基于主成分分析與支持向量機(jī)的渠道閘前冰輸移與堆積判別模型1)

梁乃生 脫友才 鄧 云 賈云霄

(四川大學(xué)水力學(xué)與山區(qū)河流開發(fā)保護(hù)國家重點實驗室，成都 610065)

引言

輸水渠道是解決水資源時間和空間分布不均衡而修建的水利設(shè)施，閘門是渠道中調(diào)控水量的水工建筑物，而在冬季冰凌隨水流運(yùn)動到閘門前段范圍時，由于閘前水流條件的變化，浮冰可能會在閘前形成堆積體，導(dǎo)致過水?dāng)嗝媸嫌嗡挥焊撸绊戄斔蔥1-3].因此，有效預(yù)測冰凌在閘前的輸移與堆積狀態(tài)，對于渠道輸水效率和安全運(yùn)行具有重要意義.

閘前水流受到閘孔出流收縮斷面的影響，流線發(fā)生彎曲形成湍流漩渦，漩渦強(qiáng)度與閘前水深和出口流速有關(guān)[4-6].閘前浮冰在這種浮力-水力作用下的堆積和輸移狀態(tài)的判別較為復(fù)雜，目前主要通過物理模型實驗來開展研究[7-8].Ashton 等研究了閘門中孔淹沒出流條件下浮冰在閘前的輸移與堆積情況，采用回歸分析方法擬合判別函數(shù)對浮冰在閘前的狀態(tài)進(jìn)行判別[9].Fu 等研究了浮冰在倒虹吸口前的輸移與堆積狀態(tài)，采用回歸分析方法擬合臨界數(shù)據(jù)點得到判別函數(shù)[10].Mu 和吳艷等采用回歸分析的方法分析了浮冰通過橋墩墩柱斷面所需的臨界水力判別條件[11-12]，但是由于邊界條件的不同，物理模型實驗數(shù)據(jù)回歸擬合得到的結(jié)果差異較大，且存在一定的主觀因素.

由于閘前浮冰輸移與堆積是一個非線性發(fā)展過程，基于數(shù)據(jù)驅(qū)動算法的機(jī)器學(xué)習(xí)模型在處理非線性邊界值問題上具有優(yōu)勢[13-14].Sun 采用機(jī)器學(xué)習(xí)方法對加拿大的開河時間以及開河時的流量峰值進(jìn)行預(yù)測研究，預(yù)測結(jié)果顯示基于數(shù)據(jù)驅(qū)動的統(tǒng)計模型具有良好的性能[15-16].Seidou 等[17]將人工神經(jīng)網(wǎng)絡(luò)模型與熱力學(xué)湖泊冰模型分別應(yīng)用在加拿大湖泊和水庫冰層厚度研究中，發(fā)現(xiàn)在數(shù)據(jù)質(zhì)量和數(shù)量不充分的情況下，人工神經(jīng)網(wǎng)絡(luò)模型具有較高的預(yù)測精度.王濤等[18]采用改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)方法對黃河寧蒙河段的冰情問題進(jìn)行預(yù)測，通過融合影響冰情發(fā)展的多個因子來提高預(yù)測的精度.支持向量機(jī)(support vector machine,SVM)是一種基于小樣本統(tǒng)計學(xué)習(xí)理論的算法，可以解決實際問題中出現(xiàn)的非線性和高維數(shù)等問題[19-21].劉彥濤[22]基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型對冰塞水位進(jìn)行預(yù)測，得到支持向量機(jī)模型在小樣本條件下預(yù)測精度高于BP 神經(jīng)網(wǎng)絡(luò)模型.Kalke 等[23]采用支持向量機(jī)算法對無人機(jī)拍攝的河冰圖像進(jìn)行分類研究，從圖像中提取并計算了表面冰濃度，將其用于后續(xù)模型計算中.主成分分析(principal components analysis，PCA)方法是從特征元素中提取相互獨(dú)立的有效信息從而降低輸入維度一種統(tǒng)計分析方法[24]，Ren 等[25]采用主成分分析的方法剔除了冗余信息，有效分析了影響黃河上游水溫的主要因素，Noori 等[26]采用PCA-SVM 方法對伊朗Soficha 河流量進(jìn)行預(yù)測，發(fā)現(xiàn)PCA-SVM 模型預(yù)測準(zhǔn)確率高于普通SVM 模型.閘前冰輸移與堆積狀態(tài)的判別，具有非線性過程且高維特性，符合采用機(jī)器學(xué)習(xí)模型研究的特征，但目前未見該類方法在閘前冰狀態(tài)方面的研究.

本文首先通過室內(nèi)物理模型試驗開展了平板閘孔自由出流條件下閘前冰堆積與輸移的試驗，采用PCA 方法對輸入特征進(jìn)行降維處理，提取第一主成分和第二主成分作為模型的輸入特征，建立基于主成分分析與支持向量機(jī)(principal component analysis and support vector machine，PCA-SVM)的閘前堆冰判別模型，識別閘前冰輸移與堆積的主要影響因素，模型輸出結(jié)果可直接用于平板閘孔前冰堆積與輸移的預(yù)測.本文建立的PCA-SVM 閘前堆冰判別模型對冬季輸水渠道調(diào)度管理和安全運(yùn)行具有重要的參考價值.

1 試驗設(shè)計與數(shù)據(jù)來源

1.1 試驗裝置

本文的明渠閘前輸冰物理模型試驗在長20 m，寬0.4 m，高1 m 的循環(huán)式玻璃水槽內(nèi)開展.水槽底部用金屬框架固定，在距離進(jìn)水口約1 m(A-A’)和1.5 m(B-B’)兩個位置布置兩道消能柵，進(jìn)水口底部采用卵石鋪墊，進(jìn)行水流消能，以保證進(jìn)水水流的平穩(wěn).平板閘門安裝在距離進(jìn)水口約13 m 位置處，閘門與水槽邊壁接觸位置采用防水膠處理，保證其密閉性，閘孔出流方式為自由出流，在靠近BB’位置布設(shè)冰塊投放箱，以保證冰塊自由運(yùn)動到閘前，下游距離閘門約7 m 處有冰塊收集箱，試驗裝置示意圖如圖1 所示.試驗中模擬冰塊(簡稱冰塊)為聚乙烯材質(zhì)，其比重為0.91.冰力學(xué)模型試驗要求浮冰運(yùn)動相似，模型中的浮冰密度弗汝德數(shù)和真冰相等，即模型冰的密度和真冰相等，因此模擬冰選擇了密度為910 kg/m3的聚乙烯材質(zhì)塑料塊.根據(jù)華北地區(qū)多年天然河道冰情概況，確定原型冰厚度在0.10～0.55 m[27]，冰盤的大小約為2 m，按照比尺1:50，模型冰厚度在0.002～0.011 m，經(jīng)過前期的預(yù)試驗，為了更好的模擬浮冰在閘前的堆積與輸移過程，試驗選擇長和寬為0.04 m 的浮冰，厚度為0.006 m 冰塊，浮冰數(shù)量共約2000 塊.流速測量在C-C’位置，測量設(shè)備為南京水利科學(xué)研究院生產(chǎn)的旋槳流速儀，流速測量范圍為0.01～3 m/s.

圖1 實驗裝置示意圖Fig.1 Schematic diagram of experimental device

1.2 工況與方法

經(jīng)過預(yù)實驗發(fā)現(xiàn)，來流條件和閘孔開度是影響閘前冰輸移與堆積的因素.因此，實驗設(shè)置4個閘孔開度下不同的水位變幅條件，試驗共設(shè)置7 組107 個工況.每組工況下固定閘孔開度，調(diào)整進(jìn)水閥門，使閘前水位按照工況設(shè)計表變化，詳細(xì)工況設(shè)置如表1 所示.試驗步驟為：(1)調(diào)整閘孔開度至預(yù)設(shè)值；(2)調(diào)整進(jìn)水流量閥門按工況水位范圍變化，水位變化幅度0.05 m/次；(3)待水流平穩(wěn)以后，將冰塊從投放箱推入水槽中，觀測記錄冰塊在閘前的運(yùn)動狀態(tài)，測量上游斷面平均流速V、閘前水位H和閘前冰堆積體厚度ti.在冰塊堆積上游C-C’位置處橫斷面布置9 個測點測量流速.其中I 和III 測線距離邊壁約0.05 m，II 測線距離邊壁約0.2 m，表面流速測點(1，2，3)距離水面約為總水深的0.25 倍，中心測點(4，5，6)距離水面約為總水深的0.5 倍，底部測點(7，8，9)距離水面約為水深的0.75 倍，詳細(xì)測點布置如圖2 所示，平均流速V為這9 個測點流速的平均值.

表1 工況設(shè)計Table 1 Operating condition design

圖2 C-C’位置測點布置圖Fig.2 The measuring point arrangement of section C-C’

2 現(xiàn)象與結(jié)果分析

2.1 試驗現(xiàn)象

冰塊在閘前的運(yùn)動狀態(tài)，可總結(jié)為通過閘門、在閘前形成平衡穩(wěn)定堆積體和形成平鋪上溯堆積體3 種情況.研究將后兩種情況視為浮冰在閘前堆積.當(dāng)浮冰輸移通過閘門時，有兩種情況：一是當(dāng)水深和閘孔開度相當(dāng)時浮冰運(yùn)動到閘前直接通過閘門；二是水深較深，浮冰運(yùn)動到閘前時，受到閘前卷吸漩渦的影響，翻轉(zhuǎn)下潛通過閘門，其示意圖如圖3 所示.當(dāng)浮冰在閘前形成平衡穩(wěn)定堆積體時，繼續(xù)來冰時，冰塊下潛輸移通過閘門，形成堆積體大小與淹沒水深和閘孔開度有關(guān)，堆積體的主視圖如圖4 所示.本實驗過程中受到冰塊數(shù)量和水槽高度的限制，該工況下上游來冰多數(shù)在閘前堆積，少量冰塊通過閘門，我們在研究中定義該狀態(tài)為浮冰堆積.當(dāng)浮冰在閘前形成平鋪上溯堆積時，發(fā)現(xiàn)隨著冰流量增加和水流量的增加，浮冰沿渠道向上游堆積發(fā)展，沒有冰塊通過閘門，堆積體示意圖如圖5所示.

圖3 浮冰下潛通過閘門示意圖Fig.3 Ice entrainment through the submerged gate

圖4 平衡穩(wěn)定堆積體示意圖Fig.4 Schematic of balanced and stable accumulation

圖5 平鋪上溯堆積體示意圖Fig.5 Juxtapositioning of ice at the submerged gate

2.2 結(jié)果分析

根據(jù)試驗數(shù)據(jù)，繪制閘門上游水流弗汝德數(shù)(Fr1)與閘門相對開度(H/e)的散點圖，如圖6所示.采用最小二乘法對數(shù)據(jù)進(jìn)行擬合，擬合公式如式(1)，均方誤差(mean square error，MSE)為1.9×10?4.圖6 數(shù)據(jù)顯示隨著上游水流弗汝德數(shù)的減小浮冰逐漸由下潛通過閘門演變?yōu)樵陂l前堆積，圖6 中圈出的部分為臨界區(qū)，若采用回歸分析的方法尋找該區(qū)域的分界點比較困難.于是，采用質(zhì)量守恒方程求閘門出口水流弗汝德數(shù)(Fr2)并繪制其與閘門相對開度(H/e)之間的散點圖，繪制結(jié)果如圖7 所示，采用最小二乘法擬合數(shù)據(jù)點得到式(2)，MSE 為1.5×10?3，圖7 中圈出了數(shù)據(jù)的臨界區(qū)域.由圖6 和圖7 中的臨界區(qū)域可以看出，在平板閘孔自由出流條件下，采用回歸分析方法擬合臨界數(shù)據(jù)點存在以下問題：臨界工況數(shù)量有限，擬合的分類函數(shù)適用范圍有限.

圖6 上游水流弗汝德數(shù)與閘孔相對開度關(guān)系Fig.6 The relationship between the Fr1versus H/e

圖7 閘孔出口弗汝德數(shù)與閘孔相對開度關(guān)系Fig.7 The relationship between the Fr2versus H/e

浮冰運(yùn)動到閘前時出現(xiàn)下潛行為與閘前水流弗汝德數(shù)和卷吸漩渦密切相關(guān)[28-29]，當(dāng)浮冰在閘前發(fā)生堆積時，采用Fr1與冰塊相對厚度(ti/H)關(guān)系繪制散點圖如圖8 所示.當(dāng)Fr1大于0.13 時，即位于圖8 中的A區(qū)域時，冰塊隨水流通過閘門，閘前沒有堆積體.當(dāng)Fr1的范圍在0.07～0.13，即位于圖8 中的B和C區(qū)域時，浮冰在閘前形成堆積體.堆積體形狀分為兩種：一是Fr1的范圍在0.096～0.13 時，即圖8 中的B 區(qū)域，浮冰在閘前形成平衡穩(wěn)定堆積體，堆積體形狀如圖4 所示.二是當(dāng)Fr1的范圍在0.07～0.096，即圖8 中的C 區(qū)域時，浮冰在閘前形成平鋪上溯堆積體，堆積體形狀如圖5 所示.當(dāng)水流弗汝德數(shù)較小時浮冰容易在閘前形成平鋪上溯堆積體，隨著水流弗汝德數(shù)的增大浮冰容易在閘前形成平衡穩(wěn)定堆積體.

圖8 Fr1與ti/H 的變化關(guān)系Fig.8 The relationship between Fr1versus ti/H

3 判別模型

由水槽試驗結(jié)果可知，冰塊在閘前呈現(xiàn)輸移與堆積的特征，其堆積體形狀因水流條件和閘孔開度不同而存在差異.為此，將影響閘前浮冰狀態(tài)的Fr1，F(xiàn)r2，H/e，H1/H和浮冰在閘前的輸移狀態(tài)作為輸入特征，建立基于PCA-SVM 的閘前冰輸移與堆積判別模型，對冰塊在閘前的狀態(tài)進(jìn)行分類.

3.1 數(shù)據(jù)預(yù)處理

首先對各特征數(shù)據(jù)進(jìn)行相關(guān)性分析，設(shè)樣本特征表示原始樣本中第i個樣本的第j個特征，i=1,2,···,n,n為樣本個數(shù)；j=1,2,···,m，m為特征個數(shù).將收集到的試驗數(shù)據(jù)集定義為矩陣(3)

對各變量進(jìn)行相關(guān)系分析，求變量間的皮爾遜相關(guān)系數(shù)，計算公式為式(4)

式中，表示原始樣本中第i個樣本的第j+τ 個特征，τ

圖9 各影響因素皮爾遜相關(guān)性系數(shù)Fig.9 The coefficient of Pearson correlation of variable

由相關(guān)性分析結(jié)果可知，輸入特征之間存在較強(qiáng)的信息重疊，本研究采用PCA 方法對標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)進(jìn)行處理，提取輸入變量的主要信息，以綜合考慮各影響因素的基礎(chǔ)上提高分類的準(zhǔn)確率[24].主成分分析的核心思想是將高維相關(guān)聯(lián)的特征降為少數(shù)不關(guān)聯(lián)特征，同時盡可能多的反映原來的信息[30].為保證數(shù)據(jù)在輸入尺度上具有同樣的重要性，先采用標(biāo)準(zhǔn)化的方法對數(shù)據(jù)進(jìn)行預(yù)處理，使結(jié)果映射在0 ～1 之間，標(biāo)準(zhǔn)化公式如式(5)所示

式中，是原始數(shù)據(jù)，是標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，i是輸入數(shù)據(jù)的樣本數(shù)，j是輸入數(shù)據(jù)的特征維數(shù)，n是樣本數(shù)據(jù)的個數(shù).經(jīng)過歸一化處理后的特征矩陣X(1)如式(6)，協(xié)方差矩陣S的計算如式(7)

式中，X(1)T表示X(1)的轉(zhuǎn)置，通過求解特征方程得到協(xié)方差矩陣S的m個非負(fù)特征λk(k=1,2,···,m),并使其按照從大到小的順序排列為λ1>λ2>··· >λm≥0，求解其對應(yīng)的正交單位特征向量μk，則其主成分計算公式為式(8)

式中，Zk表示第k個主成分(k≤m)，第k個主成分Zk的貢獻(xiàn)率vk的計算公式為式(9)

合適的輸入特征是模型計算精度的關(guān)鍵[31]，根據(jù)相關(guān)性分析結(jié)果，選擇閘門淹沒水深(H1/H)、閘孔相對開度比(H/e)、上游水流弗汝德數(shù)(Fr1)和閘孔出口水流弗汝德數(shù)(Fr2)四個特征進(jìn)行PCA 分析，提取第一主成分和第二主成分作為SVM 的輸入.研究受到水槽尺寸和流量限制，試驗得到的冰堆積樣本數(shù)較少，為了減小因樣本劃分不同而引入的差異，采用5 折交叉驗證的方法對模型進(jìn)行訓(xùn)練.輸入數(shù)據(jù)劃分時，將標(biāo)準(zhǔn)化后樣本的70%劃分為訓(xùn)練集并記為X1～X7，剩余30%劃分為驗證集并記為X8～X10.對于訓(xùn)練集部分X1～X7，將其等分成5 份(即fold1～fold5)，依次選擇其中一份作為測試集，其余作為訓(xùn)練集，完成5 折交叉驗證[31].模型交叉驗證的方案示意圖如圖10 所示.

圖10 交叉驗證程序的方案Fig.10 The scheme of the cross-validation procedure

3.2 判別算法

SVM算法是基于結(jié)構(gòu)風(fēng)險最小化原則，適合于小樣本數(shù)據(jù)集知識挖掘的方法[19,32].對于樣本分類問題，設(shè)樣本數(shù)據(jù)集為Zi=[Zi1,Zi2]，yi為Zi對應(yīng)的標(biāo)簽，浮冰在閘前堆積標(biāo)記為“+1”，浮冰輸移通過閘門標(biāo)記為“?1”.則樣本分類超平面式為式(10)，分類決策函數(shù)為式(11)

式中，ω=(ω1,ω2,···,ωm)為Z對應(yīng)的權(quán)值向量，b為位移項，決定了超平面與原點之間的距離，sign()表示符號函數(shù)，該問題求解的拉格朗日函數(shù)可描述為式(12)

其中，α=(α1,α2,···,αp)為拉格朗日算子，αi≥0.求解函數(shù)式(12)得到ω 和b，并代入式(11)得式(13)

為了解決標(biāo)準(zhǔn)化后樣本數(shù)據(jù)在原始空間不可分的問題，將標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)在原始空間作映射變換，則變換后的空間內(nèi)積函數(shù)的值可變成核函數(shù)的直接計算值，計算公式如式(14)

式中，?(Zi),?(Zh)為原始空間的映射變換函數(shù)，函數(shù)k(Zi,Zh)為核函數(shù).本研究用到的核函數(shù)類型有多項式核(polynomial kernel function，POL)、高斯徑向基核(radial basis kernel function，RBF)和Sigmoid 核(sigmoid kernel function,SIG)，計算公式如式(15)～式(17)所示

其中，Zi和Zh表示不同的輸入特征，γ 為高斯核帶寬參數(shù)，tanh 是雙曲正切函數(shù).引入松弛變量ξi和hinge損失函數(shù)，可將式(12)寫成式(18)

其中，ui≥0 為拉格朗日算子.

核函數(shù)中的參數(shù)取值是決定計算準(zhǔn)確的關(guān)鍵.采用網(wǎng)格搜索方法(GridSearchCV，GS)確定最優(yōu)核參數(shù)[33-34].GS 算法將搜索數(shù)據(jù)組成網(wǎng)格空間，采用窮舉的方法對每一個網(wǎng)格點中的數(shù)據(jù)取值.本研究最優(yōu)值的搜索結(jié)果如圖11 所示.其中，RBF 參數(shù)C 搜索范圍為32.0 ～512.0，γ 搜索范圍為0.0625 ～1.0，最優(yōu)參數(shù)C=137.8，γ=0.27；SIG 的參數(shù)C 搜索范圍為0.01 ～1010,γ 搜索范圍為10?9～103，最佳參數(shù)C=104，γ=0.1；POL 的參數(shù)C搜索范圍為1.0～8190，γ 搜索范圍為0.031 25～32.0，最佳參數(shù)C=1.0，γ=19.5.

圖11 GS 搜索的結(jié)果Fig.11 The parameter of kernel function with GS such

圖11 GS 搜索的結(jié)果(續(xù))Fig.11 The parameter of kernel function with GS such(continued)

模型分類結(jié)果通過混淆矩陣進(jìn)行評價[34].閘前冰輸移與堆積的混淆矩陣如表2 所示，當(dāng)冰在閘前堆積時，PCA-SVM 模型預(yù)測正確記為TP，預(yù)測錯誤記為FN.當(dāng)冰下潛通過閘門時，模型預(yù)測正確記為TN，預(yù)測錯誤記為FP.引入準(zhǔn)確率(Accuracy，Acc)、精確率(Precision，Pre)、召回率(Recall，Rec)和F1-Score計算各核函數(shù)的得分情況，計算公式如式(19)～式(22)所示，其中F1-Score是精確率和召回率的綜合評價指標(biāo).各核函數(shù)的得分情況如表3所示.RBF 的精確率在測試集上為0.87，在驗證集上為0.94，高于SIG 和POL 核函數(shù)；其次，對于準(zhǔn)確率和F1-Score值的得分情況，RBF 核函數(shù)也顯示出優(yōu)勢.因此，選擇RBF 作為SVM 模型的核函數(shù)來開展試驗數(shù)據(jù)的分類研究

表2 閘前冰輸移與堆積混淆矩陣Table 2 Confusion matrix of ice transportation and accumulation in front of the gate

表3 分類報告Table 3 Classificatio report

3.3 模型輸出

模型輸出的各主成分貢獻(xiàn)率如圖12 柱狀圖所示，其中各主成分的占比為86%，7%，4%和3%，圖中階梯折線圖為各主成分的累計貢獻(xiàn)率.提取前兩個主成分信息，以解釋93%的原數(shù)據(jù)信息.用PCA1 作為第一軸和PCA2 作為第二軸繪制分類結(jié)果如圖13.由圖13 可知當(dāng)閘孔開度不變時，不同來流條件的數(shù)據(jù)點沿PCA1 軸方向變化，而第一主成分貢獻(xiàn)率為86%，因此認(rèn)為在輸入特征中主要影響因素是Fr1和Fr2.在相同來流條件下，關(guān)于閘孔開度變化的變量沿PCA2 軸方向變化，結(jié)合第二主成分貢獻(xiàn)率為7%，認(rèn)為H1/H和H/e是次要影響因素.

圖12 主成分分析法提取浮冰閘前狀態(tài)信息Fig.12 PCA was used to extract the information of floa ice before the gate

圖13 PCA-SVM 模型在平板閘孔出流試驗中的應(yīng)用Fig.13 Application of PCA-SVM model in classificatio of floatin ice in front of fla sluice

4 模型應(yīng)用

采用Fu 等文獻(xiàn)[10]中的試驗開展模型應(yīng)用分析，其試驗裝置如圖14 所示，出流方式為淹沒出流，F(xiàn)u 等采用回歸分析的方法擬合了函數(shù)曲線，擬合結(jié)果如圖15 中標(biāo)注所示.應(yīng)用本文建立的支持向量機(jī)模型對Fu 等試驗數(shù)據(jù)進(jìn)行分類，模型輸入為閘門相對淹沒水深、上游水流弗汝德數(shù)和閘前冰狀態(tài).核函數(shù)選擇RBF，核參數(shù)C=100，γ=0.8.將模型輸出結(jié)果和Fu 等的結(jié)果進(jìn)行對比，對比結(jié)果如圖15 所示，分類結(jié)果基本與原作者方法一致.SVM 分類結(jié)果的ACC為97%，REC為93%，F(xiàn)1-Score為97%.從分類結(jié)果看出支持向量機(jī)模型在倒虹吸淹沒出流試驗數(shù)據(jù)中，能很好的學(xué)習(xí)到數(shù)據(jù)規(guī)律，并完成堆積與輸移狀態(tài)的分類.

支持向量機(jī)模型作為一種機(jī)器學(xué)習(xí)方法從數(shù)據(jù)本身規(guī)律出發(fā)，挖掘數(shù)據(jù)潛在的知識信息，完成數(shù)據(jù)的分類預(yù)測.本研究開發(fā)了基于Python3 語言的PCA-SVM 分類模型，在應(yīng)用時通過替換輸入數(shù)據(jù)和核參數(shù)取值，可以完成對閘前浮冰堆積與輸移狀態(tài)的分類.

圖14 倒虹吸試驗裝置示意圖Fig.14 Schematic diagram of inverted siphon test device

圖15 SVM 模型在倒虹吸試驗中的應(yīng)用Fig.15 Application of SVM in the inverted siphon test

5 結(jié)論

針對明渠輸水閘前冰的輸移與堆積的問題，開展了水槽試驗研究，提出了一種閘前冰輸移與堆積狀態(tài)判別的PCA-SVM 模型.模型輸入數(shù)據(jù)包括影響冰堆積的上游水流弗汝德數(shù)、閘孔出口弗汝德數(shù)、閘門相對開度和閘門相對淹沒水深4 個因素，采用PCA 的方法對輸入數(shù)據(jù)進(jìn)行降維，提取前兩個主成分作為模型輸入.在此基礎(chǔ)上，模型對比分析了RBF、SIG 和POL 核函數(shù)在閘前冰輸移與堆積問題上分類的性能，通過混淆矩陣的評分得到RBF 核函數(shù)具有較優(yōu)的分類性能.分類結(jié)果顯示，上游水流弗汝徳數(shù)和閘孔出口水流弗汝徳數(shù)是影響閘前冰輸移與堆積的主要因素，閘門相對淹沒水深和相對開度是次要因素.本研究拓寬了明渠水流中閘前浮冰狀態(tài)分類預(yù)測的研究思路，未來可根據(jù)實際渠道中閘門布置形式及更復(fù)雜的水力條件對模型進(jìn)行進(jìn)一步優(yōu)化，使其得到更廣泛的應(yīng)用.