-
公开(公告)号：CN109284555B
公开(公告)日：2023-02-14
申请号：CN201811135485.X
申请日：2018-09-28
Applicant: 南京大学
IPC: G06F30/20 , G06F111/08
Abstract: 本发明公开了一种基于多孔介质几何形状估计渗透率的网格随机游走方法，该方法首先将孔隙空间从数值化的多孔介质中分离并离散化；假定孔隙与固体骨架的交界面为吸收边界，介质外壁为反弹边界；选定介质外壁上一点，用行走器在孔隙离散网格上重复模拟若干次随机游走实现，行走器一旦接触吸收边界立即被吸收，导致行走终止；对出发点集内每个出发点都重复若干次随机游走；行走器被吸收的位置相对于外壁的深度为穿透深度，对所有的穿透深度做平均，得到估计的平均穿透深度；根据平均穿透深度估算多孔介质渗透率。与现有技术相比，本发明方法精度更高，而且计算简便、效率高，对孔隙形状无特殊要求，适用性更强。
-
公开(公告)号：CN109284555A
公开(公告)日：2019-01-29
申请号：CN201811135485.X
申请日：2018-09-28
Applicant: 南京大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于多孔介质几何形状估计渗透率的网格随机游走方法，该方法首先将孔隙空间从数值化的多孔介质中分离并离散化；假定孔隙与固体骨架的交界面为吸收边界，介质外壁为反弹边界；选定介质外壁上一点，用行走器在孔隙离散网格上重复模拟若干次随机游走实现，行走器一旦接触吸收边界立即被吸收，导致行走终止；对出发点集内每个出发点都重复若干次随机游走；行走器被吸收的位置相对于外壁的深度为穿透深度，对所有的穿透深度做平均，得到估计的平均穿透深度；根据平均穿透深度估算多孔介质渗透率。与现有技术相比，本发明方法精度更高，而且计算简便、效率高，对孔隙形状无特殊要求，适用性更强。
-
公开(公告)号：CN108171432A
公开(公告)日：2018-06-15
申请号：CN201810007254.4
申请日：2018-01-04
Applicant: 南京大学
Abstract: 本发明公开一种基于多维云模型‑模糊支持向量机的生态风险评价方法，先应确定评价因子及评价标准，将多个评价因子视为支持向量机样本的多个属性，并根据评价标准将生态风险分为多个等级，再者根据分级指标确定云模型参数，将超熵视为服从正态分布的参数k和熵的乘积，通过正向多维正态云发生器产生各个等级的具有多个属性的训练样本并计算样本隶属于特定等级的确定度，生成训练样本集，其次进行模型的建立及参数优化，选定高斯函数作为核函数，并用一对一方法，产生多个二类分类器从而组合成多类分类器，利用K‑折交叉检验和网格法进行参数寻优，确定最优参数C及σ，应用云发生器产生的训练样本集训练样本，建立模型。最终应用模型对地区的实测数据进行分类，判定该地区的生态风险等级，实现多因子下的综合生态风险评价。
-
公开(公告)号：CN106897530A
公开(公告)日：2017-06-27
申请号：CN201710126728.2
申请日：2017-03-06
Applicant: 南京大学
CPC classification number: G06F17/5009 , G06F2217/10 , G06Q10/04 , G06Q50/06
Abstract: 本发明公开一种基于Copula熵的水文站网优化模型，包括以下步骤：Copula函数的优选、计算信息传递值和站网重组和优选；基于Copula函数理论和信息熵原理的有机结合，以Copula熵代替传统的互信息量为主要改进并结合站点对间的距离量，提出站点间的信息传递强度量这一基本评价指标，并创新性地提出信息传递量均值指标(AI)以及阈值范围的确定方法对潜在站网进行重新的站网组合。本发明将Copula熵运用到水文站网的评价中，很好地解决了站对间的联合概率密度函数估计的局限性，定量地描述了站点间的信息传递量，对站网进行较为客观地评价和优化，具有合理性和有效性。
-
公开(公告)号：CN103268525B
公开(公告)日：2016-02-24
申请号：CN201310222565.X
申请日：2013-06-04
Applicant: 南京大学
IPC: G06Q10/04
Abstract: 本发明公开了一种基于WD-RBF的水文时间序列模拟预测方法，根据选定的水文时间序列，通过小波变换得到各个尺度下的小波系数，使用软阈值消噪技术消除序列噪音，并通过小波重构得到消除噪音后的水文时间序列，将消噪后的序列进行改进的RBF网络建模，运用建立好的网络对序列进行模拟预测。本发明方法应用于四组水文时间序列的预测中，并与ARIMA模型和RBF方法作对比，结果显示：RBF能够挖掘水文时间序列中的非线性关系，小波消噪可以对水文时间序列中的噪声成分进行有效识别并剔除，达到还原真实序列的目的。实例验证WD-RBF方法不仅在序列模拟而且在数值预测上都表现出优于ARIMA模型和RBF的性能，具有更高的准确性。
-
Patent Agency Ranking
公开(公告)号：CN106845142A
公开(公告)日：2017-06-13
申请号：CN201710136671.4
申请日：2017-03-09
Applicant: 南京大学
IPC: G06F19/00
CPC classification number: G06F2219/10 , G16Z99/00
Abstract: 本发明公开一种基于改进的粗糙集‑集对分析的水质评价方法，首先将集对分析理论的三元联系数推广到六元联系数，分别对应相应等级，并初步计算出各样本的联系度，然后计算出每个评价指标实测指标数值相对于指标等级分级标准的联系度，同时根据改进的粗糙集条件信息熵计算出各个评价指标的重要度和权重，将权重与各个评价指标的联系度结合起来，得到各个评价样本的联系度，最后将各分量进行归一化处理即得到各样本的平均联系度以最大数值代表的等级作为该样本的营养化等级。本发明将改进的粗糙集条件信息熵与集对分析相结合，既可解决权重确定中人为因素的影响，又能消除权重为0的顾虑，同时综合多个指标进行评价，具有合理性和有效性。
-
公开(公告)号：CN102508996A
公开(公告)日：2012-06-20
申请号：CN201110306437.4
申请日：2011-10-08
Applicant: 南京大学
IPC: G06F19/00
Abstract: 本发明公开一种叶绿素a的重现期的确定方法，采用Copula函数构造叶绿素a与环境变量的联合分布来研究它们之间的关联性，从而确定叶绿素a的重现期。本发明方法采用Copula函数方法对叶绿素a和环境因子之间关联性进行研究，可以通过Kendall’st确定叶绿素a和环境因子之间的相关性，在不用假设边缘分布类型的条件下可获得叶绿素a和环境因子之间的联合分布，进而预测不同环境变量变化下叶绿素a的重现期，为湖泊富营养化治理提供科学决策依据。
-
公开(公告)号：CN110942257B
公开(公告)日：2023-05-09
申请号：CN201911239918.0
申请日：2019-12-06
Applicant: 南京大学
IPC: G06Q10/0639 , G06Q50/06
Abstract: 本发明公开了一种水库调蓄和环境因子对下游河流水温变化定量分析方法，收集流域内的水文气象资料，对水库蓄水前后天然期和影响期分别逐月构建线性水温回归模型，再重构影响期的天然径流，进而重构天然水温序列，利用重构的天然水温与实测水温的差异，分析水库调蓄和环境因子对下游水温变化的贡献；本发明将水库调蓄和环境因子对水温变化的二元归因分析，细分为水库调蓄作用下水温‑气温相互作用变化、径流模式变化和天然情境下气温变化、流量变化的四元归因分析，能够科学准确地判断水库对水温的影响程度，定量评估出水库下游河流水温变化的原因。
-
公开(公告)号：CN110689182B
公开(公告)日：2022-12-27
申请号：CN201910890913.8
申请日：2019-09-20
Applicant: 南京大学
Abstract: 本发明公开了一种考虑径流预测的多目标雨量站网设计方法，所述方法根据雨量站点间信息冗余最小、雨量站对下游流量站信息传递最大和面平均雨量预测偏差最小的多目标准则，通过基于NSGA‑II的遗传算法对研究区雨量站网优化设计，利用人工神经网络(ANN)降雨‑径流模型评价优化结果对径流预测精度的影响。本发明方法将雨量站网优化和降雨‑径流模型相结合，从径流预测的角度补充了现有站网优化分析和设计的不足，并提出了一种适用性良好的雨量站网优化设计框架及方法。
-
公开(公告)号：CN110942257A
公开(公告)日：2020-03-31
申请号：CN201911239918.0
申请日：2019-12-06
Applicant: 南京大学
Abstract: 本发明公开了一种水库调蓄和环境因子对下游河流水温变化定量分析方法，收集流域内的水文气象资料，对水库蓄水前后天然期和影响期分别逐月构建线性水温回归模型，再重构影响期的天然径流，进而重构天然水温序列，利用重构的天然水温与实测水温的差异，分析水库调蓄和环境因子对下游水温变化的贡献；本发明将水库调蓄和环境因子对水温变化的二元归因分析，细分为水库调蓄作用下水温-气温相互作用变化、径流模式变化和天然情境下气温变化、流量变化的四元归因分析，能够科学准确地判断水库对水温的影响程度，定量评估出水库下游河流水温变化的原因。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.017 seconds)
