System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及环境监测领域,具体涉及一种基于神经网络的隧道洞口间污染物窜流比的预测方法。
技术介绍
1、随着我国基建设施的不断发展,公路隧道的规模迅速扩大。由于隧道本身积累的灰尘烟尘以及行驶车辆排放等各类污染物会严重影响隧道的空气环境,因此必须设置通风系统来稀释并排出污染物。公路隧道通风设施费用在工程总造价中所占比重可达20%~30%,在长大隧道中甚至可达50%。如果一座隧道的排风洞口与另一座隧道的进风洞口间的距离较短,排出的污染气体容易在没有被充分稀释的情况下被吸入另一座隧道内,导致进风隧道内污染物浓度增加,出现污染物窜流的现象。为了保证隧道内污染物浓度不超过限值,通风系统的设计和运行都需要对这部分污染物做出额外考虑,而且窜流情况随交通量实时变化,会进一步增大通风系统的控制难度,这些都会导致隧道建设成本增加。为了维持隧道内良好的空气环境,降低隧道的建设成本,亟需创建一个能够反映隧道洞口间污染物窜流比的预测模型,为隧道的建设和运营提供重要参考。
2、由于隧道洞口间污染物窜流比的影响因素众多,排风进风风速、隧道尺寸、横向风速、地形等各类因素都会相互耦合,最终共同作用于隧道污染物的窜流比,这导致了对窜流现象基于数学机理进行分析建模的难度较高,且无法对影响因素作较为全面的考虑,在实际工程中通常只能针对某特定隧道,普遍适用性不强,预测精度和可靠性不佳。因此,如何在充分考虑各类影响因素的情况下对窜流比进行简单快速的建模,并实现较高的预测精度是当前隧道洞口间污染物窜流模型研究中的一大难题。
技术实现思
1、针对现有技术中的上述不足,本专利技术提供的一种基于神经网络的隧道洞口间污染物窜流比的预测方法解决了现有方法在实际工程中通常只能针对某特定隧道,普遍适用性不强,预测精度和可靠性不佳的问题。
2、为了达到上述专利技术目的,本专利技术采用的技术方案为:一种基于神经网络的隧道洞口间污染物窜流比的预测方法,包括以下步骤:
3、s1、采集不同情况下的隧道洞口间污染物浓度,计算污染物窜流比和窜流比相关的影响参数,形成样本数据集;
4、s2、采用皮尔逊相关性分析法,分析样本数据集中污染物窜流比及其影响参数之间的相关性;
5、s3、根据样本数据集中污染物窜流比及其影响参数之间的相关性,确定输入层和输出层,设置隐含层节点数,构建三层bp神经网络模型;
6、s4、随机取出样本数据集中若干样本作为训练集,使用训练集对三层bp神经网络模型进行训练,得到初步训练的三层bp神经网络模型;
7、s5、使用灰狼优化算法对初步训练的三层bp神经网络模型的阈值和权值进行寻优,得到gwo-bp模型;
8、s6、使用gwo-bp模型对待预测的隧道洞口进行隧道洞口间污染物窜流比预测。
9、进一步地:所述步骤s1中,采用cfd数值模拟的方式,利用star-ccm+建立连续隧道和相邻隧道的模型,通过采集连续隧道和相邻隧道的模型隧道洞口间污染物浓度,计算污染物窜流比和窜流比相关的影响参数,形成样本数据集。
10、进一步地:所述窜流比相关的影响参数包括排风速度、进风速度、洞口间距、洞口当量直径、横向风速、排风洞口山坡角度、进风洞口山坡角度和山谷深度。
11、进一步地:所述步骤s3包括以下分步骤:
12、s31、将样本数据集中相关性系数绝对值大于0.3的影响参数作为输入层;
13、s32、将样本数据集中的隧道洞口间污染物窜流比设置为输出层;
14、s33、设置隐含层节点数,构建三层bp神经网络模型。
15、进一步地:所述步骤s5包括以下分步骤:
16、s51、初始化灰狼种群和三层bp神经网络的权值以及阈值;
17、s52、计算适应度值,更新灰狼位置;
18、s53、寻找适应度值最优解;
19、s54、使用适应度值最优解作为正向传播输入,并预测输出;
20、s55、计算预测输出与样本数据真实值之间的网络输出误差;
21、s56、将网络输出误差反向传播,通过网络输出误差调整bp神经网络的权值以及阈值;
22、s57、计算网络平均误差,并判断网络平均误差是否达到设定范围内:
23、若否,则返回步骤s51;
24、若是,则得到gwo-bp模型。
25、进一步地:所述步骤s53中,寻找适应度值最优解的数学模型公式为:
26、d(x)=|c·xp(t)-x(t)|
27、x(t+1)=xp(t)-a·d
28、a=2α·r1-α
29、c=2·r2
30、其中,d为离猎物最近的灰狼与其他狼群之间的距离,t为当前迭代次数,xp为猎物位置向量,x为灰狼狼群位置向量,r1和r2是模在范围[0,1]之间的随机向量,α为随着算法迭代次数的增加从2减小至0的常数。
31、本专利技术的有益效果为:
32、1、本专利技术提出的预测模型可以在充分考虑各类影响因素的情况下简单快速对隧道洞口间污染物窜流比进行建模。
33、2、本专利技术通过灰狼优化算法(gwo)对建立的隧道洞口间污染物窜流比预测神经网络模型进行优化,可以有效提高预测精度,精确预测不同情况下的隧道洞口间污染物窜流比,为隧道的建设和运营提供参考。
34、3.本专利技术考虑纵向连续隧道以及横向相邻隧道两种情况,提升了方法的普遍适用性。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的隧道洞口间污染物窜流比的预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于神经网络的隧道洞口间污染物窜流比的预测方法,其特征在于,所述步骤S1中,采用CFD数值模拟的方式,利用STAR-CCM+建立连续隧道和相邻隧道的模型,通过采集连续隧道和相邻隧道的模型隧道洞口间污染物浓度,计算污染物窜流比和窜流比相关的影响参数,形成样本数据集。
3.根据权利要求2所述的基于神经网络的隧道洞口间污染物窜流比的预测方法,其特征在于,所述窜流比相关的影响参数包括排风速度、进风速度、洞口间距、洞口当量直径、横向风速、排风洞口山坡角度、进风洞口山坡角度和山谷深度。
4.根据权利要求3所述的基于神经网络的隧道洞口间污染物窜流比的预测方法,其特征在于,所述步骤S3包括以下分步骤:
5.根据权利要求1所述的基于神经网络的隧道洞口间污染物窜流比的预测方法,其特征在于,所述步骤S5包括以下分步骤:
6.根据权利要求5所述的基于神经网络的隧道洞口间污染物窜流比的预测方法,其特征在于,所述步骤S53中,在n维空间中,寻
...【技术特征摘要】
1.一种基于神经网络的隧道洞口间污染物窜流比的预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于神经网络的隧道洞口间污染物窜流比的预测方法,其特征在于,所述步骤s1中,采用cfd数值模拟的方式,利用star-ccm+建立连续隧道和相邻隧道的模型,通过采集连续隧道和相邻隧道的模型隧道洞口间污染物浓度,计算污染物窜流比和窜流比相关的影响参数,形成样本数据集。
3.根据权利要求2所述的基于神经网络的隧道洞口间污染物窜流比的预测方法,其特征在于,所述窜流比相关的影响参数包括排风...
【专利技术属性】
技术研发人员:唐莎,智艳生,张仁,郭英明,袁中原,林则烨,
申请(专利权)人:西南交通大学,
类型:发明
国别省市:
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。