基于遗传算法优化的小波神经网络在地下水位预测中的应用

地下水位是衡量生态环境优劣和地下水资源的一个重要指标.地下水位下降,将引发地面沉降、地面塌陷和降落漏斗等.因此,地下水位预测对保护地质生态环境和实现地下水资源严格管理至关重要.由于BP算法存在极易收敛于局部极小点与过拟合等缺点,导致网络泛化能力不足,本文在构建小波神经网络基础上并引入遗传算法加以优化,以解决上述不足,并与BP和WNN对比预测了天津市深层承压水水位.预测结果表明,GA-WNN模型拟合精度较高,模型的预测能力有较大幅度提高.     

基于遗传BP神经网络的地下水位预测模型

地下水水位动态预测对农田土壤盐渍化防治、地下水地表水资源的合理调度具有十分重要的意义。以新疆和静县某地下水观测井为研究对象,选择月均蒸发量、气温和灌溉量3个因素作为BP神经网络模型的输入量,利用遗传算法优化神经网络的权值与阈值,建立地下水水位的遗传BP神经网络预测模型。结果表明:遗传BP神经网络模型能较好表达地下水位与主控因素之间的非线性关系,预测结果与实测值之间的平均绝对百分比误差为0.040 3,测试样本的网络输出值与网络目标值的相关系数达0.967 3,模型预测效果较佳。研究结果为区域地下水的开发利用与保护提供参考依据。     

人工神经网络在水源地影响评价中的应用

为了评价水源地开采过程中对周围地下水环境的影响，本文运用BP神经网络模型建立了有4个输入、2个输出的三层网络模型，通过BP网络学习训练，得到水源地的BP网络模型，并运用该模型预测了在不同条件下因水源地开采所引起的降落漏斗秒地下水补给量，计算表明，BP神经网络用于模拟地下水系统简便，实用，能很好地预测地下水动态变化情况。     

济南市岩溶水动态变化的神经网络模拟及泉水喷涌趋势预测

本文根据影响岩溶水位的因素,利用改进的BP神经网络建立一个能够反映济南市泉域岩溶地下水动态变化的随机模型,并进行检验,与运用多元回归模型预测的结果相比较,结果表明:BP神经网络模型进行岩溶地下水动态变化预测是可行的,该模型具有较强的学习、容错和联想功能,对岩溶地下水动态变化的预测精度大大的提高。最后在模拟的基础上,又对泉水喷涌的宏观趋势作了进一步的预测和分析。     

砂土地震液化预测的人工神经网络模型

在简要分析BP算法的基础上,应用BP网络的理论与方法,选取烈度、震中距、平均粒径、不均匀系数、地下水埋深、砂层埋深、标贯击数、剪应力比等8个实测指标,建立了砂土液化预测的神经网络模型。通过实例计算与模型评价、验证了该模型的科学性、高效性并较规范法、Seed简化法等传统方法具有更高的预测精度,说明人工神经网络是解决非线性问题的有效方法之一。     

人工神经网络(ANN)模型在地下水资源预测中的应用研究

分析了地下水系统影响因素的复杂性，提出对于研究程度不能满足分布参数模型计算要求的研究区域，更适于从系统的观点出发、建立适宜的集中参数模型，从整体上分析研究，以解决相关问题。结合沈阳市地下水资源评价与管理实例，尝试应用人工神经网络(ANN)技术在水资源系统模型研究中的新模式。构建了基于BP算法的ANN降水量和蒸发量的预测、地下水水位动态模拟、预测及开采量优化方面的应用模型，结果表明模型精度满足要求。     

集成BP网络在城市地下水水质评价中的应用

为了克服传统BP网络的不足,发挥共轭梯度法和梯度下降法各自的优势,本文介绍了在城市地下水水质评价模型中采用集成BP网络、用共轭梯度法和梯度下降法相结合的混合算法来训练网络的方法.通过实例表明,将此网络模型应用于城市地下水水质评价是有效的、可行的.     

呼和浩特市地下水水位动态变化及趋势预测研究

利用多年地下水水位资料,较系统地分析了地下水水位动态变化规律,建立了基于BP网络的地下水水位预测模型,预测结果表明地下水水位将持续下降,承压水下降速率远大于潜水的下降速率。     

基于MATLAB改进的BP神经网络在地下水水质评价的应用

运用改进的BP神经网络(SCG算法)理论和方法,建立水质评价的BP神经网路模型,以什邡市地下水为例进行评价,并与综合指数法相比较。结果表明,该算法收敛速度快,评价结果较能准确的符合水体水质情况。     

太原市兰村泉域地下水质量分析与对策

本文利用BP网络模型对兰村泉域地下水水质的污染程度进行了分析与评价，采用相关分析法对地下水中总硬度、Cl^—进行了预测，最后提出了对地下水污染的防治对策。     

大区域地下水模拟的预优并行GMRES(m)算法研究

大区域研究区由于涉及范围大、水文地质参数复杂多变,一直是进行地下水数值模拟的热点和难点。针对大区域地下水模拟的特点,在MPI环境中对Krylov子空间GMRES(m)算法的并行性进行分析,提出基于区域分解法的并行实现策略,并对不同的预条件子的加速效果进行比较。数值实验结果表明:并行GMRES(m)算法在求解大区域三维地下水模型时可以显著的加快求解速度,且具有较好的可扩展性。另外,Jacobi预条件子与GMRES算法的组合具有更优的加速比和执行效率,是一种求解大型化、复杂化地下水水流问题的可行方案。     

Neural network prediction of nitrate in groundwater of Harran Plain, Turkey

Monitoring groundwater quality by cost-effective techniques is important as the aquifers are vulnerable to contamination from the uncontrolled discharge of sewage, agricultural and industrial activities. Faulty planning and mismanagement of irrigation schemes are the principle reasons of groundwater quality deterioration. This study presents an artificial neural network (ANN) model predicting concentration of nitrate, the most common pollutant in shallow aquifers, in groundwater of Harran Plain. The samples from 24 observation wells were monthly analysed for 1 year. Nitrate was found in almost all groundwater samples to be significantly above the maximum allowable concentration of 50 mg/L, probably due to the excessive use of artificial fertilizers in intensive agricultural activities. Easily measurable parameters such as temperature, electrical conductivity, groundwater level and pH were used as input parameters in the ANN-based nitrate prediction. The best back-propagation (BP) algorithm and neuron numbers were determined for optimization of the model architecture. The Levenberg–Marquardt algorithm was selected as the best of 12 BP algorithms and optimal neuron number was determined as 25. The model tracked the experimental data very closely (R = 0.93). Hence, it is possible to manage groundwater resources in a more cost-effective and easier way with the proposed model application.     

Artificial neural network prediction of sulfate and SAR in an unconfined aquifer in southeastern Turkey

In many rural communities, groundwater is used to meet the water demand of the community and for the irrigation of cultivating areas. The quality of groundwater can be adversely affected by agricultural activities and finally groundwater quality may become unsuitable for human consumption and irrigation, as in the Harran Plain. Hence, monitoring groundwater quality by cost-effective techniques is necessary, as especially unconfined aquifers are vulnerable to contamination. This study presents an artificial neural network model predicting sodium adsorption ratio (SAR) and sulfate concentration in the unconfined aquifer of the Harran Plain. Samples from 24 observation wells were analyzed monthly for 1?year. Electrical conductivity, pH, groundwater level, temperature, total hardness and chloride were used as input parameters in the predictions. The best back-propagation (BP) algorithm and neuron numbers were determined for the optimization of the model architecture. The Levenberg?CMarquardt algorithm was selected as the best of 12 BP algorithms and optimal neuron number was determined as 20 for both parameters. The model tracked the experimental data very closely both for SAR (R?=?0.96) and sulfate (R?=?0.98). Hence, it is possible to manage groundwater resources in a more cost-effective and easier way with the proposed model application.     

地下水流线的数值算法研究

地下水流线的生成是数值模拟结果显示中的一个重点。根据地下水流线可方便分析地下水的运动态,而常见的工具不能满足要求。论文探讨并提出了流线的“质点追踪”生成算法,这为流线数据可视化显示及其地下水年龄计算提供了一定的依据。最后,进行了实例研究,结果显示了设计算法的正确性。      

分布参数地下水管理模型的遗传算法研究

在简单回顾了分布参数地下水管理模型的发展和建模方法基础上, 阐述了将地下水模拟模型耦合到遗传算法之中, 求解分布参数地下水管理模型的方法和特点, 给出了该算法的程序框图。最后通过实例说明遗传算法适于求解非线性地下水管理模型。     

新安江产流模型与改进的BP汇流模型耦合应用

为提高新安江模型的汇流计算精度并减少经验因素对参数率定的影响,将新安江产流模型与改进的BP汇流模型相耦合,建立XBK(XAJ-BP-KNN)模型。该模型以前期模拟流量和新安江产流模型计算的产流量作为BP网络的输入,出口断面流量作为网络输出,拟合汇流的非线性关系,代替新安江模型的分水源、线性水库及河道马斯京根法的汇流计算;采用相似原理和K-最近邻算法,基于历史样本的模拟误差及相应影响要素对网络输出进行误差修正,实现了无前期实测流量的连续模拟;模型使用SCE-UA算法与遗传早停止LM算法相结合的全局优化方法进行参数优选。在呈村流域的验证表明XBK模型的模拟精度高于新安江模型,全局优化方法能找到最优参数,降低了模型的使用难度。     

DREAM算法分析地下水数值模拟不确定性的影响因素

地下水数值模拟常受到模型不确定性、观测资料不确定性等多种不确定性因素的影响,对这些影响因素进行定量分析十分必要。将差分进化自适应梅特罗波利斯(Differential Evolution Adaptive Metropolis,DREAM)算法与MODFLOW模型结合应用于地下水数值模拟不确定性的定量分析。以模型结构概化、水位观测资料误差这两种重要不确定性来源为例,通过一个理想地下水流模型,系统分析两者对模型参数及模型输出结果不确定性的影响。研究结果表明:模型结构概化及水位观测资料误差共同引起了地下水数值模拟的不确定性,但模型结构概化起到了主控作用。模型结构概化合理时,模型参数及模型输出结果的不确定性较小,并随观测资料误差不确定性的增大而增大;模型结构概化不合理时,模型参数及模型输出结果主要受控于模型结构概化带来的影响,且不确定性显著增大;观测资料误差相同情况下,模型结构概化越接近于真实的水文地质条件,模型参数及模型输出结果的不确定性越小。