首页> 中文学位 >基于代理模型及同化算法的实时模型研究—以地下水模型为例
【6h】

基于代理模型及同化算法的实时模型研究—以地下水模型为例

代理获取

目录

声明

第一章 绪论

1.1 选题背景及研究意义

1.2 研究现状

1.3 研究目标与研究内容

第二章 地下水模型

2.1 引言

2.2 方法

2.3 结果

2.4 讨论与结论

2.5 本章小结

第三章 模型不确定性分析

3.1 引言

3.2 方法

3.3 实现

3.4 算法参数分析

3.5 参数不确定性分析

3.6 模型可调节参数选择

3.7 本章小结

第四章 代理模型研究

4.1 引言

4.2 方法

4.3 基于地下水模型的代理模型

4.4 基于观测的代理模型

4.5 本章小结

第五章 实时模型研究

5.1 引言

5.2 方法

5.3 实现

5.4 结果与分析

5.5 本章小结

第六章 总结与展望

6.1 结论

6.2 研究展望

参考文献

在学期间的研究成果

致谢

展开▼

摘要

随着计算机软硬件技术的飞速发展,计算机仿真技术已经成为研究地下水运动规律、定量评价地下水资源,进而应对气候变化的主要手段。然而,地下水系统建模难度随着模型尺度增加、时空分辨率变化而显著提高,且对计算机性能的需求也越来越高。在利用地下水模型进行预测、分析时,往往缺少对自然系统本身异质性、不确定性以及动态特征的考虑。本文针对以上问题对模型不确定性、代理模型以及实时模型进行了研究,探索了实时模拟、预测、分析及优化管理水资源的方法及可行性。具体工作及主要结论包括:
  1.选择对黑河中游地下水系统进行计算机建模,并对地下水模型进行标定与验证,使模型适用于模拟研究区内地下水动态变化。应用该模型对研究区内水资源情况进行预测分析。结果显示,在平水年与丰水年内,耕地面积增加量控制在20%以内,可以达到流域水资源的可持续利用。
  2.不确定性分析是仿真模拟中不可或缺的部分。对地下水模型的不确定性分析,可以定量地分析模型的不确定性,对提高水文预报水平、改进预报精度以及合理利用、优化管理水资源等具有重要的现实意义及科学价值。常规的不确定性分析方法在整个采样空间内进行不确定性分析。因此,本文提出了结合ESMDA(Ensemble Smoother with Multiple Data Assimilation)与同化算法(EnKF, Ensemble Kalman Filter;USRF,Unbiased Square Root Filter)对地下水模型进行不确定性分析,通过包含观测信息以减小模型的不确定性,综合分析了在使用ESMDA-EnKF与ESMDA-USRF对模型进行不确定性分析时参数最优取值情况。结果显示,两种算法对模型不确定性分析的效果类似,且当采用44组观测资料、集合大小(随机采样数)设置为30、ESMDA算法运行2次的情况下,算法可以以最小的运行时间有效地减小模型的不确定性。综合考虑了模型的复杂度与拟合度之间的关系,采用AIC(Akaike Information Criterion)值评价模型结构,并得出8个可调节参数可以平衡模型复杂度与拟合度,取得最优模型。
  3.分别基于观测数据与地下水模型,探索并首次构建了黑河中游地下水系统的代理模型(Surrogate Model),以减少计算消耗,并考虑未知的水文过程。利用基于地下水模型的代理模型进行模拟与预测,结果显示,代理模型可以较好地重现地下水模型对黑河中游地下水系统的模拟与预测。其包含了对地下水模型物理机制的学习,适用于描述整个区域地下水位的时空分布,且在不降低计算精度的前提下,有效地减少了计算消耗。直接基于观测数据构建了代理模型,对比分析了基于观测数据与地下水模型所构建代理模型的训练与预测结果,发现基于观测数据的代理模型的模拟与预测结果均优于后者。
  4.由于经过标定的模型参数难以反映自然系统本身的异质性以及动态特征,采用同化算法(EnKF、USRF与PF(Particle Filter))构建黑河中游实时模型。分析其结果可知,实时模型可以实时地对模型进行不确定性分析,并通过包含新的观测信息减小模型的不确定性;有效地对模型参数进行实时调整。在使用代理模型进行实时预测时,完全舍弃先验知识对模型进行重新训练是不可取的。因此,本文提出了将同化算法与神经网络算法结合,实现了在新的观测数据可用时,采用同化算法对神经网络算法的参数(网络权值与偏移量)进行更新,以纠正模型运行轨迹,避免了神经网络模型的重新训练过程。推导了两类算法的结合过程,并以 RBF神经网络为例,验证了同化算法对神经网络算法参数更新的有效性。此方法可用于对人工神经网络模型进行训练。
  综上所述,相比于地下水模型,代理模型可以以较高的运算效率、计算精度以及较低的计算消耗对地下水系统进行模拟。然而由于机器学习算法并不包含对真实物理过程的推导与计算,无法反映真实物理过程的内在机制,因此,适用于需要大量运行模型而又无需考虑模型内部物理机制的应用场景(如实时模型、不确定性分析等)。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号