基于机器学习和全局敏感性的弧形闸门淹没特性

作者：李珊珊; 曹顶业; 沈桂莹; 李国栋^*

来源：农业工程学报, 2023, 39(15): 25-33.

• 人工智能
• 模型
• 敏感性分析
• 弧形闸门
• 流量系数
• 淹没出流

为了实现灌区精确量水、准确率定闸门流量系数，该研究针对弧形闸门泄流特性，采用支持向量机(support vector machine, SVM)、广义回归神经网络(generalized regression neural network, GRNN)、极限学习机(extreme learning machine, ELM)及核函数极限学习机(kernel extreme learning machine, KELM)，对其淹没流态的泄流量进行预测，通过评价指标、目标函数(objective function, OBJ)准则和不确定分析等方法对模型性能进行综合评估。基于最优预测模型性能，引入全局敏感性分析Sobol法对无量纲参数进行量化分析，得出各参数对泄流量的重要程度，并进一步探究影响泄流的重要参数与流量系数(Cd)之间的变化规律。结果表明：KELM模型在测试阶段决定系数R2=0.972、平均绝对百分比KMAPE=5.038%、均方根误差KRMSE=0.020、威尔莫特一致性指数KWIA=0.993，目标函数值KOBJ=0.012 7,95%置信区间为[-0.049 27, 0.049 56]，与SVM、GRNN和ELM模型相比，该模型具有更高的准确性和鲁棒性，可作为弧形闸门流量校核的高效高精度模型；Sobol法全局敏感性分析表明，耳轴销高度与上游水深之比(h/Y0)、闸门半径与上游水深之比(R/Y0)、闸门宽度与上游水深之比(B/Y0)对Cd的一阶敏感性系数和全局敏感性系数分别为0.116 2、0.075 4、0.075 2和0.531 1、0.496 6、0.495 9，是影响Cd的主要因素，且Cd随h/Y0、R/Y0、B/Y0的增加而增大，在工程设计中应当重点考虑。该研究成果可进一步完善和丰富闸门淹没流态下的水力学机制，为校核闸孔流量提供方法。

• 单位
  西安理工大学