一种基于水环境模拟的水位测量系统的制作方法

本发明属于水位测量，具体是指一种基于水环境模拟的水位测量系统。

背景技术：

1、水位是反映水资源量的一个重要指标，通过持续测量水位，可以掌握水资源的动态变化情况，包括水资源的增减趋势和季节性变化规律，对于水资源的科学管理和规划至关重要，有利于合理规划水资源的开发和利用，但是目前水位测量存在以下诸多不足之处：

2、（1）仅关注单一类型的数据，传统测量方法可能只测量水位高度，而忽略了水流温度、流速、压力等其他相关数据，温度会影响水体密度进而影响水位，流速和压力与水体的流动状态和能量相关，对水位变化有重要影响，对于采集到的水体数据，缺乏有效的处理手段，由于传感器故障产生异常值，以及其他外界干扰因素导致的不准确数据，难以进行有效识别，不利于对后续的水位进行分析；

3、（2）缺乏描述水体在不同条件下流动特性的物理模型，传统水位测量方法没有考虑到水体流动的连续性和动量变化等关键因素，导致无法全面准确地模拟水体流动情况，从而影响水位测量的准确性；在模拟水体表面波方面存在欠缺，不能精确地模拟水体表面波以及考虑不同方向的波的影响，忽略水体表面波的影响，使得模型与实际水体情况不符，影响水位测量的精度；水位测量过程使用固定的网格划分方式，无法根据水体流速和水体阻力，在不同区域采用不同精度的网格，在水流变化大的区域如果网格不够精细，就无法捕捉水流细节变化，在水流平稳区域如果网格过细，增加水位测量的工作量并且浪费资源，影响计算效率和模拟精度；

4、（3）传统测量方法无法自动学习水体数据中的特征模式，缺乏对数据进行深度分析和特征提取，无法通过调整参数提高水位测量能力，对水位特征信息的提取能力和预测准确性也难以进行量化评估。

技术实现思路

1、针对上述情况，本发明通过设置网络拓扑结构，利用多种水体传感器采集水体数据，对水体数据进行预处理，保证数据质量，为水位测量提供了数据基础；建立圣维南方程模型模拟水体流动，结合波谱密度函数模拟水体表面波，建立水位测量模型，提取水位特征信息，得到水位测量结果，根据评估指标与实际水位对比验证，提高模型预测的准确性；所述系统能够反映实际水位，便于用户获取水位测量结果及相关的水体数据，为水位测量提供高效准确的解决方案。

2、一种基于水环境模拟的水位测量系统，包括数据集成模块、数据传输模块、水体模拟模块和水位显示模块；

3、所述数据集成模块连接数据传输模块，数据传输模块连接水体模拟模块和水位显示模块，水体模拟模块连接水位显示模块。

4、所述数据集成模块，采集融合水体数据，得到水体数据的模拟信号；

5、所述数据传输模块，将水体数据的模拟信号转换为数字信号，传输数字信号至水体模拟模块；

6、所述水体模拟模块，建立水位测量模型，提取水位特征信息，根据水位特征信息，生成水位测量结果；

7、所述水位显示模块，显示水体数据、水位特征信息和水位测量结果。

8、所述数据集成模块，采集融合水体数据，得到水体数据的模拟信号，具体包括以下步骤：

9、步骤g1：设置网络拓扑结构，选择测量位置作为网络节点，设置网络节点地址，连接各个网络节点进行直接通信；

10、步骤g2：根据网络拓扑结构，设置协调器、路由器和水体传感器，使用水体传感器采集水体数据，并将水体数据发送到网络拓扑结构，使用协调器管理网络节点，接收和处理水体传感器采集的的水体数据，使用路由器进行信号中继；

11、步骤g3：设定水体数据的阈值范围，去除超出阈值范围的水体数据的异常值，采用相邻数据平均值，填充水体数据的缺失值，得到水体数据的模拟信号。

12、进一步地，在步骤g2中，使用水体传感器采集水体数据，具体包括以下步骤：

13、步骤g21：使用温度传感器，测量水体温度，得到水体温度数据；

14、步骤g22：使用流速传感器，检测水流产生的感应电动势，根据感应电动势确定水流速度，得到水体流速数据；

15、步骤g23：使用压力传感器，测量不同深度的水体压力，得到水体压力数据；

16、步骤g24：使用全站仪，测量河道几何参数，包括河床坡度和断面形状，计算过水断面面积和糙率系数，反映河道壁面对水流的阻力，得到水体阻力数据。

17、所述数据传输模块，将水体数据的模拟信号转换为数字信号，传输数字信号至水体模拟模块，具体包括以下步骤：

18、步骤t1：对水体数据的模拟信号进行数据校准，使用模数转换器，将水体数据的模拟信号转换为数字信号；

19、步骤t2：将水体数据的数字信号封装为数据包，使用水体传感器将数据包发送到网络拓扑结构，通过路由器转发数据包到协调器；

20、步骤t3：协调器提取数据包，通过串口将数据包发送给水体模拟模块。

21、所述水体模拟模块，建立水位测量模型，提取水位特征信息，根据水位特征信息，生成水位测量结果，具体包括以下步骤：

22、步骤s1：建立圣维南方程模型，模拟河流和湖泊的水体流动状况，使用的公式如下所示：

23、连续性方程：；

24、动量方程：；

25、其中，a表示过水断面面积，t表示时间，q表示流量，x表示沿河道的距离，h表示水位，g表示重力加速度，c表示谢才系数，表示求偏导操作；

26、步骤s2：采用有限差分法，对圣维南方程模型进行离散化，在空间上将河道划分为计算单元，每个计算单元的长度为，在时间上划分时间步长，每个时间步长为t；

27、对于连续性方程，采用中心差分格式方法进行离散化，使用的公式如下所示：

28、；

29、其中，j表示空间上的计算单元编号，n表示时间步长编号；

30、对于动量方程，采用迎风格式方法进行离散化；

31、步骤s3：使用波谱密度函数，模拟初始的水体表面波，使用定向扩散函数，计算不同方向的水体表面波；

32、步骤s4：根据初始的水体表面波，设置边界条件和初始条件，边界条件包括入口边界条件、出口边界条件和壁面边界条件，初始条件包括初始水位设置和初始流速设置；

33、入口边界条件：确定水体流入位置的计算单元、水体流速数据和水体压力数据；

34、出口边界条件：确定水体流出位置的计算单元、水体流速数据和水体阻力数据；

35、壁面边界条件：对于水体与固体壁面的接触位置，采用无滑移边界条件，假设水体在壁面上的速度为零；

36、步骤s5：采用自适应网格划分技术，在每个计算单元上，根据水体流速数据和水体阻力数据，对河道进行网格细化；

37、在河流弯道处和水闸附近，使用精细的网格，在水流平稳区域，使用粗度的网格；

38、步骤s6：建立卷积神经网络作为水位测量模型，将水体数据输入到水位测量模型，得到水位测量结果。

39、进一步地，步骤s3具体包括以下步骤：

40、步骤s31：使用波谱密度函数，模拟初始的水体表面波，创建二维的初始波状态，得到名义波振幅，使用的公式如下所示：

41、；

42、其中，表示水体表面水平轴上产生的垂直位移，y表示水体表面的水平轴，t表示时间，i表示水体表面波的参数点，表示名义波振幅，表示余弦函数，t表示矩阵转置操作，表示波矢，x表示水体表面波的水平轴位置，表示角频率，表示水体表面波位移，表示第i个水体表面波参数点的角频率，表示第i个水体表面波参数点的位移；

43、步骤s32：将初始波状态向前传播，使用定向波谱，模拟水体表面波的波长和相对速度，使用的公式如下所示：

44、；

45、其中，表示水体表面波角频率变化量，表示水体表面波位移变化量，表示定向波谱；

46、步骤s33：在时间步长上，将名义波振幅与定向波谱相互联系，描述水体表面波在每个计算单元上垂直位移与定向波谱的关系，使用的公式如下所示：

47、；

48、步骤s34：定义不同方向的扩展因子，使用定向扩散函数结合扩展因子，计算不同方向扩展因子对水体表面波的影响，得到水体表面波的计算结果，使用的公式如下所示：

49、；

50、其中，表示定向扩散函数，s表示与角频率相关的参数，为伽马函数，表示水体表面波的方向特性，p表示水体表面波的扩展因子，表示第i个水体表面波参数点的方向特性，表示水体表面波扩展因子的方向特性。

51、进一步地，步骤s6具体包括以下步骤：

52、步骤s61：建立卷积神经网络：建立卷积神经网络作为水位测量模型，卷积神经网络包括输入层、卷积层、特征提取层、池化层和输出层；

53、步骤s62：划分训练集和验证集：划分训练集和验证集，将水体压力数据、水体流速数据、水体温度数据，分别作为不同的通道输入到卷积神经网络，设置卷积神经网络的参数，参数包括的权重和偏置，使用训练集进行前向传播，在各个计算单元上得到水位测量结果；

54、步骤s63：确定损失函数：使用损失函数计算得到损失值，通过反向传播算法计算卷积神经网络每层的梯度，更新卷积神经网络的参数；

55、步骤s64：进行迭代训练：设置训练轮数和控制参数，进行迭代训练，重复步骤s362-步骤s363；

56、步骤s65：水位测量：使用验证集对水位测量模型进行评估，计算评估指标，根据评估指标调整控制参数，得到最终水位测量结果。

57、进一步地，在步骤s62中，进行前向传播具体包括以下步骤：

58、步骤s621：使用不同大小的卷积核进行多尺度特征提取，提取水体数据的水位特征信息，得到特征图；

59、步骤s622：使用siren周期性激活函数，提取水体数据周期性变化，对各个计算单元加权求和再加上偏置，最后通过激活函数，得到激活后的特征图；

60、步骤s623：在池化层引入注意力机制，对激活后的特征图进行下采样，计算各个计算单元的注意力权重，对不同网络节点的水位特征信息进行加权池化，对于精细的网格，给予高注意力权重。

61、进一步地，步骤s63具体包括以下步骤：

62、步骤s631：使用均方差损失函数，对各个计算单元的水位测量结果提供约束；

63、步骤s632：使用adam优化算法，自适应调整学习率更新参数，使用的公式如下所示：

64、；

65、其中，表示迭代训练次数序号，表示第次迭代训练时的参数值，表示第次迭代训练时的参数值，表示学习率，表示梯度的一阶矩估计，表示梯度的二阶矩估计，表示一个很小的常数。

66、本发明实现的有益效果如下：

67、（1）所述系统采集多种水体数据，为后续准确的水位测量提供了信息基础，温度数据影响水体密度，进而影响水位，流速和压力数据直接与水体的流动状态和能量相关，对水位变化有重要影响，通过整合这些不同类型的水体数据，能够更全面地了解水体的实际情况，从而提高水位测量的准确性和可靠性；对采集到的数据进行异常值去除和缺失值填充处理，便于水体数据能够更好地用于模型训练；通过设置网络拓扑结构，保证数据稳定高效地传输，避免数据丢失或延迟；

68、（2）所述系统建立圣维南方程模型来模拟河流和湖泊的水体流动状况，能够准确地描述水体在不同条件下的流动特性，包括连续性和动量的变化，将连续的物理过程转化为离散的数学模型，便于进行求解和模拟；使用波谱密度函数模拟初始的水体表面波，并通过定向扩散函数计算不同方向的水体表面波，同时设置边界条件和初始条件，能够使模型更加符合实际水体情况；采用自适应网格划分技术，在保证模拟精度的同时，提高模型的计算效率，使得水体模拟更加高效和准确；

69、（3）所述系统建立卷积神经网络作为水位测量模型，能够自动学习水体数据中的特征模式，对输入的水体数据进行深度分析和特征提取。其次，通过划分训练集和验证集，使用损失函数和反向传播算法对网络进行训练和优化，能够不断调整参数，提高模型的预测能力，采用不同大小的卷积核进行多尺度特征提取、周期性激活函数的神经元提取周期性变化，以及在池化层引入注意力机制的创新方法，进一步提高模型对水位特征信息的提取能力和预测的水位测量结果准确性；

70、（4）所述系统能够直观地显示水体数据、水位特征信息和水位测量结果，便于用户可以获取到相关信息，无需进行复杂的数据处理和分析，水利工程管理人员可以通过水位显示模块实时了解水位情况，及时做出合理决策，调整河道水闸开度。