利用神经网络和统计模型在水槽实验中预测床载物质输运

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Predicting Bedload Transport Using Neural Networks and Statistical Models in Flume Experiments

　　

摘要

准确预测床沙输运对于冲积渠道的设计与管理至关重要。然而，许多经验模型缺乏或根本没有来自控制性研究的证据，尤其是在低坡度、浅层沙床流动情况下。因此，本研究通过一系列控制性实验室实验来研究床沙输运行为，这些实验在20米宽的矩形倾斜水槽中使用了细粒非黏性沙子。研究采用了全因子实验设计，通过改变渠道坡度、流量和床层厚度，共进行了18次实验。通过对流态特征及输运泥沙的系统性测量，本研究量化了亚临界湍流条件下的水力响应及床沙输运速率。结果表明，床沙输运与渠道坡度和流量之间存在高度非线性关系，而床层厚度对泥沙移动条件的影响则较为次要。总体而言，经典Schoklitch方程与实验数据的吻合度较好，平均误差约为12%；且随着流量增大，误差也会随之增加。响应面方法显示出出色的预测能力（R²?=?99.84%），并确定渠道坡度是控制床沙输运速率的主要因素。此外，人工神经网络也成功捕捉到了这些参数之间复杂的非线性关联，其预测精度优于传统经验模型。本研究提供了全面的实验数据集，以及一个整合了经验法、统计法和机器学习方法的统一框架，用于床沙预测。这些研究成果有助于深入理解浅层明渠流动中的泥沙输运机制，为泥沙管理和水利工程设计提供可靠的工具。