基于机器学习-CFD的明渠流速场预测模型

摘要

快速准确地预测渠道的断面流速场,对明渠的设计、维护和提高灌溉效率具有重要意义,而对于水位变化速度快、幅度大的渠道,实时预测其流速场更为困难。以都江堰人民渠总干渠为例,基于机器学习-CFD提出了一种构建实时流速场预测模型的新方法:首先,使用计算流体力学(CFD)对目标明渠断面进行模拟;然后,建立机器学习模型(SaDE-ELM),在SaDE-ELM中构建一个全连接的3层三输入一输出的神经网络,其隐藏层节点的参数通过流速场数据特征在策略库中自适应选择进化策略的差分进化算法进行计算,使用Moore-Penrose广义逆来计算该网络输出层权重;最后,使用CFD断面模拟数据训练SaDE-ELM。该SaDE-ELM模型训练完成后,只要输入该明渠的水位和断面任意点的位置坐标,即可输出该点的流速,以此得到明渠整个断面的流速场。结果表明,该模型的预测结果符合明渠流速分布的一般规律,且具有较高精度,可供类似工程参考。