GRU-Transformer洪水预报模型构建与应用

洪水预报是黄河中游地区防洪减灾重要的非工程措施之一。研究通过耦合门控制循环单元(Gate Recurrent Unit,GRU)和Transformer机器学习模型,构建GRU-Transformer洪水预报模型,对黄河中游地区典型流域进行降雨径流模拟预测。同时将预报结果与ANN(Artificial Neural Network)、WOA-GRU(Whale Optimization Algorithm Gate Recurrent Unit)神经网络洪水预报模型的预报结果对比分析,着重探索如何将Transformer模型更好地应用于洪水预报领域,旨在提高黄河中游地区洪水预报精度。采用故县水库控制流域1990-2016年49场历史观测洪水数据,以24个站点实测降雨量及出口断面流量作为输入,不同预见期下的洪水过程作为输出,率定期为39场次,验证期为10场次。研究结果表明:GRU-Transformer模型在洪水预报种具有较好的适用性,在预见期1~6 h洪水预报中,GRU-Transformer预报精度较高,校准期和验证期的NSE均大于0.85,且预报精度在相同预见期下优于WOA-GRU和ANN模型,但预报精度会随着预见期增大而出现一定程度的下降;GRU-Transformer模型较稳定地更好预测洪峰,且在较小流量洪水过程预报时及洪水退水阶段模拟效果表现出优异效果,但随预见期增加出现低估洪峰现象;GRU-Transformer模型比WOA-GRU和ANN模型具有更好的鲁棒性,随洪水预见期增大,其预报精度呈缓慢下降,降低的最慢。因此,GRU-Transformer模型可以作为较好的洪水预报方法之一,相关成果为流域防洪安全提供了新的预报方法及科学决策依据。

综采工作面液压支架压力预测下人员安全保障研究

工作面区域液压支架压力变化会导致支架关联区域安全态势发生变化,提前预测支架压力值变化能够在一定程度上预防相应的事故发生。聚焦煤矿工作面支架下的人员安全问题,根据支架压力和人员轨迹的预测结果,提前对移动轨迹可能经过危险支架位置的人员进行提醒,提高对工作面区域作业人员的安全保障水平。首先,提出了基于AMG-TSMixer支架群组的压力值预测方法,通过AMG算法充分挖掘同一工作面不同支架的时空关系,利用TSMixer来预测支架群组的压力值,结合矿方现有的矿压监测预警系统和方法,对支架所处区域的安全状态进行超前分析;其次,提出了一种基于GRU-Transformer网络的人员轨迹预测方法,通过GRU网络对时空特征进行捕捉,从而增强Transformer模型的记忆能力,把人员之间的复杂相互作用关系进行更详细的挖掘。通过人员轨迹和支架安全区域的分析判断结果,给人员安全保障提供未来的解决方案。结果表明:所提出的AMG-TSMixer方法在RMSE和MAPE两项指标上相比于同类代表性方法提升了5.9%,10.7%;GRU-Transformer方法在ADE和FDE两项指标上相比于同类代表性方法提升了14%和19%。支架群组的压力值预测和人员轨迹预测方法相互结合,不仅能有效预测出支架群组的压力值,还能预测出更真实的人员运动轨迹,对煤矿综采工作面上作业人员的安全保障发挥了重要作用。