卷积神经网络方法在涌潮水动力特性演变中的应用研究

王智弘; 屈科; 杨元平; 王旭; 高榕泽

doi:10.3969/j.issn.1001-909X.2024.03.011

PDF(2488 KB)

海洋学研究 ›› 2024, Vol. 42 ›› Issue (3) : 131-141. DOI: 10.3969/j.issn.1001-909X.2024.03.011

研究论文

卷积神经网络方法在涌潮水动力特性演变中的应用研究

王智弘 ¹ ,
屈科 ¹^,³^,⁴^,^* ,
杨元平 ² ,
王旭 ¹^,³ ,
高榕泽 ¹

作者信息 +

Application of convolutional neural network method in evolution of tidal bore hydrodynamic characteristics

WANG Zhihong ¹ ,
QU Ke ¹^,³^,⁴^,^* ,
YANG Yuanping ² ,
WANG Xu ¹^,³ ,
GAO Rongze ¹

Author information +

文章历史 +

摘要

该文基于开源软件OpenFOAM求解雷诺平均的Navier-Stokes方程,实现了对于波状涌潮(Fr=1.2~1.3)的数值模拟,并与物理实验数据比较,验证了数值模拟的准确性。使用CONV1D卷积神经网络模型对数值模拟数据进行了学习,预测出在具有斜坡地形上的涌潮水动力发展过程。对比涌潮到达x=30.0 m 测点处的用时和该测点的最高水位的模型预测结果与数值模拟结果可知:到达用时的平均相对误差为2.28%,最高水位的平均相对误差为3.73%。较小的相对误差证明了CONV1D模型的准确性。该文对于涌潮的水动力过程模拟、与涌潮相关的灾害预警以及初生涌潮未来发展趋势研究都具有一定意义。

Abstract

The open source software OpenFOAM was used to solve the Reynolds-averaged Navier-Stokes equations, numerical simulations of wave surges (Fr=1.2~1.3) was implemented, and the results were compared with physical experimental data to verify the accuracy of the numerical simulations. The data was studied based on the CONV1D convolutional neural network model to predict the dynamic development process of tidal bore on terrain with slope. Comparison of the model prediction and numerical simulation results for the arrival time and the maximum water level of the tidal bore at x=30.0 m shows that the average relative error in the arrival time is 2.28%, and the average relative error in the maximum water level is 3.73%. The smaller relative error proves the accuracy of the CONV1D model. This result has certain research significance for the simulation of the hydrodynamic process of tidal bore, early warning of tidal bore disasters, and the study of future development trends of primary tidal bore.

导出引用

王智弘, 屈科, 杨元平, 等. 卷积神经网络方法在涌潮水动力特性演变中的应用研究[J]. 海洋学研究. 2024, 42(3): 131-141 https://doi.org/10.3969/j.issn.1001-909X.2024.03.011

WANG Zhihong, QU Ke, YANG Yuanping, et al. Application of convolutional neural network method in evolution of tidal bore hydrodynamic characteristics[J]. Journal of Marine Sciences. 2024, 42(3): 131-141 https://doi.org/10.3969/j.issn.1001-909X.2024.03.011

中图分类号： P731.23

参考文献

列表( 原文顺序 | 文献年度倒序 | 文中引用次数倒序 ) 可视化分析

[1]	中国水利百科编委会. 中国水利百科全书[M].第二版. 北京: 水利水电出版社,2006:1623. Chinese Water Conservancy Encyclopedia Editorial Board. Chinese water conservancy encyclopedia[M]. 2nd ed. Beijing: Water Conservancy and Hydropower Press, 2006: 1623. 本文引用 [1]

[2]

林炳尧, 潘存鸿. 涌潮与激波[J]. 自然杂志, 2015, 37(2):134-142.

摘要

100年前，人们发现描述浅水和气体两种流动的方程有相同的形式，涌潮与激波有诸多类似性质，涌潮的研究因此获得很大进步。进一步研究后，逐渐了解两种现象的差别，于是，对两者的认识上升到新的阶段。回顾涌潮研究这段历程，了解到在探索新领域、新现象之初，可以用类比作为工具，借助于其他学科的方法推进对新现象的研究，到一定程度后，应该及时采用与已知现象相比较的方法，着重研究新现象的特殊性。通过“求同探异”，对新现象的认识必将更加全面、深入。

LIN

B Y

, PAN

C H

. Tidal bore and shock wave[J]. Chinese Journal of Nature, 2015, 37(2): 134-142.

本文引用 [1]

[3]

黄婷, 张怀, 石耀霖. 基于Boussinesq型方程的钱塘江涌潮数值模拟[J]. 地球物理学报, 2022, 65(1):79-95.

https://doi.org/10.6038/cjg2022P0513

摘要

钱塘江因其恢弘的涌潮现象而举世闻名，对钱塘江涌潮形成机理的探究具有理论与应用双重价值.本文建立了考虑非线性、频散以及耗散作用的二维高阶Boussinesq型方程，并结合有限体积数值方法来描述钱塘江涌潮这一物理过程，复演了最具代表性的"交叉潮"、"一线潮"和"回头潮"三大潮景，同时展现了涌潮的二次自由面起伏现象，重现了钱塘江涌潮的形成、发展和消亡三个完整阶段.从涌潮高度、涌潮速度等涌潮传播表征指标进行探究，分析了不同河段潮景的形成过程以及特征，模拟结果与实际观测结论相吻合.潮景的形成是涌潮进入不同发展阶段的重要标志，"交叉潮"出现在涌潮的形成初期，Froude数接近1，涌潮高度在0.5 m左右；涌潮进入盐官河段后，强度开始增强，形成"一线潮"，Froude保持在1.45以上，涌潮高度最大可达3 m以上；"回头潮"出现之后，涌潮强度开始减弱，于三工段区域再次形成小规模的"一线潮"，Froude数在1.3~1.4之间，涌潮高度约为2 m；七堡之后，上溯的涌潮进入消亡阶段，Froude数减小至1.3以下，涌潮高度约为1 m.此次研究有助于对钱塘江涌潮特性的进一步认识.

HUANG

, ZHANG

, SHI

Y L

. Numerical simulation of the tidal bore in the Qiantang River based on Boussinesq-type equations[J]. Chinese Journal of Geophysics, 2022, 65(1): 79-95.

本文引用 [1]

[4]	DE SAINT-VENANT A J C B. Théorie et équations générales du mouvement non permanent des eaux courantes[J]. Comptes Rendus des séances de l’Académie des Sciences, 1871, 73: 147-154. 本文引用 [1]

[5]

苏铭德, 徐昕, 朱锦林, 等. 数值模拟在钱塘江涌潮分析中的应用:Ⅰ.数值计算方法[J]. 力学学报, 1999, 31(5):521-533.

https://doi.org/10.6052/0459-1879-1999-5-1995-063

摘要

利用数值模拟的方法对钱塘江涌潮从杭州湾口开始形成、发展直至消失的全过程进行了深入全面的描写．从杭州湾口到钱塘江出口，采用二维圣维南浅水波方程描述水波的运动，而在钱塘江河内采用一维圣维南浅水波方程描写涌潮的发展过程．详细描述用于一维和二维圣维南方程计算钱塘江涌潮的数值计算方法，首次把无结构网格上的NND格式应用于求解二维圣维南方程，并给出了详细的推导过程．对上下游水边界分别采用无反射边界条件和特征线方法，而对于动边界问题本文也给出了相应的处理方法．

M D

, XU

, ZHU

J L

, et al. The application of numerical simulation in analysis of Qiantangjiang tide——Ⅰ. Numerical method[J]. Acta Mechanica Sinica, 1999, 31(5): 521-533.

本文引用 [1]

[6]	林炳尧, 黄世昌, 毛献忠. 波状水跃和波状涌潮的分析[J]. 水动力学研究与进展:A辑, 1998, 13(1):106-115. LIN B Y, HUANG S C, MAO X Z. Analyses of undular hydraulic jump and undular bore[J]. Journal of Hydrody-namics, 1998, 13(1): 106-115. 本文引用 [1]

[7]	林炳尧, 黄世昌, 周潮生. 涌潮的反射和碰撞:回头潮和交叉潮[J]. 浙江水利水电专科学校学报, 2000, 12(1): 6-10. LIN B Y, HUANG S C, ZHOU C S. Reflection and collision of tidal bore: Turning tide and crossing tide[J]. Journal of Zhejiang Water Conservancy and Hydropower College, 2000, 12(1): 6-10. 本文引用 [1]

[8]	FAN J, TAO A F, SHI M Q, et al. Flume experiment investigation on propagation characteristics of tidal bore in a curved channel[J]. China Ocean Engineering, 2023, 37(1): 131-144. 本文引用 [1]

[9]	戚蓝, 肖厅厅, 张芝永, 等. 涌潮水流CFD数值模拟[J]. 水利水运工程学报, 2019(3):32-40. QI L, XIAO T T, ZHANG Z Y, et al. Numerical simulation of tidal bore based on CFD method[J]. Hydro-Science and Engineering, 2019(3): 32-40. 本文引用 [2]

[10]	PUTRA Y S, NOVIANI E, NURHASANAH, et al. A numerical study of hydro-hydraulic energy on undular tidal bore phenomenon[J]. Journal of Physics: Conference Series, 2021, 1816(1): 012067. 本文引用 [1]

[11]	陈志根. 钱江涌潮的自然文化特征和保护利用[J]. 浙江水利水电学院学报, 2021, 33(2):6-9. CHEN Z G. On natural and cultural characteristics and protection and utilization of Qianjiang tidal bore[J]. Journal of Zhejiang University of Water Resources and Electric Power, 2021, 33(2): 6-9. 本文引用 [1]

[12]	鲁海燕, 潘存鸿, 陈刚. 杭州湾天文潮长周期变化对涌潮的影响[J]. 水利水电科技进展, 2023, 43(4):25-30. LU H Y, PAN C H, CHEN G. Influence of long-period variation of astronomical tide on tidal bore in Hangzhou Bay[J]. Advances in Science and Technology of Water Resources, 2023, 43(4): 25-30. 本文引用 [1]

[13]	沈阿四. 钱塘江涌潮形成的历史探索[J]. 浙江水利科技, 2002, 30(3):75-76. SHEN A S. Historical exploration on the formation of tidal bore in Qiantang River[J]. Zhejiang Hydrotechnics, 2002, 30(3): 75-76. 本文引用 [1]

[14]	金晓剑, 谢骏, 沈利勤. 杭州市钱塘江防潮安全长效管理对策研究[J]. 水利发展研究, 2011, 11(6):64-66. JIN X J, XIE J, SHEN L Q. Study on long-term manage-ment countermeasures of moisture-proof safety of Qiantang River in Hangzhou[J]. Water Resources Development Research, 2011, 11(6): 64-66. 本文引用 [1]

[15]	葛路, 张善亮, 许月萍, 等. 耦合BP神经网络的MIKE11模型预报无资料断面水位[J]. 水利水运工程学报, 2023(3):57-67. GE L, ZHANG S L, XU Y P, et al. Investigation of water level prediction at ungauged sections by coupled BP neural network and MIKE11 model[J]. Hydro-Science and Engineering, 2023(3): 57-67. 本文引用 [1]

[16]

霍文博, 朱跃龙, 李致家, 等. 新安江模型和支持向量机模型实时洪水预报应用比较[J]. 河海大学学报:自然科学版, 2018, 46(4):283-289.

HUO

W B

, ZHU

Y L

, LI

Z J

, et al. Comparison of Xin’anjiang model and support vector machine model in the application of real-time flood forecasting[J]. Journal of Hohai University: Natural Sciences, 2018, 46(4): 283-289.

本文引用 [1]

[17]	姬战生, 章国稳, 张振林. 基于卷积神经网络的东苕溪瓶窑水文站水位预报[J]. 水电能源科学, 2021, 39(8):46-49. JI Z S, ZHANG G W, ZHANG Z L. Water level forecast of Pingyao hydrological station in Dongtiaoxi based on convolu-tional neural network[J]. Water Resources and Power, 2021, 39(8): 46-49. 本文引用 [1]

[18]	MENTER F R. Two-equation eddy-viscosity turbulence models for engineering applications[J]. AIAA Journal, 1994, 32(8): 1598-1605. 本文引用 [1]

[19]	MENTER F R. Improved two-equation k-ω turbulence models for aerodynamic flows[R]//NASA Technical Memorandum 103975, 1992. 本文引用 [1]

[20]	ZHANG Z Y, PAN C H, ZENG J, et al. Hydrodynamics of tidal bore overflow on the spur dike and its influence on the local scour[J]. Ocean Engineering, 2022, 266: 113140. 本文引用 [2]

[21]	潘存鸿, 郑君, 胡成飞, 等. 钱塘江涌潮影响因素研究[J]. 泥沙研究, 2023, 48(1):13-20. PAN C H, ZHENG J, HU C F, et al. Study on the impact factors of tidal bore on the Qiantang River[J]. Journal of Sediment Research, 2023, 48(1): 13-20. 本文引用 [1]

[22]	WARNER J C, GEYER W R, LERCZAK J A. Numerical modeling of an estuary: A comprehensive skill assessment[J]. Journal of Geophysical Research: Oceans, 2005, 110: C05001. 本文引用 [1]

[23]	WILLMOTT C J. On the validation of models[J]. Physical Geography, 1981, 2: 184-194. 本文引用 [1]

[24]	谢东风, 潘存鸿, 陆波, 等. 基于实测资料的钱塘江涌潮水动力学特性研究[J]. 水动力学研究与进展A辑, 2012, 27(5):501-508. XIE D F, PAN C H, LU B, et al. A study on the hydrody-namic characteristics of the Qiantang tidal bore based on field data[J]. Chinese Journal of Hydrodynamics, 2012, 27(5): 501-508. 本文引用 [1]

[25]	CHANSON H. Current knowledge in hydraulic jumps and related phenomena: A survey of experimental results[J]. European Journal of Mechanics-B/Fluids, 2008, 28(2): 191-210. 本文引用 [1]

[26]	MAAS A L, HANNUN A Y, NG A Y. Rectifier nonlinearities improve neural network acoustic models[C]//Proceedings of the 30^th International Conference on Machine Learning, Atlanta, Georgia, USA, 2013. 本文引用 [1]

[27]	SRIVASTAVA N, HINTON G, KRIZHEVSKY A, et al. Dropout: A simple way to prevent neural networks from overfitting[J]. Journal of Machine Learning Research, 2014, 15: 1929-1958. 本文引用 [2]

[28]	KINGMA D P, BA J. Adam: A method for stochastic optimization[Z/OL]. arXiv, 2014: 1412.6980. https://arxiv.org/abs/1412.6980v9. https://arxiv.org/abs/1412.6980v9 本文引用 [1]