基于BAM神经网络河床断面模式识别的中小桥水害预测

论文摘要

针对现行的中小桥水害预测方法野外作业复杂、缺乏资料预测难度大等弊端,本文从推理公式出发,把实际中的中小桥河床断面分成九种断面形式,分别建立了各类断面的中小桥直接从雨量到水位的水害预测模型;运用BAM双向联想神经网络对河床断面进行模式识别,以确定需要采用哪种模型进行水害预测;将该桥历史雨量—水位数据代入相应的水害预测模型,求得其中的参数,这样就确定了该桥的雨量—水位函数关系式。如果给定雨量就可以反算出水位,对该桥即将到来的洪水进行预测。铁路沿线一般设有雨量站,所以这种方法可以应用到既有铁路桥。暴雨量可以及时传输给电脑,在洪峰到达桥位前,预测出桥梁的洪水水位和冲刷深度,从而为抗洪救灾赢得虽然很短但却十分宝贵的时间。对于没有专设雨量站的其它桥梁,可以借助于气象部门作出的降雨量专业预报,其预报精度会随着气象科学与仪器的进步而越来越高。通过实例证明,利用本文方法对中小桥进行洪水预报具有较高的精度,能够满足实际生产的需要,而且大大减少了野外勘测的工作量,使洪水预报工作变得简单、有效。尤其对于缺乏水文资料的中小桥,该方法更具有实际应用价值。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 桥涵水害的研究意义
• 1.2 桥涵水害形成的原因
• 1.3 我国桥涵水文的发展状况
• 1.4 现行中小桥水害预测方法
• 1.4.1 流量的计算方法
• 1.4.2 由流量计算水位
• 1.5 现行中小桥水害预测方法存在的问题
• 1.6 本章小结
• 第二章 基于河床断面模式识别的中小桥水害预测方法
• 2.1 本文水害预测方法的原理
• 2.2 河床典型断面的选取
• 2.2.1 河床典型断面的分类
• 2.2.2 河床典型断面的选取原则
• 2.2.3 河床典型断面的计算
• 2.3 中小桥雨量—水位预测模型的建立
• 2.3.1 中小桥雨量—水位函数关系式的推导
• 2.3.2 分类建立中小桥雨量—水位预测模型
• 2.4 本章小结
• 第三章 BAM神经网络河床断面模式识别
• 3.1 人工神经网络
• 3.1.1 人工神经网络的概念
• 3.1.2 人工神经网络的特征
• 3.1.3 人工神经网络的分类
• 3.1.4 人工神经网络联想记忆的原理
• 3.2 BAM神经网络
• 3.2.1 BAM网络的拓扑结构
• 3.2.2 BAM网络的工作原理
• 3.2.3 BAM网络的学习规则
• 3.2.4 BAM网络的稳定性
• 3.2.5 BAM网络的应用
• 3.3 BAM神经网络在河床断面模式识别中的应用
• 3.3.1 河床断面图形的预处理
• 3.3.2 网络参数向量的获取
• 3.3.3 网络的学习
• 3.3.4 联想断面的输出
• 3.4 BAM神经网络河床断面模式识别程序
• 3.4.1 程序的功能
• 3.4.2 程序的编制
• 3.4.3 程序操作步骤及注意事项
• 3.4.4 程序分析
• 3.5 BAM神经网络河床断面模式识别算例
• 3.6 本章小结
• 第四章 本文水害预测方法的应用
• 4.1 雨量—水位数据的搜集
• 4.1.1 降雨量
• 4.1.2 桥梁历史水位值
• 4.2 工程实例
• 4.2.1 水位标高计算
• 4.2.2 河床冲刷检算
• 4.3 本文水害预测方法与传统方法的比较
• 4.4 本章小结
• 第五章 结论与展望
• 5.1 结论
• 5.1.1 本文方法总结
• 5.1.2 本文的创新点
• 5.2 展望
• 参考文献
• 附录 BAM神经网络河床断面模式识别程序代码
• 致谢
• 攻读硕士学位期间论文发表及参与科研情况