基于机器学习和全局敏感性的弧形闸门淹没特性

为了实现灌区精确量水、准确率定闸门流量系数,该研究针对弧形闸门泄流特性,采用支持向量机(support vector machine, SVM)、广义回归神经网络(generalized regression neural network, GRNN)、极限学习机(extreme learning machine, ELM)及核函数极限学习机(kernel extreme learning machine, KELM),对其淹没流态的泄流量进行预测,通过评价指标、目标函数(objective function, OBJ)准则和不确定分析等方法对模型性能进行综合评估。基于最优预测模型性能,引入全局敏感性分析Sobol法对无量纲参数进行量化分析,得出各参数对泄流量的重要程度,并进一步探究影响泄流的重要参数与流量系数(C_d)之间的变化规律。结果表明：KELM模型在测试阶段决定系数R²=0.972、平均绝对百分比K_MAPE=5.038%、均方根误差K_RMSE=0.020、威尔莫特一致性指数K_WIA...