人工神经网络模型在水动力模型数据缺失中应用.docVIP

人工神经网络模型在水动力模型数据缺失中应用 　　摘要：我国的大部分城市给水管网，规模宏大，结构混乱复杂；因此管网的管理、改扩建、优化调度等都成了一个极为困难的问题。越来越多的城市将水动力模型作为解决上述问题的一个强有力的工具。但是建立水动力模型需要节点流量、节点压力、管道的摩阻系数等等浩繁的数据，监测和整理这些数据需要耗费极大的人力物力。当数据缺失时，我们可以根据现有的数据利用ANN搭建模型，模拟出这些数据，从而应用于水动力模型中。 关键词：水动力模型，ANN神经网络系统，模型数据，缺失数据模拟 中图分类号：G250.72 文献标识码：A 我国大多数的城市管网建设滞后于水厂建设,给水管网的铺设会随城市的发展不断地铺设延长，与之相对应的是用水量的急剧增长，与老管线的协调规划问题等等，这一切的问题都使地下管线的管理成为一个极其复杂的问题。构建水动力模型，可以实时的看到管网的薄弱环节，并且通过分析得知造成管网问题的原因。水动力模型可以应用于并的给水系统的规划，设计及改扩建；管网改造优先性评估；管网改造并行方案的的成本分析，运行情况；指导和帮助安排管网检漏工作等。 建立水动力模型是一项复杂并且富有难度的工程，需要将给水管道的的信息，包括管道的管径、材质、管龄，粗糙系数等如实的反应到模型中，运行模型后要选择管网中具有典型代表性的节点，得到这些节点的节点流量与节点压力模拟值，将这些曲线与实际中该节点的流量与压力曲线进行对比。通过调整管网的粗糙系数，节点流量分配等核心数据使模拟曲线与实测曲线相吻合，这个过程称之为模型校核。校核后的模型才能应用于实际的工程工作中。 模型搭建和校核的过程中需要许多数据，而在现有国内的自来水公司，极少有完备的数据，而这些数据的检测和整理是一项复杂并且耗费财力的工程。当有所需的数据缺失时，根据现有的数据搭建ANN（人工神经网络）模型，模拟出缺失的数据曲线，从而用于水动力模型的校核工作中。譬如，节点流量曲线、节点压力曲线、节点的化学物质残留量曲线等等。 1 人工神经网络的概念 人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型，是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。人工神经网络是数学统计学方法的一种实际应用,通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间,通过统计学的方法,人工神经网络能够类似人 一样具有简单的决定能力和简单的判断能力,这种方法比起正式的逻辑学推理演算更具有优势。因为它不需要全面的数据。实践证明只要中间的隐含层个数足够多，ANN神经网络无限逼近任何连续函数。 图1 3层ANN（BP）网络结构 Fig. 1 Three level ANN models structure 2基于ANN人工神经网络的节点压力模型的建立 人工神经网络是一个能够学习,能够总结归纳的系统,也就是说它能够通过已知数据的实验运用来学习和归纳总结。人工神经网络通过对局部情况的对照比较,它能够推理产生一个可以自动识别的系统。人工网络系统之所以能够推理,基础是需要有一个推理算法则的集合。在本次的实例检验过程中使用相关系数和确定性系数来衡量模型的准确性，如果确定性系数越大，预测值和实测值的相关系数越大，误差就越小，模型的计算结果就越好。通过对模型精度的分析，判断节点压力曲线是否可以用于水动力模型的，模型校核工作中。 其实人工神经网络就是一个黑箱子，它所建立的模型不是基于实际的物理联系，而是基于我们所记录数据和所得值之间的函数关系（这种函数关系在运算的过程中不得而知），对于人工神经网络的计算过程我们不关心也不必去了解它计算过程的细节。人工神经网络在做出预测之前是使用记录数据的学习过程，之后的使用就是在上面的学习过程之后，人工神经网络会拟合出一个比较准确的函数关系从而会根据所给数据预测出我们所关心变量的结果。 本文以节点压力曲线的模拟为例子，阐述ANN模型的搭建，以及模拟结果的精确性。 已有的数据为给水管网中8个节点的压力曲线，靠近泵站的一个节点的压力缺失某几个小时的数据，现利用已知数据搭建ANN模型，模拟出此时，一个小时后，两个小时后，4个小时后的模拟压力曲线。通过对模型结果的分析，得出其结果是否能用于水动力模型校核工作。 2.1 训练模式对的准备工作