Page 25 - 2023年第54卷第8期

ＮｅｗｕｎｄｅｒｓｔａｎｄｉｎｇｏｆＴｈｏｍａ’ｓｆｏｒｍｕｌａｆｏｒｃｒｉｔｉｃａｌｓｔａｂｌｅｓｅｃｔｉｏｎｏｆ
ｓｕｒｇｅｃｈａｍｂｅｒｉｎｈｙｄｒｏｐｏｗｅｒｓｔａｔｉｏｎ

２
２
２
１，２
ＺＨＡＮＧＪｉａｎ ，ＹＡＯＴｉａｎｙｕ，ＷＡＮＧＱｉｎｙｉ，ＱＩＵＷｅｉｘｉｎ，
２
１，２
ＣＨＥＮＬｏｎｇ，ＣＨＥＮＳｈｅｎｇ
（１．ＴｈｅＮａｔｉｏｎａｌＫｅｙＬａｂｏｒａｔｏｒｙｏｆＷａｔｅｒＤｉｓａｓｔｅｒＰｒｅｖｅｎｔｉｏｎ，Ｎａｎｊｉｎｇ２１００９８，Ｃｈｉｎａ；
２．ＣｏｌｌｅｇｅｏｆＷａｔｅｒＣｏｎｓｅｒｖａｎｃｙａｎｄＨｙｄｒｏｐｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇＨｏｈａｉＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｏｍａ’ｓｆｏｒｍｕｌａｆｏｒｃｒｉｔｉｃａｌｓｔａｂｌｅｓｅｃｔｉｏｎｉｓｇｅｎｅｒａｌｌｙｒｅｇａｒｄｅｄａｓａｓｉｇｎｉｆｉｃａｎｔｂａｓｉｓｆｏｒｊｕｄｇｉｎｇｔｈｅｏｐ
ｅｒａｔｉｏｎａｌｓｔａｂｉｌｉｔｙｏｆｔｈｅｗａｔｅｒｃｏｎｖｅｙａｎｃｅａｎｄｐｏｗｅｒｇｅｎｅｒａｔｉｏｎｓｙｓｔｅｍ ｏｆｈｙｄｒｏｐｏｗｅｒｓｔａｔｉｏｎｗｉｔｈｓｕｒｇｅｃｈａｍｂｅｒ．
Ｔｈｉｓｐｒｅｓｅｎｔｓｔｕｄｙｆｉｒｓｔｌｙｔｈｅｏｒｅｔｉｃａｌｌｙｄｅｍｏｎｓｔｒａｔｅｓｔｈｅｓｙｓｔｅｍｃａｎｎｏｔｂｅｓｔａｂｌｅｗｉｔｈｂｏｔｈｔｈｅｒｉｇｉｄｂｏｄｙａｓｓｕｍｐｔｉｏｎ
ａｎｄｃｏｎｓｔａｎｔｏｕｔｐｕｔｒｅｇｕｌａｔｉｏｎ．ＴｈｅＴｈｏｍａ ’ｓｆｏｒｍｕｌａｆｏｒｃｒｉｔｉｃａｌｓｔａｂｌｅｓｅｃｔｉｏｎｃｏｕｌｄｂｅｏｂｔａｉｎｅｄｂｅｃａｕｓｅｔｈｅｗａｔｅｒ
ｉｎｅｒｔｉａｏｆｔｈｅｐｅｎｓｔｏｃｋｓａｎｄｔｈｅｔａｉｌｒａｃｅｔｕｎｎｅｌｉｓｎｅｇｌｅｃｔｅｄｉｎｔｈｅｄｅｒｉｖａｔｉｏｎ，ｗｈｉｃｈｉｓｔｈｅｋｅｙｆａｃｔｏｒｔｏｔｈｅｓｙｓｔｅｍ
ｉｎｓｔａｂｉｌｉｔｙ．Ｆｕｒｔｈｅｒｍｏｒｅ ，ｉｔｉｓｐｒｏｖｅｄｔｈｅｏｒｅｔｉｃａｌｌｙｔｈａｔｔｈｅｈｙｄｒａｕｌｉｃｓｙｓｔｅｍｍａｙｎｏｔｒｕｎｓｔａｂｌｙｕｎｄｅｒｔｈｅｃｏｎｓｔａｎｔ
ｏｕｔｐｕｔｒｅｇｕｌａｔｉｏｎｍｏｄｅｆｏｒｔｈｅａｃｔｕａｌｅｌａｓｔｉｃｗａｔｅｒ．Ｍｅａｎｗｈｉｌｅ ，ｔｈｅｓｔａｂｉｌｉｔｙｏｆｔｈｅｗａｔｅｒｃｏｎｖｅｙａｎｃｅａｎｄｐｏｗｅｒ
ｇｅｎｅｒａｔｉｏｎｓｙｓｔｅｍｏｆｔｈｅｈｙｄｒｏｐｏｗｅｒｓｔａｔｉｏｎｗｉｔｈｓｕｒｇｅｃｈａｍｂｅｒｍａｉｎｌｙｄｅｐｅｎｄｓｏｎｔｈｅｗａｔｅｒｈａｍｍｅｒｒｅｆｌｅｃｔｉｏｎｃｏｅｆ
ｆｉｃｉｅｎｔｏｆｔｈｅｕｐｓｔｒｅａｍａｎｄｄｏｗｎｓｔｒｅａｍｓｉｄｅｏｆｔｈｅｔｕｒｂｉｎｅ．Ｔｈｅｆｒｉｃｔｉｏｎｏｆｔｈｅｄｉｖｅｒｓｉｏｎｔｕｎｎｅｌ，ｐｅｎｓｔｏｃｋａｎｄｔａｉｌ
ｒａｃｅｔｕｎｎｅｌａｒｅａｌｌｂｅｎｅｆｉｃｉａｌｔｏｓｔａｂｉｌｉｔｙ ，ｗｈｉｌｅｔｈｅｓｉｚｅｏｆｔｈｅｓｕｒｇｅｃｈａｍｂｅｒｈａｓｒｅｌａｔｉｖｅｌｙｌｉｔｔｌｅｅｆｆｅｃｔｏｎｓｔａｂｉｌｉｔｙ．
Ｕｎｄｅｒｃｏｎｓｔａｎｔｏｕｔｐｕｔｒｅｇｕｌａｔｉｏｎｍｏｄｅ ，ｔｈｅｗａｔｅｒｃｏｎｖｅｙａｎｃｅａｎｄｐｏｗｅｒｇｅｎｅｒａｔｉｏｎｓｙｓｔｅｍｏｆｔｈｅｈｙｄｒｏｐｏｗｅｒｓｔａｔｉｏｎ
ｗｉｔｈｓｕｒｇｅｃｈａｍｂｅｒｍｕｓｔｂｅｕｎｓｔａｂｌｅｎｏｍａｔｔｅｒａｄｏｐｔｉｎｇｔｈｅｒｉｇｉｄｗａｔｅｒｈｙｐｏｔｈｅｓｉｓｏｒａｃｔｕａｌｅｌａｓｔｉｃｗａｔｅｒ．Ａｎｕｎｓｔａｂｌｅ
ｓｙｓｔｅｍｃｏｕｌｄｎｏｔｅｘｉｓｔｓｔａｂｌｅｓｅｃｔｉｏｎ ，ａｎｄＴｈｏｍａ’ｓｆｏｒｍｕｌａｆｏｒｃｒｉｔｉｃａｌｓｔａｂｌｅｓｅｃｔｉｏｎｉｓｎｏｔｖａｌｉｄｉｎｔｈｅｏｒｙ．
Ｋｅｙｗｏｒｄｓ：ｈｙｄｒｏｐｏｗｅｒｓｔａｔｉｏｎ；ｓｕｒｇｅｃｈａｍｂｅｒ；ｓｔａｂｉｌｉｔｙ；Ｔｈｏｍａ’ｓｆｏｒｍｕｌａ；ｗａｔｅｒｈａｍｍｅｒｒｅｆｌｅｃｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔ

（责任编辑：李福田）

（上接第 ８９７页）
Ｐｒｏｂａｂｉｌｉｓｔｉｃｆｏｒｅｃａｓｔｉｎｇｏｆｆｌｏｏｄｐｒｏｃｅｓｓｅｓｂａｓｅｄｏｎｈｙｂｒｉｄｄｅｅｐｌｅａｒｎｉｎｇｍｏｄｅｌｓ

１
１
１
１，２
２
ＣＵＩＺｈｅｎ，ＧＵＯＳｈｅｎｇｌｉａｎ，ＷＡＮＧＪｕｎ ，ＺＨＡＮＧＪｕｎ，ＺＨＯＵＹａｎｌａｉ
（１．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＨｙｄｒｏｐｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇＳｃｉｅｎｃｅ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ ４３００７２，Ｃｈｉｎａ；
２．ＨｙｄｒｏｌｏｇｙＢｕｒｅａｕ，ＹａｎｇｔｚｅＲｉｖｅｒＷａｔｅｒＲｅｓｏｕｒｃｅｓＣｏｍｍｉｓｓｉｏｎ，Ｗｕｈａｎ ４３００１０，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅｔｒａｄｉｔｉｏｎａｌａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｃａｎｎｏｔｑｕａｎｔｉｆｙｔｈｅｕｎｃｅｒｔａｉｎｔｙｏｆｆｌｏｏｄｆｏｒｅｃａｓｔｉｎｇａｎｄ
ｉｓｕｎａｂｌｅｔｏｃｏｎｓｉｄｅｒｔｈｅｔｅｍｐｏｒａｌｃｏｒｒｅｌａｔｉｏｎｏｆｆｌｏｏｄｐｒｏｃｅｓｓｆｏｒｅｃａｓｔｉｎｇｉｎｍｕｌｔｉ － ｔｉｍｅｃｏｎｔｉｎｕｏｕｓｆｏｒｅｃａｓｔｉｎｇ．Ｉｎ
ｔｈｉｓｐａｐｅｒ ，ａＸＡＪ － ＬＳＴＭ－ ＥＤＥ － ＭＤＮｍｏｄｅｌｉｓｃｏｎｓｔｒｕｃｔｅｄｂｙｆｕｓｉｎｇｔｈｅＸｉｎａｎｊｉａｎｇ（ＸＡＪ）ｍｏｄｅｌ，ｔｈｅｌｏｎｇ
ｓｈｏｒｔ － ｔｅｒｍｍｅｍｏｒｙ（ＸＡＪ － ＬＳＴＭ－ ＥＤＥ）ｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄｏｎｔｈｅｅｘｏｇｅｎｏｕｓｉｎｐｕｔｅｎｃｏｄｅｒ － ｄｅｃｏｄｅｒｓｔｒｕｃｔｕｒｅ，
ａｎｄｔｈｅｍｉｘｔｕｒｅｄｅｎｓｉｔｙｎｅｔｗｏｒｋ（ＭＤＮ）ｔｏａｃｈｉｅｖｅｐｒｏｂａｂｉｌｉｓｔｉｃｆｏｒｅｃａｓｔｉｎｇｏｆｔｈｅｆｌｏｏｄｐｒｏｃｅｓｓ．Ｔｈｅｍｏｄｅｌｔｒａｎｓ
ｆｏｒｍｓｔｈｅｐｏｉｎｔｅｓｔｉｍａｔｅｓｇｅｎｅｒａｔｅｄｂｙｔｈｅｄｅｃｏｄｉｎｇｐｒｏｃｅｓｓｉｎｔｏｔｈｅｅｓｔｉｍａｔｅｓｏｆｃｏｎｄｉｔｉｏｎａｌｐｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕ
ｔｉｏｎｓｗｈｉｌｅｃｏｎｓｉｄｅｒｉｎｇｔｈｅｔｅｍｐｏｒａｌｃｏｒｒｅｌａｔｉｏｎｏｆｔｈｅｆｏｒｅｃａｓｔｅｄｆｌｏｏｄ．Ｔｈｅｌｏｓｓｆｕｎｃｔｉｏｎｉｓｆｕｒｔｈｅｒｅｓｔａｂｌｉｓｈｅｄｕ
ｓｉｎｇｔｈｅｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄｅｓｔｉｍａｔｉｏｎｍｅｔｈｏｄ ，ａｎｄｔｈｅｍｏｄｅｌｐａｒａｍｅｔｅｒｓａｒｅｔｒａｉｎｅｄｂｙａｎａｄａｐｔｉｖｅｍｏｍｅｎｔｅｓ
ｔｉｍａｔｉｏｎａｌｇｏｒｉｔｈｍ．ＴｈｅｓｔｕｄｙｒｅｓｕｌｔｓｉｎｔｈｅｔｗｏｒｉｖｅｒｂａｓｉｎｓｏｆＬｕｓｈｕｉａｎｄＪｉａｎｘｉｓｈｏｗｔｈａｔｔｈｅｍｏｄｅｌｃａｎｅｆｆｅｃｔｉｖｅ
ｌｙｒｅｆｌｅｃｔｔｈｅｕｎｃｅｒｔａｉｎｔｙｏｆｔｈｅｆｏｒｅｃａｓｔｆｌｏｏｄｗｉｔｈｏｕｔｒｅｄｕｃｉｎｇｔｈｅｆｏｒｅｃａｓｔａｃｃｕｒａｃｙｏｆｔｈｅＸＡＪ － ＬＳＴＭ－ ＥＤＥｍｏｄ
ｅｌ ，ａｎｄｏｂｔａｉｎｒｅａｓｏｎａｂｌｅａｎｄｒｅｌｉａｂｌｅｃｏｎｆｉｄｅｎｃｅｉｎｔｅｒｖａｌｓａｎｄｅｘｃｅｌｌｅｎｔｐｒｏｂａｂｉｌｉｓｔｉｃｆｏｒｅｃａｓｔｐｅｒｆｏｒｍａｎｃｅ．Ｉｔ
ｐｒｏｖｉｄｅｓｍｏｒｅｒｉｓｋｉｎｆｏｒｍａｔｉｏｎｆｏｒｄｅｃｉｓｉｏｎ － ｍａｋｉｎｇｓｕｃｈａｓｒｅｓｅｒｖｏｉｒｆｌｏｏｄｃｏｎｔｒｏｌａｎｄｓｃｈｅｄｕｌｉｎｇ ，ａｎｄａｌｓｏｐｒｏ
ｖｉｄｅｓａｒｅｆｅｒｅｎｃｅｆｏｒｓｔｕｄｙｉｎｇｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｄｅｅｐｌｅａｒｎｉｎｇｉｎｐｒｏｂａｂｉｌｉｓｔｉｃｆｌｏｏｄｆｏｒｅｃａｓｔｉｎｇ．
Ｋｅｙｗｏｒｄｓ： ｐｒｏｂａｂｉｌｉｓｔｉｃｆｏｒｅｃａｓｔｉｎｇ； ｕｎｃｅｒｔａｉｎｔｙａｎａｌｙｓｉｓ； ｌｏｎｇａｎｄ ｓｈｏｒｔ －ｔｅｒｍ ｍｅｍｏｒｙ ｎｅｕｒａｌｎｅｔｗｏｒｋｓ；
ｅｎｃｏｄｅｒ － ｄｅｃｏｄｅｒｓｔｒｕｃｔｕｒｅ；ｍｉｘｔｕｒｅｄｅｎｓｉｔｙｎｅｔｗｏｒｋｓ

（责任编辑：耿庆斋）

— ９ ０ ９ —