基于ＧＡ－ＢＰ 神经网络的明渠流速测点优化研究

王宝贺 苏沛兰 吴建华 张玉胜 吴鑫昊

摘 要：灌区渠道流量计量大都以流速仪法测量为主，渠道断面布设较多数量的流速仪可有效保证测流精度，但也提高了测流难度。以太园泵站某段供水明渠为研究对象，基于多测线、多测点流速仪实测数据，将断面流量设定为输出、不同位置测点流速作为输入，对ＧＡ－ＢＰ 神经网络模型进行訓练，并将验证结果与流速面积法计算结果进行对比。结果表明，ＧＡ－ＢＰ 神经网络仅需４ 个特定位置处测点流速可得到满足精度的计算结果，实现对明渠测点数量的优化，保证测流精度并为相关模型在渠道测流的应用提供新思路。

关键词：流速仪法；ＧＡ－ＢＰ 神经网络；测点数量优化；渠道测流

中图分类号：ＴＶ１３１ 文献标志码：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２３．１２．０２１

引用格式：王宝贺，苏沛兰，吴建华，等．基于ＧＡ－ＢＰ 神经网络的明渠流速测点优化研究［Ｊ］．人民黄河，２０２３，４５（１２）：１１７－１２３．

我国是农业大国，灌溉用水需求量大、利用率低，只有对灌区流量精确计量、灌溉水资源合理分配，才能有效地实现灌区水资源的高效利用［１－２］ 。受水流流态、渠道断面形状等因素影响，不少测流设备的测量结果精度无法保证［３－４］ ，只能通过流速仪法获取断面流量。然而布设数量较多的流速仪会增加测流难度且需要较大的人力物力，为了减少测点布设数量，不同学者总结出不同渠道断面流速分布公式［５－７］ 。由于渠道类型多种多样，目前尚无一种普遍适用的流速测点数量优化方法。

神经网络作为一种算法数学模型，具有较强的自学习、充分逼近任意复杂非线性函数的能力，同时基于训练结果对输入参数进行筛选可有效实现对输入参数的数量优化。王建臣等［８］ 建立了基于神经网络的机床主轴热误差预测模型，并对相关性较高的测点进行筛选。余晓露等［９］ 建立神经网络预测模型并进行训练，实现了用少量参数预测边坡体积变化。ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ，ＢＰ）神经网络作为一种前馈神经网络，广泛应用于各行各业，但该网络存在一定的缺陷，例如易陷入局部最优解等问题。遗传算法（ ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ，ＧＡ）具有全局寻优的特点，将其与ＢＰ 神经网络相结合能保证较高预测精度及计算速度［１０－１３］ 。

综上所述，ＧＡ－ＢＰ 神经网络发展较为成熟，但将其应用到渠道测流的研究相对较少。通过ＧＡ－ＢＰ 神经网络建立少量测点流速与断面流量之间的非线性函数关系，对明渠流速测点数量优化具有重要意义。本文以东深供水工程太园泵站某段供水明渠为研究对象，以不同数量、不同位置处测点流速作为输入，断面流量作为输出，对ＧＡ－ＢＰ 神经网络模型进行训练，并将测试样本预测流量与单一ＢＰ 神经网络预测流量及流速面积法计算流量进行对比，研究输入参数对预测结果的影响，以期在保证测流精度的同时实现对测线、测点数量优化。