| 基于机器学习和全局敏感性的弧形闸门淹没特性 |
| |
| 引用本文： | 李珊珊,曹顶业,沈桂莹,李国栋.基于机器学习和全局敏感性的弧形闸门淹没特性[J].农业工程学报,2023,39(15):25-33. |
| |
| 作者姓名： | 李珊珊 曹顶业 沈桂莹 李国栋 |
| |
| 作者单位： | 西安理工大学省部共建西北旱区生态水利国家重点实验室, 西安 710048 |
| |
| 基金项目： | 西安理工大学优硕种子基金（310/252082213）；国家自然科学基金(52079107)；陕西省教育厅专项(22JK047)；陕西省自然科学基金(2023-JC-QN-0395)； |
| |
| 摘 要： | 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(Cd)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KMAPE=5.038%、均方根误差KRMSE=0.020、威尔莫特一致性指数KWIA...
|
| 关 键 词： | 人工智能 模型 敏感性分析 弧形闸门 流量系数 淹没出流 |
| 收稿时间： | 2023/4/23 0:00:00 |
| 修稿时间： | 2023/6/19 0:00:00 |
Submerged characteristics of radial gate using machine learning and global sensitivity |
| |
| LI Shanshan,CAO Dingye,SHEN Guiying,LI Guodong.Submerged characteristics of radial gate using machine learning and global sensitivity[J].Transactions of the Chinese Society of Agricultural Engineering,2023,39(15):25-33. |
| |
| Authors: | LI Shanshan CAO Dingye SHEN Guiying LI Guodong |
| |
| Institution: | State Key Laboratory of Ecological Water Conservancy in Arid Areas of Northwest China, Xi''an University of Technology, Xi''an 710048 |
| |
| Abstract: | |
| |
| Keywords: | artificial intelligence models sensitivity analysis radial gate discharge coefficient submerged flow |
|
| 点击此处可从《农业工程学报》浏览原始摘要信息 |
| 点击此处可从《农业工程学报》下载免费的PDF全文 |
