动汽车SOC预测研究

电动汽车荷电状态(SOC)直接影响着车辆的续驶里程,是电动汽车综合性能中最为重要的参数之一。由于影响荷电状态的因素众多,而且车辆行驶工况复杂多变,难以构建精确的数学模型用于分析荷电状态变化规律。本文利用神经网络构建电动汽车SOC预测模型,并将影响SOC行车状态时的变化因素电池组电压以及车速作为重要参数输入模型对下一时刻的SOC参数变化进行预测,通过大量实验数据分析拟合计算表明本文建立的电动汽车SOC预测模型精度较高,能够用于SOC的预测分析,并为电动汽车提升综合性能提供参考意见。     

基于BP神经网络的乳制品质量预测研究

在乳制品加工生产中,产品生产质量是生产过程中的关键因素。为了实现产品生产质量的管理,引入了基于人工神经网络的预测方法,以实际生产过程中实验室检测数据以及仪表观测数据作为网络学习样本,通过训练网络模型并将训练后预测模型应用于乳制品企业实际生产,为产品质量分析提供了可靠的依据。     

基于神经网络的道路交通事故预测

道路交通事故预测是交通研究的一个重要课题,以我国交通安全状况为研究对象,依据我国道路交通事故的特点,利用神经网络具有自学习、自组织、自适应能力特征,运用神经网络的方法及我国多个年度道路交通事故统计数据,建立了道路交通事故神经网络宏观预测模型,预测精度符合道路交通事故预测的要求.     

基于神经网络的柴油机韦博参数预测研究

韦博公式作为柴油机零维燃烧模型中较通用的放热率计算半经验公式,被广泛应用于柴油机工作过程的仿真中,其模拟的准确性主要依赖于公式中参数的选取,但常规选取方式存在一定的盲目性且普适性较差。针对这一问题,以上柴D4114B型发电用柴油机为例,提出了一种基于神经网络的柴油机韦博公式参数的预测方法,通过实验所测缸压曲线反推燃烧放热率、放热率曲线的数值拟合和神经网络的训练建立可用于韦博公式参数预测的神经网络模型,通过预测精度评价、预测结果与实验数据的对比,验证了这种预测方式的准确性。最后,基于该方法建立了柴油机的动态仿真模型,通过部分参数实验值与仿真值的比较,证明该方法在柴油机动态仿真中的可行性。     

基于径向基神经网络农机数量预测的研究

提出了利用径向基神经网络对农机数量预测的方法 ,通过选取合适的训练参数,径向基网络能够得到满足要求的预测结果,农机总动力、拖拉机数量、农具数量的误差平方和分别为0.0056、0.0470、0.2713。利用测试集对网络进行测试,农机总动力预测值与真实值的误差最大为-7.17%,最小为0.22209%。研究结果表明,径向基神经网络能有效提高预测精确度,较好地预测非线性条件下的农机数量,证明了实验方法的有效性和可行性,为人工神经网络在农业机械化的应用提供了一个新的途径。     

基于模糊神经网络的车辆制动性能预测研究

为进一步提高车辆制动性能的计算机仿真精度,以模糊理论和神经网络原理为基础,提出了一种基于模糊神经网络的制动性能的预测仿真模型。试验结果表明使用模糊神经网络模型可以提高车辆制动性能的仿真精度。     

基于改进BP神经网络的农业机械数据预测研究

为提高河南省农业机械数据预测的精度,获得更可靠的预测结果,提出基于自适应粒子群算法(APSO)优化的误差方向传播(BP)神经网络预测方法,利用APSO算法优越的全局搜索能力更新BP神经网络的权值和阈值,有效结合两种算法的优势,并引用河南省1986-2017年农业机械数据进行测试。仿真结果表明,本文提出的APSO-BP算法比同等条件下BP神经网络算法和PSO-BP算法预测误差平均可降低2.4%和1.35%,可以有效提高预测的速度和精度。     

基于神经网络的离心泵能量性能预测

总结了BP网络和RBF网络在离心泵能量性能预测中的应用现状,介绍了这两种网络的结构及特点.分别采用BP网络和RBF网络建立了离心泵能量性能预测模型.用57组数据对这两个预测模型进行了训练,并用6组数据对两种网络结构的性能预测模型进行了仿真.研究结果表面:两种网络结果的预测模型预测精度比较接近且预测结果的趋势也相同,BP网络预测精度略高于RBF网络;BP网络扬程平均预测误差为3.85%,效率平均预测误差为1.39%,RBF网络扬程平均预测误差为4.79%,效率平均预测误差为3.43%;RBF网络预测所需时问仅为BP网络预测所需时间的一半.     

基于小波神经网络方法的降水量预测研究

小波神经网络作为国际上新兴的一种数学建模分析方法,充分继承了小波变换良好的时频局部化性质及神经网络的自学习功能和极强的非线性能力等优点.降水量预测模型中神经网络选择BP网络,隐含层激发函数选取Morlet小波,并利用MATLAB编写预测程序,运用吉林西部地区白城、长岭、前郭3个测站1957-2010年的降水资料对模型进行训练、检验,进而预测三站未来十年的降水量.研究结果表明,小波神经网络预测模型对降水量的变化趋势预测准确,结构简单,收敛速度快,具有较高的实际应用价值,但其对于降水量具体值的预测精度有待于进一步提高;未来十年,吉林西部地区将处于降水量变化周期的丰水阶段,各相关部门应根据实际情况做好相应的准备.     

基于神经网络算法的果树需水预测研究

【目的】准确预测果树需水量。【方法】对采集地果园环境数据进行主成分分析,筛选出影响果树蒸腾量的关键因子。建立以长短时记忆(LSTM)神经网络为基础的预测模型来预测果树蒸腾量。为提高预测的精度,在LSTM神经网络的基础上加入了注意力(Attention)机制,形成Attention-LSTM预测模型。【结果】将改进的模型与其他模型的预测精度进行对比,仿真试验表明,该模型的预测精度最高,RMSE和MSE分别为0.487和0.062。【结论】该预测模型可以准确预测果树蒸腾量,从而实现果园精准灌溉并提高水果产量,具有一定的实际意义。     

基于神经网络的灌溉用水量预测

采用改进的BP网络对灌溉用水量进行了预测,针对BP网络的不足,采用遗传算法对网络初始权重进行了优化,并采用LM(Levenberg-Marquardt)算法进行了误差逆传播校正。通过引入遗传算法和LM算法,网络比传统的BP网络无论从精度和训练时间上都有了较大的改进。最后对湖北省宜昌市东风渠灌区进行实例分析,证明了该方法的有效性。     

基于BP神经网络的农业机械数量预测

为了提高农业机械化水平、农业生产效率和优化农业产业结构,保证在农业机械生产与实际需求的一致性,在制订农业机械化水平发展规划过程中需要对农业机械数量进行预测。为此,采用基于遗传算法的BP神经网络预测算法,对我国从1997-2013年期间以农机总动力、中大型拖拉机数量和小型拖拉机数量为内容的主要农业装备数量进行预测。预测结果表明,利用遗传算法与BP神经网络相结合的方法预测全国农业机械装备数量,农机总动力预测值与绝对值平均误差为1.080%、农用大中型拖拉机数量预测值与绝对值平均误差为1.352%、小型拖拉机数量预测值与绝对值平均误差为1.765%,预测精度稳定,该预测方法适用于本时间序列预测问题。