申请/专利权人：华南理工大学

申请日：2021-08-27

公开（公告）日：2024-06-04

公开（公告）号：CN113807008B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/0464;G06N3/048;G06F30/28;G06F111/10;G06F113/08;G06F113/14;G06F119/14

优先权：

专利状态码：有效-授权

法律状态：2024.06.04#授权;2022.01.04#实质审查的生效;2021.12.17#公开

摘要：本发明提供了一种基于深度学习的城市暴雨内涝模拟方法。所述方法包括以下步骤：获取研究区域的数据；构建研究区域的水文水动力耦合模型；采用水文水动力耦合模型模拟历史场次降雨下的内涝淹没情况，记录每个场次降雨的内涝淹没过程，以栅格数据的形式保存到数据库中；构建深度学习模型；以数据库中的数据构建样本，将样本输入到深度学习模型中，对深度学习模型进行训练，用训练好的深度学习模型预测城市暴雨内涝情况。本发明采用深度学习算法以及预先搭建好的暴雨内涝数据库进行内涝仿真模拟，大量减少采用水文水动力耦合模型所需的计算量，提高了暴雨内涝数值模拟的效率，为城市暴雨内涝数值模拟提供了一种新的途径。

主权项：1.一种基于深度学习的城市暴雨内涝模拟方法，其特征在于，包括以下步骤：S1、获取研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据；S2、采用研究区域的地理数字高程信息、土地利用类型、河网和管网数据构建研究区域的水文水动力耦合模型；通过监测得到的降雨和内涝数据，采用模拟结果与监测数据对比的方式率定和验证水文水动力耦合模型的合理性和精确度，具体如下：具体对比的模拟结果与监测数据为地表内涝淹没过程、检查井水位过程以及管网、河道的流量，采用纳什效率系数NSE评价水文水动力耦合模型模拟的准确性，计算公式如下： 其中，Yi为第i时刻的观测值；为第i时刻的水文水动力耦合模型的预测结果；为所有观测值的平均值；n为观测值总数目；NSE的取值范围为-∞,1]，当NSE的数值越接近1时，表示水文水动力耦合模型的预测性能越好；构建的水文水动力耦合模型的NSE值不能低于设定的阈值，否则要重新构建；S3、将多个场次历史降雨数据输入到水文水动力耦合模型中，模拟历史场次降雨下的内涝淹没情况，记录每个场次降雨的内涝淹没过程，以栅格数据的形式保存到数据库中；数据库中包括内涝淹没过程、高程、坡度、坡向、曲率、建筑物位置和检查井位置七种数据；内涝淹没过程、高程、坡度、坡向、曲率、建筑物位置和检查井位置七种数据所涉及的研究范围及空间分辨率必须要保持一致；所述高程数据为步骤S1中获取的地理数字高程信息，坡度、坡向和曲率均可通过高程数据计算得到，建筑物位置为土地利用类型中的建设用地信息，检查井位置通过管网数据得到；历史降雨数据为相等时间间隔的数据，水文水动力耦合模型输出的内涝淹没过程的时间间隔与降雨过程的时间间隔保持一致；S4、采用函数式API构建深度学习模型；深度学习模型包括输入层、第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、全连接层、重构层、连接层、第一逆卷积层、第五卷积层、第六卷积层、第二逆卷积层、第七卷积层、第八卷积层以及输出层；所述输入层用于输入代表高程、坡度、坡向、曲率、建筑物位置、检查井位置以及t时刻的内涝淹没情况的第一张量和输入代表t时刻和t+1时刻历史降雨数据的第二张量；输入层连接第一卷积层和全连接层，将第一张量的数据输入至第一卷积层，将第二张量的数据输入至全连接层；第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层和第二池化层顺次连接；全连接层后面连接重构层；第二池化层以及重构层输出的数据通过连接层沿第三维度连接起来后输入至第一逆卷积层；第一逆卷积层、第五卷积层、第六卷积层、第二逆卷积层、第七卷积层、第八卷积层和输出层顺次连接；输出层输出t+1时刻的内涝淹没情况；S5、以步骤S3中的数据库中的数据构建样本，将样本输入到深度学习模型中，对深度学习模型进行训练，用训练好的深度学习模型预测城市暴雨内涝情况。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于深度学习的城市暴雨内涝模拟方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD