新型耦合数据驱动模型在降雨径流模拟中的应用研究

为解决传统数据驱动模型的不足,使其能实现降雨径流过程高精度连续模拟,提出新型耦合数据驱动模型——PEK,即:基于偏互信息的输入变量选择、基于新型集成神经网络的出流量预测和基于K最近邻模型的出流量误差预测。PEK模型具有以下特点:(1)提出了基于分离式选择策略和滑窗累积雨量的模型候选输入向量,并与基于偏互信息的输入变量选择方法联合使用,提高了输入信息的充分性和无冗余性,对建立精度高、泛化能力强的高质量模型意义重大;(2)提出了新型集成神经网络——EBPNN及其率定方法。联合使用NSGA-II多目标优化算法和早停止Levenberg-Marquardt算法,通过一次优化过程同时确定全局最优个体网络个数、各个体网络拓扑结构和网络参数。个体网络权重由基于AIC信息准则的权重优选方法确定。EBPNN在模拟精度和网络复杂度间取得了良好折衷,精度高、泛化能力强、率定结果客观;(3)PEK模型能够进行多步外推预报,实现了非实时校正模式下的高精度连续模拟,增长了预见期;(4)PEK模型不需要进行流域状态变量的计算,仅需初始出流量就可进行出流量的连续模拟。在呈村流域应用PEK和CLS两个数据驱动模型进行次洪降雨径流模拟及精度比较。结果表明PEK模型使用简便,模拟精度高于CLS模型,实现了多步外推的高精度连续模拟,增长了数据驱动模型的预见期。

基于浑河流域降雨径流模拟研究

为实现高精度连续的降雨径流过程模拟并克服传统数据驱动模型的不足,文章构建了新型耦合数据驱动模型即PEK模型,其基本理论是对输入变量利用偏互信息进行选择,对出流量采用新型集成神经网络进行预测,并对出流量误差利用K最近邻模型预测;以浑河流域为例分别采用CLS和PEK两个数据驱动模型进行预测精度和降雨径流模拟对比分析。研究表明:相对于CLS模型,PEK模型表现出更高的模拟精度且运算更加简便快捷,可有效促进高精度连续模拟的多步外推作用并显著增长模型的预见期,模型预测结果能较好的反映降雨径流的实际状况且表现出较强的适用性与可靠性。

基于DVS技术研究木材的动态吸附特性

利用动态水分吸附(DVS)技术测量黑桦和油松2种木材在动态吸附过程中的含水率,再通过平行指数动力学(PEK)模型分析其动态吸附特性。结果表明,相对湿度越高,木材吸附时间越长,平衡含水率越高;黑桦和油松的吸附等温线呈"S"形,是Ⅱ型吸附等温线;各个湿度阶段DVS测试与PEK模型拟合得到的平衡含水率差值小,在–0.08%～0.02%间,拟合度R2均高于0.99;PEK模型中快速(MC1)与慢速(MC2)吸附过程含水率之和近似等于该湿度阶段试样增长的含水率(ΔMC);快速吸附过程与单层吸附相似,MC1折线总体呈下降的趋势,慢速吸附过程与多层吸附相似,MC2折线总体呈上升的趋势;黑桦试样慢速特征时间(t2)范围为51.50～103.20 min,快速特征时间(t1)为3.83～9.27 min,油松试样t2范围为12.72～28.63 min,t1为3.64～7.83 min。