基于ＧＡ－ＢＰ 神經網絡的明渠流速測點優化研究

王寶賀 蘇沛蘭 吳建華 張玉勝 吳鑫昊

摘 要：灌區渠道流量計量大都以流速儀法測量為主，渠道斷面布設較多數量的流速儀可有效保證測流精度，但也提高了測流難度。以太園泵站某段供水明渠為研究對象，基于多測線、多測點流速儀實測數據，將斷面流量設定為輸出、不同位置測點流速作為輸入，對ＧＡ－ＢＰ 神經網絡模型進行訓練，并將驗證結果與流速面積法計算結果進行對比。結果表明，ＧＡ－ＢＰ 神經網絡僅需４ 個特定位置處測點流速可得到滿足精度的計算結果，實現對明渠測點數量的優化，保證測流精度并為相關模型在渠道測流的應用提供新思路。

關鍵詞：流速儀法；ＧＡ－ＢＰ 神經網絡；測點數量優化；渠道測流

中圖分類號：ＴＶ１３１ 文獻標志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２３．１２．０２１

引用格式：王寶賀，蘇沛蘭，吳建華，等．基于ＧＡ－ＢＰ 神經網絡的明渠流速測點優化研究［Ｊ］．人民黃河，２０２３，４５（１２）：１１７－１２３．

我國是農業大國，灌溉用水需求量大、利用率低，只有對灌區流量精確計量、灌溉水資源合理分配，才能有效地實現灌區水資源的高效利用［１－２］ 。受水流流態、渠道斷面形狀等因素影響，不少測流設備的測量結果精度無法保證［３－４］ ，只能通過流速儀法獲取斷面流量。然而布設數量較多的流速儀會增加測流難度且需要較大的人力物力，為了減少測點布設數量，不同學者總結出不同渠道斷面流速分布公式［５－７］ 。由于渠道類型多種多樣，目前尚無一種普遍適用的流速測點數量優化方法。

神經網絡作為一種算法數學模型，具有較強的自學習、充分逼近任意復雜非線性函數的能力，同時基于訓練結果對輸入參數進行篩選可有效實現對輸入參數的數量優化。王建臣等［８］ 建立了基于神經網絡的機床主軸熱誤差預測模型，并對相關性較高的測點進行篩選。余曉露等［９］ 建立神經網絡預測模型并進行訓練，實現了用少量參數預測邊坡體積變化。ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ，ＢＰ）神經網絡作為一種前饋神經網絡，廣泛應用于各行各業，但該網絡存在一定的缺陷，例如易陷入局部最優解等問題。遺傳算法（ ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ，ＧＡ）具有全局尋優的特點，將其與ＢＰ 神經網絡相結合能保證較高預測精度及計算速度［１０－１３］ 。

綜上所述，ＧＡ－ＢＰ 神經網絡發展較為成熟，但將其應用到渠道測流的研究相對較少。通過ＧＡ－ＢＰ 神經網絡建立少量測點流速與斷面流量之間的非線性函數關系，對明渠流速測點數量優化具有重要意義。本文以東深供水工程太園泵站某段供水明渠為研究對象，以不同數量、不同位置處測點流速作為輸入，斷面流量作為輸出，對ＧＡ－ＢＰ 神經網絡模型進行訓練，并將測試樣本預測流量與單一ＢＰ 神經網絡預測流量及流速面積法計算流量進行對比，研究輸入參數對預測結果的影響，以期在保證測流精度的同時實現對測線、測點數量優化。