简介:基于描绘水库岩石鈥檚毛孔结构和液体特征的过滤网络模型,这论文品质上学习micropores的毛孔尺寸,毛孔形状,毛孔连接,和数量的效果在上是w曲线使用数字建模。岩石的电的抵抗力上的形成水咸度的效果被讨论。然后,不同影响因素的相对大小被讨论。不同因素在上的效果是w曲线被恰当的模拟结果分析。结果证明空空格的连接和micropores的数量穿上大效果是w曲线,当另外的因素有小效果时。形成水咸度在绝对抵抗力价值上有大效果。非高射炮现象是流行的,它在有低渗透的岩石中是显著的。关键词岩石抵抗力-浸透代表-网络建模-水库特征这个工程被中国的国家自然科学基础赞助,号码40574030。首先写作博士王克文在石油(东方瓷器)的中国大学的学生,在来自在2002的石油(华东)的大学的申请物理的接待学士度。他的研究兴趣是水库特征和它的应用的小宇宙的模拟。
简介:Knowledgeofthemorphologicaldynamicsofawatercourseisessentialformanagementofreservoirsiltation.WithanexampleofsedimentationinareservoirinBasilicata,Italy,thispaperdemonstratestheeffectonreservoirsiltationofthehydraulicworks,whichareaimedtoreducesedimenttransportalongthefluvialnetworkandtopreventpartofthesedimentdischargefromreachingthelake.Theeffectdependsontherivertypeandonthethegeologicalfeaturesofriverbasinslopes.Thepaperalsoshowshowmasserosioncansignificantlycontributetodevelopmentofreservoirsiltation.Finally,preliminaryresultsareprovidedaboutthetimeneededforrivertrainingworkstobeeffective.
简介:这份报纸论述了由与一个概念的水文学模型一起集成一个模糊聚类模型和神经网络预报框架的新分类即时洪水。一个模糊聚类模型被用来以洪水山峰和流量深度分类历史的洪水,并且概念的水文学模型为洪水的每个班被校准。背繁殖(BP)神经网络被从模糊聚类模型使用即时降雨数据和产量训练。BP神经网络为即时洪水事件提供了一个快速的联机分类。基于联机分类,水文学模型的一个适当参数集合自动地被选择生产即时洪水预报。不同参数集合连续地在因为即时降雨数据和联机分类结果的变化,预报过程的洪水被使用。建议方法论在辽宁省被用于大集水,中国。结果证明分类框架比传统的非分类的方法提供了更精确的预言。而且,在模糊聚类的不同索引重量的效果也被讨论。
简介:这研究被进行为一个脱落森林分类水侵蚀风险并且从森林道路网络预言沉积产量的数量。在有AHP的联合的GIS被用于决定森林的土壤侵蚀风险度。在旁边,来自有石子并且asphalted出现的森林道路的沉积产量用SEDMODL被估计。降雨模拟器在刻度和模型的确认过程被使用。结果证明47.9%森林土壤被分类从对很高的危险中等。32.3%道路位于土壤侵蚀风险班很高。这个班通常在森林的东方区域被发现,当有很低的风险的区域在向南西方的部分被发现时。14.6%森林道路作为有很低的沉积产量被评价。仅仅从森林道路网络的339个片断的61个片断把沉积送到沟壑网络。由SEDMODL和降雨模拟器的道路节的为所有的估计的年度沉积收益分别地是10,935.45和10,509.29gm-2。刻度和确认过程的结果证明变化说明了因为在由有在降雨下面的观察价值的SEDMODL的预言的价值模拟是3.90%。最好的管理惯例(BMP)必须与侵蚀风险的高度为区域被考虑。
简介:Therelationbetweenthewaterdischarge(Q)andsuspendedsedimentconcentration(SSC)oftheRiverRamgangaatBareilly,UttarPradesh,intheHimalayas,hasbeenmodeledusingArtificialNeuralNetworks(ANNs).Thecurrentstudyvalidatesthepracticalcapabilityandusefulnessofthistoolforsimulatingcomplexnonlinear,realworld,riversystemprocessesintheHimalayanscenario.ThemodelingapproachisbasedonthetimeseriesdatacollectedfromJanuarytoDecember(2008-2010)forQandSSC.ThreeANNs(T1-T3)withdifferentnetworkconfigurationshavebeendevelopedandtrainedusingtheLevenbergMarquardtBackPropagationAlgorithmintheMatlabroutines.Networkswereoptimizedusingtheenumerationtechnique,and,finally,thebestnetworkisusedtopredicttheSSCvaluesfortheyear2011.ThevaluesthusobtainedthroughtheANNmodelarecomparedwiththeobservedvaluesofSSC.Thecoefficientofdetermination(R2),fortheoptimalnetworkwasfoundtobe0.99.ThestudynotonlyprovidesinsightintoANNmodelingintheHimalayanriverscenario,butitalsofocusesontheimportanceofunderstandingariverbasinandthefactorsthataffecttheSSC,beforeattemptingtomodelit.Despitethetemporalvariationsinthestudyarea,itispossibletomodelandsuccessfullypredicttheSSCvalueswithverysimplisticANNmodels.
简介:传统地,在空中的时间域电磁(ATEM)数据被转换由重复导出地球模型。然而,数据高度经常在隧道之中被相关并且因而在倒置引起提出病、在坚定上的问题。关联复杂化在ATEM数据和地球参数之间的印射的关系并且因此增加倒置复杂性。排除这,我们采用主要部件分析把ATEM数据转变成直角的主要部件(PC)减少关联和数据维数并且同时压制无关的噪音。在这份报纸,我们使用一个人工的神经网络(ANN)接近与地球模型参数印射关系的PC,避免Jacobian衍生物的计算。基于PC的ANN算法为在空中的时间域与data-basedANN相比为分层的模型被用于合成数据电磁的倒置。结果在data-basedANN上表明更简单的网络结构,更少的训练步骤,和更好的倒置结果的基于PC的ANN优点,特别为污染数据。而且,基于PC的ANN算法有效性被假2D模型和比较的倒置与data-basedANN和Zhodys方法检验。结果显示基于PC的ANN倒置能与真正的模型一起完成一个更好的协议并且也证明基于PC的ANN是可行的转换大ATEM数据集。
简介:MostofthestudiesonArtificialNeuralNetwork(ANN)modelsremainrestrictedtosmallerriversandcatchments.Inthispaper,anattempthasbeenmadetocorrelatevariabilityofsedimentloadswithrainfallandrunoffthroughtheapplicationoftheBackPropagationNeuralNetwork(BPNN)algorithmforalargetropicalriver.ThealgorithmandsimulationaredonethroughMATLABenvironment.Themethodologycomprisedofacollectionofdataonrainfall,waterdischarge,andsedimentdischargefortheNarmadaRiveratvariouslocations(alongwithtimevariables)andapplicationtodevelopathreelayerBPNNmodelforthepredictionofsedimentdischarges.Fortrainingandvalidationpurposesasetof549datapointsforthemonsoon(16June-15November)periodofthreeconsecutiveyears(1996–1998)wasused.Fortestingpurposes,theBPNNmodelwasfurthertrainedusingasetof732datapointsofmonsoonseasonoffouryears(2006–07to2009–10)atninestations.Themodelwastestedbypredictingdailysedimentloadforthemonsoonseasonoftheyear2010–11.ToevaluatetheperformanceoftheBPNNmodel,errorswerecalculatedbycomparingtheactualandpredictedloads.Thevalidationandtestingresultsobtainedatalltheselocationsaretabulatedanddiscussed.Resultsobtainedfromthemodelapplicationarerobustandencouragingnotonlyforthesub-basinsbutalsofortheentirebasin.Theseresultssuggestthattheproposedmodeliscapableofpredictingthedailysedimentloadevenatdownstreamlocations,whichshownonlinearityinthetransportationprocess.Overall,theproposedmodelwithfurthertrainingmightbeusefulinthepredictionofsedimentdischargesforlargeriverbasins.