人工神经网络在地下水资源预测中的应用研究.ppt

,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,一、简介,二、,ANN,模型研究进展及原理,三、地下水资源系统,ANN,模型的建立,四、结论和建议,地下水资源系统各部分之间具有复杂的非线性关系，因此不可能用简单的线性函数加以确定性描述,;,同事，由于含水系统的空间变异，实际研究过程中会出现数据多变性、所需数据的不完整性以及系统参数的不确定性，一些精确的研究方法在描述地下水系统非线性关系时常会陷入多种困境中。,简介：,地下水资源数值方法，能够描述形状不规则的区域及含水层非均质、各向异性和复杂的边界条件，可以处理河流入渗、大气降水补给、各种抽水、排水、溶质交换和蒸发在时空分布上的变化，从而解决其他计算方法不易解决的复杂问题，具有较强的优势，随着计算机的普及，数值法已经成为地下水资源评价中的主要方法之一。,但是，作为分布参数模型的数值法对数据资料在数量和精度上都有较高的要求，以对研究区含水层系统进行准确合理的概化和建模、计算和评价。,具有很强的自适应、自学习、容错和抗干扰能力，善于联想、概括和推理，找出事物之间隐藏的复杂规律。,采用误差反向传播算法的,BP,神经网络模型是最常用的,ANN,模型，它由一个输入层,X,，,n,个隐层，一个输出层,Y,组成，相邻层节点由权值连接，层间激励函数一般取为西格蒙德函数，信息由,X,向,Y,层流动，期望输出与实际输出之间的误差按照梯度下降原理由输出层向输入层反向传播，调整权值，满足误差精度要求得到的最终权值矩阵即可作为评价因子,对系统进行识别、分析。理论已经证明，以西格蒙德函数作为激励函数的三层,BP,神经网络可以对任意多元函数进行逼近，实现任意有界多元函数的映射关系。,一、地下水水位动态,ANN,模拟模型,建立研究区内地下水水位动态,7,个主要影响因子与区内,25,个观测孔丰水期水位年变幅之间的,3,层,BPANN,模型，通过模型学习，进行系统参数识别。这些观测孔尽量沿漏斗轴向选取，同时考虑全区，以便控制整个流场。,地下水资源系统,ANN,模型的建立：,二、降水量、蒸发量预测,ANN,模型,在进行地下水资源预报之前，首先需要生成区内未来年份的气象系列,-,降水量,P,和蒸发量,E,时间序列，传统的时间序列分析采用,AR(p),、,MA(q),、或,ARMA(p,、,q),建立动态模型进行预测。如,AR(p),模型一般为常系数线性自回归模型，由下式表达：,其中,(k=1,2,p),为常系数，体现了,变量相互之间量的关系。,由于三层,BP,网络具有逼近任何复杂非线性函数的能力，因此，采用,ANN,来进行降水量和蒸发量的模拟和与预测，也就是据已有的观测数据，合理选择样本，将一定量相邻的,M,个值映射为后继的,N,个值，建立非线性自回归模型。气象因素一般具有,11,年左右的周期性，预测中，采用,12,对,1,（单步预测）的输入与输出映射关系，以包含整个的时间段，从而实现在不对时间序列进行任何成分提取的情况下，建立数据之间的内在联系，并能够预测未来。,蒸发量和降水量的模拟预测模型相同，在此仅以降水量为例，其模型结构为：,其中,是输入降水量序列，为自变量的非线性函数，由网络权值和阀值来表示。,附：计算流程图,三、地下水位开采现状动态,ANN,预测模型,保持地下水开采现状，预测研究区,1993-2002,年流场变化。根据已建水位动态模型，依据模拟模型识别因子和由时间序列,BPANN,模型得到的预测年份气象变量，在现状开采条件下，从,1993,年开始预测,10,年，对预测年输入量作正演计算。到,2002,年，区内地下水水位年均下降,0.10.6m/a,不等，西部漏斗中心水位下降,35m,；东部漏斗区水位埋深由,1990,年的,2023.5m,下降至,2527.5m,。,四、开采量调配,ANN,决策模型,保持区域水位降深在一定范围内，预测评价研究区,19932002,年可采地下水资源量，实现市政水源、工业自备井开采量的宏观优化。为缓解区域降落漏斗扩展的趋势，在满足市政供水的情况下，建立以压缩工业自备井开采量为出发点的开采模式调整模型。选取漏斗区观测点作为调整年水位缓慢回升点，其他点为水位基本稳定点，以,1992,年水位值为水位降深上线，合理调整,3Q(Qs Qn Q1),的值，计算出调配开采量，根据经济增长需求情况下各部门需水量，推算计划需水量及宏观缺水量。,附：开采量调整示意图,通过建模方法的研究，尝试了,ANN,技术在水资源系统中进行时序预测、动态模拟、预测方面的应用，同时对市政开采和工业自备井开采量进行宏观优化，取得满意效果，为水资源后续评价、管理及井网调整提供了有意义的参考。人工神经网络的良好非线性映射功能、信息大规模并行处理及自学能力已经为建立地下水系统非线性预测和管理模型提供了一条新的途径，将具有较好的发展前景。,结论和建议,在实际模型的研制和调制过程中也遇到一些问题，有待进一步探讨。首先是如何运用先验知识问题。从模型运行精度上来看，虽然结果达到基本要求，但并没有达到,ANN,理论预期的高精度，这说明,ANN,模型并不完全是含水层非线性系统的真实描述，如何改进算法，将系统先验特征与人工神经网络方法有机地结合起来，使黑箱模型灰化，从而改善模型特性，有待于进一步研究。,其次是网络结构的合理选择与算法优化的问题。,由于,BP,神经网络隐层数及隐层节点数的选择一直没有定论；梯度下降算法具有陷入局部最小的先天缺陷，而他们的选择和使用又直接影响网络学习的效率，这是今后研究的又一方向。,主讲：田江雪（通信六班）,资料收集和制作：季吴淏（通信六班）,牛 聪（通信六班）,谢谢！,