Page 43 - 2022年第53卷第3期
P. 43
*i
i
式中：x 为某一类影响因子归一化之后的值；x 为原始数值；x i 为该类影响因素中的最小值；x i
min max
为其中最大值。
训练时，将分别选择暴雨-内涝样本中的 90%作为训练样本，以余下的 10%作为测试样本。并利
用训练好的模型对没有参加模型训练的暴雨过程进行积水预测。最后通过计算预测数据与模拟数据
的决定系数 R 来判断这两条曲线的相似程度，决定系数 R 越接近 1，这两条曲线的拟合程度越高，
2
2
也就是神经网络模型的预测结果和数值模型的预测结果越接近。
3 结果分析
利用训练好的神经网络预测模型分别对基于暴雨强度公式的设计降雨、特征降雨方案以及实际
降雨过程进行预测。计算时，设计降雨方案为芝加哥雨型，全区普降；特征降雨的降雨方案为，降
雨中心自西向东移动。结果如图 7、图 8 所示。
1.0 1.0
积水点水深/m 0.5 积水点水深/m 0.5
0.0 0.0
2
R =0.9783 神经网络预测结果 神经网络预测结果
数值模型模拟结果 R =0.9269 数值模型模拟结果
2
0 30 60 90 120 150 180 0 30 60 90 120 150 180
时间/min 时间/min
（a） A 积水点积水模拟结果 （b） B 积水点积水模拟结果
1.0 1.0
积水点水深/m 0.5 积水点水深/m 0.5
0.0 0.0
神经网络预测结果 神经网络预测结果
2
2
R =0.9698 数值模型模拟结果 R =0.9569 数值模型模拟结果
0 30 60 90 120 150 180 0 30 60 90 120 150 180
时间/min 时间/min
（c） C 积水点积水模拟结果 （d） D 积水点积水模拟结果
1.0 1.0
积水点水深/m 0.5 积水点水深/m 0.5
0.0 0.0
神经网络预测结果 神经网络预测结果
2 数值模型模拟结果 2
R =0.9775 R =0.9896 数值模型模拟结果
0 30 60 90 120 150 180 0 30 60 90 120 150 180
时间/min 时间/min
（e） E 积水点积水模拟结果 （f） F 积水点积水模拟结果
图 7 基于暴雨强度公式的设计降雨方案模拟结果对比
— 291 —
