【技术实现步骤摘要】
一种基于BP神经网络的SWMM模型参数自率定方法
本专利技术涉及城市雨洪模拟
，尤其是涉及一种BP神经网络的SWMM参数自动率定的技术。
技术介绍
SWMM(StormWaterManagementModel(雨水管理模型))是一个动态降雨—径流模拟计算机程序，主要用于城市地区径流水量和水质的单一事件或者长期连续模拟。由于其免费开源的特点，被广泛运用于城市管网规划、设计和分析中。雨洪模型涉及众多参数，需要对参数进行率定，不断调整模型的参数，将模型模拟结果和实测结果对比，不断减小两个结果之间的误差，最终大到模型最优化。目前，大多数设计及研究人员在使用SWMM建模时，受制于我国本土城市雨洪模拟研究起步较晚，基础数据相对缺乏，因此建模过程模型参数使用人工试错法进行参数率定，受设计师主观因素影响，并且数据复杂计算量大，进而导致了SWMM模拟结果的不稳定性，给使用SWMM模型指导城市水环境管理的工作带来了极大的困难和不便。如何对模型参数进行准确的率定，使得外来模型能够更好地适应我国本土城市环境，成为模型能否准确反应城市降...
【技术保护点】
1.一种基于BP神经网络的SWMM模型参数自动率定方法，其特征在于，包括以下步骤：/nS1：根据SWMM模型建模的基本要求，获取研究区域建模所需的基本数据，输入数据并建立降雨径流模型；/nS2：确定待率定参数组和取值范围，同时抽样生成参数取值序列；/nS3：使用python程序编程将参数序列导入SWMM模型中，并驱动运行，得出模拟结果；/nS4:使用python程序提取出模拟结果，即监测点水深数据(监测点水深变化过程线)作为输入变量，S2中的参数取值序列作为目标变量，以这两种数据作为BP神经网络训练样本；/nS5:建立BP神经网络，使用S4中监测水深数据和参数取值序列作为B...
【技术特征摘要】
1.一种基于BP神经网络的SWMM模型参数自动率定方法，其特征在于，包括以下步骤：
S1：根据SWMM模型建模的基本要求，获取研究区域建模所需的基本数据，输入数据并建立降雨径流模型；
S2：确定待率定参数组和取值范围，同时抽样生成参数取值序列；
S3：使用python程序编程将参数序列导入SWMM模型中，并驱动运行，得出模拟结果；
S4:使用python程序提取出模拟结果，即监测点水深数据(监测点水深变化过程线)作为输入变量，S2中的参数取值序列作为目标变量，以这两种数据作为BP神经网络训练样本；
S5:建立BP神经网络，使用S4中监测水深数据和参数取值序列作为BP神经网络的输入变量和目标变量进行训练优化，在训练过程中不断调试模型的训练数据、验证数据和测试数据的比例，隐含层神经元和延迟值的个数，使模型满足误差在置信区间的要求；
S6：选取监测点实测水深数据(即实测水深过程线)输入S5中训练的网络，利用matlab中的的神经网络仿真函数进行仿真，得到自动率定参数，实现参数自率定。
2.根据权利要求1所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于：S2步骤中，确定待率定参数组包括：参数渗透性粗糙系数、不渗透性粗糙系数、渗透性洼地蓄水、不渗透性洼地蓄水、无洼地蓄水不渗透性、最大入渗率、最小入渗率和衰减系数8个；并根据SWMM模型手册确定其取值范围。
3.根据权利要求1所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于：S2步骤中，使用拉丁超立方抽样得到1000组参数构成参数取值序列。
4.根据权利要求1所述的基于BP神经网络的SWMM模型参数自率定方法，其特征在于：S3步骤中，可通过matlab调用SWMM计算引擎驱动模拟，得出模拟结果。
5.根据权利要求1...
【专利技术属性】
技术研发人员：陈垚，何智伟，程麒铭，袁绍春，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。