基于BP神经网络的地下水位预测系统设计

廖绍欢; 赵乃千; 詹旭

doi:10.19987/j.dzkxjz.2022-118

基于BP神经网络的地下水位预测系统设计

doi: 10.19987/j.dzkxjz.2022-118

廖绍欢^1,,
赵乃千¹,
詹旭^2, ,

1.
四川省地震局成都地震监测中心站，四川成都 611730
2.
四川轻化工大学自动化与信息工程学院，四川自贡 643000

基金项目: 四川省地震局地震科技专项青年项目（LY2225）资助。

详细信息

作者简介:
廖绍欢（1986-），女，工程师，主要从事地震前兆数据跟踪分析研究。E-mail：306146039@qq.com

通讯作者:
詹旭（1981-），女，讲师，主要从事控制科学与工程、智能优化算法方面的理论研究。E-mail：363305133@qq.com

中图分类号: P315.72⁺3
计量
- 文章访问数: 41
- HTML全文浏览量: 30
- PDF下载量: 12
出版历程
- 收稿日期: 2022-07-21
- 录用日期: 2022-10-20
- 网络出版日期: 2022-11-03

Design of groundwater level prediction system based on BP neural network

1.
Chengdu Earthquake Monitoring Center Station, Sichuan Earthquake Agency, Sichuan Chengdu 611730, China
2.
School of Automation and Information Engineering, Sichuan University of Science & Engineering, Sichuan Zigong 643000, China

摘要

摘要: 为了解四川德阳地下水位动态，进而分析地震前兆动态，本文设计了一个基于BP神经网络的地下水位预测系统。采用SWY-Ⅱ数字式水位仪对德阳地下水位数据进行采集。根据采集的2015年水位数据，利用BP神经网络对地下水位变化进行预测，以一年的采集数据进行训练和测试，采用3个输入节点、1个输出节点设计了BP神经网络结构。为了进一步验证本预测系统，本文对2017年7月1日—10月26日地下水位情况进行了预测。实验表明：该方案能有效实现地下水位的预测，为地震前兆工作提供可靠数据。
- 单片机 /
- BP神经网络 /
- 预测
Abstract: In order to understand the dynamic of groundwater level and master the earthquake precursor dynamic, we designed groundwater level prediction system based on BP neural network. According to the groundwater level of Deyang, Sichuan Province, SWY-II digital water level meter is used to collect the groundwater level data of Deyang. Based on the collected water level data in 2015, the BP neural network is used to predict the change of groundwater level, and the data collected for one year are trained and tested. The structure of BP neural network is designed with three input nodes and one output node. In order to further validate the proposal, the groundwater level from July 1 to October 26, 2017 is predicted. The experiment shows that the scheme can predict groundwater level effectively and provide reliable data for earthquake precursor work.
- MCU /
- BP neural network /
- predict

HTML全文

图 1 系统框图

Figure 1. System block diagram

下载: 全尺寸图片幻灯片

图 2 主机结构图

Figure 2. Host structure diagram

下载: 全尺寸图片幻灯片

图 3 水位仪工作流程

Figure 3. Workflow of water level meter

下载: 全尺寸图片幻灯片

图 4 基于BP神经网络的地下水位预测系统

Figure 4. Groundwater level prediction system based on BP neural network

下载: 全尺寸图片幻灯片

图 5 观测井结构图

Figure 5. Structure diagram of observation well

下载: 全尺寸图片幻灯片

图 6 2015年四川德阳天元地下水位数据

（a）插值前数据；（b）插值后数据

Figure 6. Groundwater level data of Deyang, Sichuan Province in 2015

（a) Data before interpolation；（b） Interpolated data

下载: 全尺寸图片幻灯片

图 7 BP神经网络模型

Figure 7. BP neural network model

下载: 全尺寸图片幻灯片

图 8 BP预测值结果（a）和BP网络预测误差（b）

Figure 8. BP predicted value results （a） and BP network prediction error （b）

下载: 全尺寸图片幻灯片

图 9 2017年7月1日—10月26日BP网络预测地下水位情况（a）和BP网络预测误差（b）

Figure 9. Groundwater level of BP network prediction （a） and BP network prediction error （b） during July 1 to October 26, 2017

下载: 全尺寸图片幻灯片

表 1 选取6次地震的基本参数

Table 1. Basic parameters of 6 selected earthquakes

发震时刻（年-月-日时:分）	北纬/°	东经/°	深度/km	M_S	参考地点
2017-07-17 06:55	32.370	105.330	21	4.9	四川青川
2017-08-08 21:19	33.150	103.800	20	7.0	四川九寨沟
2017-08-09 10:17	33.100	103.850	20	4.8	四川九寨沟
2017-08-10 05:05	33.150	103.860	20	4.3	四川九寨沟
2017-09-12 19:26	27.900	101.450	10	4.4	四川木里
2017-09-30 14:14	32.250	105.050	10	5.4	四川青川

下载: 导出CSV

参考文献(9)

[1]	郭浩然,李映,黄鹤程. 抽水蓄能电站地下水位预测的优化神经网络模型[J]. 水利信息化,2022(3):40-45 Guo H R,Li Y,Huang H C. Optimized neural network model for groundwater level prediction in pumped-storage power stations[J]. Water Resources Informatization,2022(3):40-45
[2]	陈亮. 地下水在工程地质勘察中的重要性分析[J]. 绿色环保建材,2021(5):153-154 Cheng L. Study on the importance of groundwater in engineering geological investigation[J]. Green Building Materials,2021(5):153-154
[3]	汪成民. 中国地震地下水动态网的科学创新与应用前景[J]. 地震学刊,1991,11(3):4-8 Wang C M. Scientific originalities and applications of the groundwater observation well-network for earthquake prediction in China[J]. Journal of Seismology,1991,11(3):4-8
[4]	Gogu R,Carabin G,Hallet V,et al. GIS-based hydrogeological databases and groundwater modelling[J]. Hydrogeology Journal,2001,9(6):555-569 doi: 10.1007/s10040-001-0167-3
[5]	Kushwaha R K,Pandit M K,Goyal R. MODFLOW based groundwater resource evaluation and prediction in Mendha sub-basin,NE Rajasthan[J]. Journal of Geological Society of India,2009,74(4):449-458 doi: 10.1007/s12594-009-0154-1
[6]	Pandey V P,Shrestha S,Kazama F. Groundwater in the Kathmandu Valley:Development dynamics,consequences and prospects for sustainable management[J]. European Water,2012,37:3-14
[7]	许骥. 基于遗传BP神经网络的地下水位预测模型[J]. 地下水,2015,37(3):19-21 doi: 10.3969/j.issn.1004-1184.2015.03.008 Xu J. Groundwater level prediction model based on genetic BP neural network[J]. Ground Water,2015,37(3):19-21 doi: 10.3969/j.issn.1004-1184.2015.03.008
[8]	喻黎明,严为光,龚道枝,等. 基于ELM模型的浅层地下水位埋深时空分布预测[J]. 农业机械学报,2017,48(2):215-223 doi: 10.6041/j.issn.1000-1298.2017.02.029 Yu L M,Yan W G,Gong D Z,et al. Temporal and spatial distribution prediction of shallow groundwater level based on ELM model[J]. Transactions of the Chinese Society of Agricultural Machinery,2017,48(2):215-223 doi: 10.6041/j.issn.1000-1298.2017.02.029
[9]	Tran V T,Le Van P,Huynh V H. Groundwater level prediction using Artificial Neural Networks:A case study in Tra Noc Industrial Zone,Can Tho city,Vietnam[J]. Journal of Water Resource and Protection,2018,10(9):870-883 doi: 10.4236/jwarp.2018.109050