申请/专利权人：北京师范大学

申请日：2024-03-12

公开（公告）日：2024-04-12

公开（公告）号：CN117875193A

主分类号：G06F30/27

分类号：G06F30/27;G06N3/045;G06N3/0985;G06F111/04;G06F111/10;G06F119/08;G06F119/14

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本申请属于水文模拟技术领域，具体涉及一种湖泊热力学过程模拟方法及模拟系统。模拟方法包括如下步骤：获取所选区域的基础数据；确定模拟计算域；配置物理过程模型的输入文件；形成低置信度的湖水温度模拟数据集；依据基础数据插值，生成随机配点数据集；构建物理信息神经网络模型；预训练物理信息神经网络模型参数；微调物理信息神经网络模型参数，形成具有高置信度参数集的深度学习模型；根据深度学习模型，形成所选区域的湖水温度数据集。本申请的湖泊热力学过程模拟方法及模拟系统中，所构建的湖泊热力学过程模型结合了物理机制模型的可解释性与深度学习模型的准确性，可推广至少无观测资料的模拟时期与计算域。

主权项：1.一种湖泊热力学过程模拟方法，其特征在于，包括如下步骤：步骤S101、获取所选区域的基础数据，所述基础数据包括所选区域的气象驱动数据集和湖水温度观测数据集；步骤S102、确定模拟计算域，提取所述模拟计算域中包含的所述基础数据；步骤S103、基于步骤S102得到的所述基础数据并结合所选区域特征，配置物理过程模型的输入文件；步骤S104、使用所述模拟计算域内的气象驱动数据集运行所述物理过程模型，并提取所述物理过程模型所计算得到的湖水温度廓线的时间序列数据，从而形成低置信度的湖水温度模拟数据集；步骤S105、在所述模拟计算域内随机选取至少2组配点，并记录其深度和时间信息，再依据基础数据插值至每个配点所在位置，生成随机配点数据集；步骤S106、根据湖水温度与气象驱动数据的非线性关系，构建物理信息神经网络模型，所述物理信息神经网络模型包含预测湖水温度的正向深度神经网络与求解导热率的反向深度神经网络；步骤S107、以所述模拟计算域中的气象驱动数据为模型输入，所述低置信度的湖水温度模拟数据集为数据标签，采用所述物理信息神经网络模型，最小化模型的损失，预训练所述正向深度神经网络与反向深度神经网络，初始化神经网络模型中的权重与误差项，形成基于物理过程模拟的低置信度参数集，其中，步骤S105中生成的至少2组配点数据集可用于监督本步骤中物理信息神经网络模型在无观测域内的可信度；步骤S108、使用所述模拟计算域中的气象驱动数据与逐深度的湖水温度观测数据集，在所述低置信度参数集的基础上，微调所述正向深度神经网络与反向深度神经网络的参数集，形成具有高置信度参数集的湖泊热力学过程的深度学习模型，其中，步骤S105中生成的至少2组配点数据集可用于监督本步骤中所述物理信息神经网络模型在无观测域内的可信度，以及用于最小化所述深度学习模型的损失；步骤S109、采用所述深度学习模型，以所述模拟计算域中的气象驱动数据集为输入数据，预测湖泊水体温度的长时序变化驱动，形成所选区域的湖水温度数据集。

全文数据：

权利要求：

百度查询： 北京师范大学 一种湖泊热力学过程模拟方法及模拟系统

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