一种天然河道水位流量同步同化方法及智能系统技术方案

针对天然河道流量和水位监测断面自动化成本高、流量流速模型率定困难和关系式不稳定等问题，本发明专利技术公开了一种天然河道水位流量同步同化方法及智能系统，根据河流断面及其演化情况，采用生成对抗网络动态获取整个河段的水下地形从而获得任意断面的过流面积，采用水动力学方程结合神经网络实现对水位和流量的同步同化，同化精度可以根据需要通过增加断面实测数据的方式实现。本发明专利技术技术先进、可操作性强，对防汛抗旱和水资源保护均具有十分重要的意义。意义。意义。

【技术实现步骤摘要】
一种天然河道水位流量同步同化方法及智能系统


[0001]本专利技术属于防汛减灾、水资源管理和智慧水利交叉
，具体涉及一种天然河道水位流量同步同化方法及智能系统。

技术介绍

[0002]近年来，受全球气候变化的影响，洪水灾害频繁发生，给社会经济和人民生命安全带来严重威胁，同时随着对水资源集约利用要求的提高，如何快速精准地获得河流的水位、流速尤其是流量，已经成为了迫切需要解决的技术问题。传统的河流流量方法包括人工船测、桥测、缆道、和涉水测量等。其基本原理是在测流断面上布设多条垂线，在每条垂线处测量水深并用流速仪逐点测量从而得到垂线平均流速，进而得到断面面积和断面平均流速，流量则由断面面积和断面平均流速的乘积或积分得到。
[0003]随着计算机技术的不断发展，人工智能技术已经成为人们研究的热点，防汛减灾和水资源管理也需要人工智能赋能。实际上随着嵌入式系统、端边云协同架构以及传感器技术的发展，实现模型－实测数据的数据同化已成为现实，这将显著提高获取数据的可靠性并大量节约设备设施的投资和运行成本。神经网络作为人工智能的核心技术之一，其在求解描述客观物理规律的数学模型中已经成为人工智能的研究热点。
[0004]河道水流方程很多，常见的有基于雷诺平均的k
‑
ε模型、浅水方程和圣维南方程组等。上述方程求解比较复杂，以圣维南方程组的数值解法为例，其解法主要有特征线法、直接差分法和有限体积法等。这些数值模拟方法对初始条件要求高且需要划分网格存储变量，一旦变动条件，就需要重新计算。上述数值方法难以兼容当前的主流人工智能架构、语言以及系统硬软件设备，特别式难以与迁移学习、知识蒸馏、元学习等智能方法相匹配。
[0005]在仪器监测方面，要想获得某个断面数据必须在此断面要装水位和流速监测仪器设备，如果要获得某个河段的全部数据则现有技术要求在每个断面布设水位计和流速仪，不仅成本高昂、计算流量误差大，而且运行维护不便，同时也增加了数据处理难度和人员设备风险。
[0006]本专利技术公开一种数据同化方法，只需要前期获得一定断面地形资料的前提下，在上游设置一个监测断面，布置水位和流速监测仪器，即可以通过同化方法获得整个河段任意断面的水位和流量，避免了常规监测需要将流速转化成断面流量的困难。而且可以随着增加实测断面数量的增加，本同化系统获得的任意断面的水位和流量精度也会不断提高。本专利技术将仪器监测和数学模型通过智能神经网络实现有机结合，具有理论基础强、实用可靠和可推广等优势。

技术实现思路

[0007]针对天然河道流量和水位监测断面自动化成本高、流量流速模型率定困难和关系式不稳定等问题，本专利技术公开了一种天然河道水位流量同步同化方法及智能系统，根据河流断面及其演化情况，采用生成对抗网络动态获取整个河段的水下地形从而获得任意断面
的过流面积，采用水动力学方程结合神经网络实现对水位和流量的同步同化，同化精度可以根据需要通过增加断面实测数据的方式实现。本专利技术技术先进、可操作性强，对防汛抗旱和水资源保护具有十分重要的意义。
[0008]为达到上述目的，本专利技术的技术方案如下：
[0009]一种天然河道水位流量同步同化方法，包括如下步骤：
[0010]步骤一，确定需要同化的河段
[0011]步骤二，典型断面水上水下地形测量及同化段整体河床地形生成
[0012]获取水面以下地形，建立水位/水深和断面面积关系；用于构造传感器测得流量水深与单宽流量单宽水深关系；
[0013]选取典型断面采用水上无人机携带激光雷达－水下采用超声波无人船结合的方式进行水上水下地形测量，当河床时空变化比较大时，就选择相应的断面进行测量。相似性度量采用同一时刻河道水面下的垂直平均流速方向过水横断面。具体步骤是：(1)对两个过水断面图形均进行放缩进行面积归一化；(2)分别找到两个图形的几何中心，并通过不旋转的平移拖动使几个中心重合；(3)此时两个图形的重合面积即为相似度。
[0014]当下一个断面与已量测断面的相似度≤0.9时，则需要重新进行断面形状测量。结合历史资料分析河床稳定性，当河床稳定时，则结合断面形状、水力坡降、流速分布的经验信息选择相适应的河道水流动力学方程。当河床不稳定时，需要建立增设泥沙含量、上游水土流失、典型断面流速和时间为输入的整个同化河段河床回归模型。本专利技术采用局部插值、分段光滑回归和整体拼接的方式实现整个同化河段河床三维地形的重建。(1)模型采用运用Wasserstein距离与插值误差之和作为损失函数，引入了基于Wasserstein生成对抗网络三维地形数据插值算法。(2)以现有高分辨率DEM数据集合上一步生成地形三维数据为基础，从地形特征入手，构建并训练了由地形特征生成局部河床地形的Terrain
‑
CGANs(Conditional Encoder
‑
Decoder GenerativeAdversarial Networks)，在生成器G中包含一个由5层的卷积层(conv)和5层的逆卷积层(deconv)构成的“编码
‑
解码”模块，用以提取可能的深度地理空间知识。判别器D中，首先将采样河床地形图和对应的完整图进行拼接，再通过卷积输出二分类的判定结果。
[0015]步骤三，河道水流模型选择
[0016]根据同化河段的稳定性、规则性和同化时段水流的均匀性和平稳性选择相应的数学模型。对于流态复杂和非恒定非均匀流选择Navier
‑
Stokes方程的简化方程进行同化，简化方程包括标准k
‑
ε模型、RNG k
‑
ε模型、可实现k
‑
ε模型和Reynolds应力模型共4种紊流模型。对于顺直规则河道，当流速稳定时采用圣维南方程组进行数据同化。
[0017]步骤四，在同化河段上游设置水位、流速监测仪器，实现同化段与方程的全时空4维变分同化，对于圣维南方程组采用神经网络进行同化。水位流速测量：水位采用激光雷达、流速采用相控阵声学多普勒剖面仪。在选定的断面(可以根据精度需要增加)布置水位、流速传感器、嵌入式设备和计算服务中心并组成同化系统；根据精度要求确定采样断面数量，并采用传感器获取断面上水深与流量作为模型的边界条件；(需要采用传感器获取最上游与最下游两个断面上的水深与流量作为边界条件，且可以通过增加采样断面提高精度)。
[0018]采用流速测量仪器，测量根据将物理信息嵌入神经网络的思想，构建圣维南方程组等价物理信息神经网络；通过时空缩放、调整方程权重等方法优化神经网络结构并获取
网络参数；检验神经网络模型模拟精度；将满足精度要求的神经网络到现场进行部署。
[0019]步骤五，神经网络水位流量同化方法，包括如下步骤：
[0020]步骤1，神经网络同化模型构建，采用物理信息神经网络构建以圣维南方程组、采样断面水位、流量为约束条件的同化模型；包括如下步骤：
[0021]描述河道渐变非恒定水流运动的一维圣维南方程组本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种天然河道水位流量同步同化方法，其特征在于，包括如下步骤：步骤一，确定需要同化的河段步骤二，典型断面水上水下地形测量及同化段整体河床地形生成获取水面以下地形，建立水位/水深和断面面积关系；步骤三，河道水流模型选择根据同化河段的稳定性、规则性和同化时段水流的均匀性和平稳性选择相应的数学模型；对于顺直规则河道，当流速稳定时采用圣维南方程组进行数据同化；步骤四，在同化河段上游设置水位、流速监测仪器采集数据根据精度要求确定采样断面数量，在选定的断面布置水位、流速传感器、嵌入式设备和计算服务中心并组成同化系统；并采用传感器获取断面上水深与流量作为模型的边界条件；步骤五，神经网络水位流量同化方法，包括如下步骤：步骤1，神经网络同化模型构建，采用物理信息神经网络构建以圣维南方程组、采样断面水位、流量为约束条件的同化模型；包括如下步骤：描述河道渐变非恒定水流运动的一维圣维南方程组为：连续方程：动力方程：式中，x，t分别为流程和时间；A为断面面积；Q为流过断面的流量；B
T
表示调蓄宽度；Z为水位；q
L
为旁侧入流，入流为正，出流为负；v
x
为旁侧入流q
L
沿水流方向的速度分量；g为重力加速度；K为流量模数，R为水力半径，n为糙率；使用物理信息神经网络解圣维南方程，采用单网双输出结构，共享网络参数，预测值对自变量的偏导数将边界处抽样的i个输入点及对应的单宽水深h、单宽流量q用于训练边界约束，表示神经网络预测值与理论值的差距，为单宽水深预测值，为单宽流量预测值，将定义域内由拉丁超立方体抽样得到的输入j个用于连续方程与动力方程约束，进行边界约束的抽样点同样进行了方程约束，微分项分别按照连续方程与动力方程约束线性组合，构造损失函数如下：式中，MSE表示在计算损失时使用均方误差函数，N
f
与N
u
表示作用范围，λ表示加入的平衡权重系数；寻找神经网络参数，使损失函数最小；步骤2，根据四点差分法检验上述同化模型的正确性，如正确则进入步骤4，否则返回步
骤3优化同化模型；步骤3，将检验合格的模型完成现场部署，更新在嵌入式系统中，应用于水位流量同化；步骤4，根据上游确定断面的水位、流量，基于神经网络同化模型实时得出下游任意断面的水位、流量。2.根据权利要求1所述的天然河道水位流量同步同化方法，其特征在于，所述步骤1的神经网络中网络输入层加入时空映射缩放输入尺度，将输入映射到一个更密集的区间。3.根据权利要求1所述的天然河道水位流量同步同化方法，其特征在于，所述步骤1中使用3层隐藏层...

【专利技术属性】
技术研发人员：方卫华，钟华，徐孟启，肖城，戴佳琦，
申请(专利权)人：水利部交通运输部国家能源局南京水利科学研究院，
类型：发明
国别省市：