CN109272171A - 一种预测暴雨期二级河道排水对干流水质动态影响的方法 - Google Patents
一种预测暴雨期二级河道排水对干流水质动态影响的方法 Download PDFInfo
- Publication number
- CN109272171A CN109272171A CN201811204766.6A CN201811204766A CN109272171A CN 109272171 A CN109272171 A CN 109272171A CN 201811204766 A CN201811204766 A CN 201811204766A CN 109272171 A CN109272171 A CN 109272171A
- Authority
- CN
- China
- Prior art keywords
- indicate
- cod
- indicates
- water quality
- water
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000000694 effects Effects 0.000 title claims abstract description 7
- 230000001537 neural effect Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000013461 design Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 241000195493 Cryptophyta Species 0.000 claims description 29
- 239000010410 layer Substances 0.000 claims description 28
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 26
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 21
- 239000001301 oxygen Substances 0.000 claims description 21
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 20
- 229910052799 carbon Inorganic materials 0.000 claims description 20
- 229910052760 oxygen Inorganic materials 0.000 claims description 20
- 230000003647 oxidation Effects 0.000 claims description 17
- 238000007254 oxidation reaction Methods 0.000 claims description 17
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 16
- 229910052698 phosphorus Inorganic materials 0.000 claims description 16
- 239000011574 phosphorus Substances 0.000 claims description 16
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 13
- 229910052757 nitrogen Inorganic materials 0.000 claims description 13
- 230000004060 metabolic process Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 229910019142 PO4 Inorganic materials 0.000 claims description 3
- 238000005273 aeration Methods 0.000 claims description 3
- 229910021529 ammonia Inorganic materials 0.000 claims description 3
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 claims description 3
- 239000010452 phosphate Substances 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 239000002344 surface layer Substances 0.000 claims description 3
- 239000002352 surface water Substances 0.000 claims description 3
- 241000192700 Cyanobacteria Species 0.000 claims description 2
- 230000001651 autotrophic effect Effects 0.000 claims description 2
- 230000029142 excretion Effects 0.000 claims description 2
- 239000002207 metabolite Substances 0.000 claims description 2
- 238000004090 dissolution Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000013316 zoning Methods 0.000 description 5
- 239000012530 fluid Substances 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Chemical compound CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
本发明公开了一种预测暴雨期二级河道排水对干流水质动态影响的方法，步骤(1)、以不同降雨重现期时支流的排放量作为设计变量、河道干流控制断面处的水质参数COD、DO、NH3‑N和TP作为目标变量构建EFDC模型，并给出四种水质参数的计算公式；步骤(2)、训练并优化RBF神经网络；步骤(3)、步骤3、采用优化RBF神经网络进行预测。与现有技术相比，本发明基于EFDC模型和RBF神经网络构造了一种动态预测方法，预测结果与模型模拟结果有很好的吻合度，该方法具有计算速度快、预测精度高及实时性的优点。
Description
技术领域
本发明属于水质预测技术领域，具体涉及一种动态预测暴雨时期河道干流水质变化的方法。
背景技术
水是维持人类和生态系统生存和健康的重要资源。但是由于区域经济和城镇化的快速发展，很多区域的水资源已遭受不同程度的污染。主要的污染源有工业废水、生活污水、农业灌溉等，近年来暴雨径流也被人们视作重要污染源，其夹带大量污染物，如COD、TP及重金属等。很多研究学者就暴雨径流的影响进行了研究，但是以往研究很少关注暴雨时期雨水径流对河道水质的动态影响。
环境流体动力学模型(Environmental Fluid Dynamics Code,EFDC)是一款三维数学模型，由威廉玛丽大学维吉尼亚海洋科学研究所的John Hamrick等人开发。该模型包括水动力模块、水质模块和泥沙模块等模块，可以实现河流、湖泊和海洋等水体的水动力学和水质模拟，已被成功应用于Niagara River、太湖和官厅水库等水域的水质研究。径向基函数神经网络(Radial Basis Function，RBF)是一种三层的前向网络，包括输入层、隐含层和输出层，属于前向神经网络。利用径向基函数对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分的问题在高维空间内线性可分，是RBF神经网络预测的基本思想。RBF神经网络具有结构简单、训练简洁且能够逼近任意非线性函数的优点。
暴雨时期，雨水径流汇入支流再排入干流，干流水质因此变差。所以为及时获知暴雨时期河道干流水质的动态变化，本发明基于EFDC模型和RBF神经网络提出了一种动态预测暴雨时期河道干流水质变化的方法，以期达到可以快速预测暴雨后河道干流水质动态变化的目的。
发明内容
为解决上述问题，本发明提供了一种预测暴雨期二级河道排水对干流水质动态影响的方法，该方法利用EFDC(环境流体动力学模型Environmental Fluid Dynamics Code)模型获得训练样本和测试样本，结合RBF神经网络(径向基函数神经网络Radial BasisFunction)的预测功能，实现暴雨时期河道干流水质动态变化的快速预测。
本发明的一种预测暴雨期二级河道排水对干流水质动态影响的方法，其特征在于，该方法包括以下步骤：
步骤(1)、以不同降雨重现期时支流的排放量作为设计变量、河道干流控制断面处的水质参数COD、DO、NH3-N和TP作为目标变量构建EFDC模型，构建EFDC模型的过程包括首先将计算区域离散为2604个网格，将离散后的网格区域输入到EFDC模型软件中，设置初始条件，从而构建起EFDC模型，利用构建的EFDC模型模拟这10组计算工况；
四种水质参数的计算公式如下：
KCOD＝KCD·exp[KTCOD(T-TRCOD)]
式中，COD表示化学需氧量浓度，KHCOD表示COD氧化所需的溶解氧半饱和常数，KCOD表示COD氧化速率，BFCOD表示沉积物与水体之间的COD交换通量，仅限应用水体底层，WCOD表示COD的外源载入量，KCD表示COD在TRCOD温度下的氧化速率，KTCOD表示温度对COD氧化速率的影响，TRCOD表示COD氧化的参考温度，DO表示单位体积中溶解氧的浓度，T表示温度，V表示单元格体积，t表示时间；
式中，AONT表示单位质量的氨氮硝化作用所消耗的溶解氧质量，AOCR表示呼吸作用中溶解氧与碳之比，Kr表示复氧系数，只应用于表层水体，DOS表示溶解氧的饱和浓度，SOD表示沉积物与水体之间的DO交换通量，WDO表示DO的外源载入量(gO2/day)，X表示水中的藻类，c、d、g分别表示蓝藻、绿藻和硅藻，Bx表示藻类生物量，KHCOD表示COD氧化所需的溶解氧半饱和常数，KHR表示溶解性有机碳在进行非自养呼吸时的速率，KHRx表示藻类群体在溶解有机碳的过程中，通过排泄产生的溶解氧半饱和常数，FCDX表示在无限溶解的氧气浓度条件下，藻类群体在进行自身的基础代谢时，代谢产物中溶解有机碳的比例，NH4表示氨氮浓度，Nit表示氨氮在进行硝化作用时的速率；
式中，FNIX表示藻类群体通过基础代谢产生出的无机氮的比例，FNIPX表示计算时间开始以前的营养物质氮产生为无机氮的比例，PNX表示藻类群体吸收氨氮的优先权，KNit表示硝化速率，BFNH4表示沉积物与水体之间的氨氮交换通量，仅限应用水体底层，WNH4表示氨氮的外源载入量，BMX表示藻类的基础代谢速率，ANCX表示藻类群体在水体中平均产生的氮与碳之比，DON表示有机碳以溶解态存在时的浓度；
式中，PO4p表示颗粒态无机磷的浓度，PO4d表示溶解态无机磷的浓度，FPIX藻类群体通过基础代谢产生出的无机磷的比例，FPIPX表示计算时间开始以前的营养物质磷产生为无机磷的比例，WSTSS表示悬浮颗粒物的沉降速度；BFPO4d表示仅限应用水体底层的沉积物与水体之间的磷酸盐交换通量，WPO4p表示颗粒态无机磷的外源载入量，WPO4d表示溶解态无机磷的外源载入量，DOP表示溶解有机磷的浓度，APCX表示藻类群体在水体中平均产生的磷与碳之比，PRX表示藻类被捕食的速率，ΔZ表示水体底层和水体表层之间的深度；
步骤2、训练并优化RBF神经网络，即由不同降雨重现期对应的离散化降雨量以及计算所得的河道控制断面处的水质参数值构成RBF神经网络的训练样本和测试样本，其中不同降雨重现期对应的离散化的降雨量作为输入变量，河道控制断面处的水质参数值作为输出变量；构建RBF神经网络，网络结构由输入层、隐含层和输出层组成。在训练网格结构过程中优化隐含层节点数和中心宽度Spread：首先优化隐含层节点数，设定最大隐含层节点数为240，从节点数160每4个节点数返回一次网络结构的均方误差MSE，在网络不过度训练前提下，返回MSE最小的节点数作为隐含层的优化节点数；隐含层节点数确定后优化中心宽度spread，设定最大网络中心宽度spread为1.5，网络中心宽度spread从0.5以0.1的步长返回一次网络结构的均方误差，返回MSE最小的宽度值作为网络的优化中心宽度，最后得到最优的RBF神经网络结构；
步骤3、采用优化RBF神经网络进行预测：随机选择暴雨重现期，由EFDC模型模拟得到河道干流控制断面处的四种水质参数值COD、DO、NH3-N和TP，并采用优化的RBF神经网络进行预测，获得四种水质参数的预测结果。
对比于现有技术，本发明基于EFDC模型和RBF神经网络构造了一种动态预测方法，预测结果与模型模拟结果有很好的吻合度，该方法具有计算速度快、预测精度高及实时性的优点。
附图说明
图1是本发明的一种基于EFDC模型和RBF神经网络的河道水质动态预测流程图；
图2是本发明应用实例的河道模拟区域图；
图3是RBF神经网络训练误差曲线图；
图4是RBF预测结果和EFDC模型计算结果的对比图。
具体实施方式
下面将结合示例对本发明的技术方案作进一步的详细描述。
本发明的一种预测暴雨期二级河道排水对干流水质动态影响的方法，该方法主要包括如下几方面的处理：
1、确定设计变量和目标变量。不同降雨重现期时支流的排放量作为设计变量，河道干流控制断面处的水质参数(COD、DO、NH3-N和TP)作为目标变量。
2、EFDC模型计算设计工况。利用EFDC模型模拟得到河道干流控制断面处COD、DO、NH3-N和TP四种水质指标的浓度值。
3、优化RBF神经网络。EFDC模型的计算结果构成RBF神经网络的训练样本和测试样本，不同降雨重现期时的降雨曲线作为输入变量，河道干流控制断面处的水质作为输出变量，构建RBF神经网络，训练并优化网络结构，得到最优RBF神经网络结构。
5、预测和对比。随机选取降雨重现期，利用优化的RBF神经网络进行预测，得到河道控制断面处的水质参数，并同模拟结果相对比。
本发明具体实施方式以如图2所示的河道为例。该河道的模拟区域全长15km，平均高程-3.6m，初始水位为1.5m，底部、侧壁粗糙度取0.02，径流系数取0.5，其中共有5条支流，5条支流的集水区面积分别为31.8km2、16.73km2、11.29km2、46.76km2和33.82km2，将支流概化为暴雨径流入口。
本发明具体实施方式描述如下：
步骤1、构建EFDC模型并模拟，获得河道控制断面处的水质参数：
干流入口流量控制在30m3/s，通过改变“降雨重现期”设计10组计算工况，“降雨重现期”取值为0.5年、1年、1.5年、2年、2.5年、3年、3.5年、4年、4.5年和5年。首先将计算区域离散为2604个网格，将离散后的网格区域输入到EFDC模型软件中。设置初始条件(或边界条件)包括设置计算区域的初始水位为1.5m，平均高程为-3.6m，初始水质浓度COD为30mg/L，DO浓度为5mg/L，NH3-N浓度为2mg/L，TP浓度为0.3mg/L。干流入口流量设置为30m3/s，二级河道的入口流量设置随着降雨重现期的改变而变化，温度设置为27℃，从而构建起EFDC模型。构建模型的过程是将计算区域离散为若干网格，，从而搭建起该计算区域的模型。利用构建的EFDC模型模拟这10组计算工况，得到河道干流控制断面处的COD、DO、NH3-N和TP四种水质参数。四种水质参数的计算公式如下：
KCOD＝KCD·exp[KTCOD(T-TRCOD)] (2)
公式中，COD表示化学需氧量浓度(gO2-equivalents/m3)，KHCOD表示COD氧化所需的溶解氧半饱和常数(gO2/m3)，KCOD表示COD氧化速率(day-1)，BFCOD表示沉积物与水体之间的COD交换通量(gO2-equivalents/(m2.day))，仅限应用水体底层，WCOD表示COD的外源载入量(gO2-equivalents/day)，KCD表示COD在TRCOD温度下的氧化速率(day-1)，KTCOD表示温度对COD氧化速率的影响(℃-1)，TRCOD表示COD氧化的参考温度(℃)，DO表示单位体积中溶解氧的浓度(gO2/m3)，T表示温度(℃)，V表示单元格体积(m3)，t表示时间(day))。
式中，AONT表示单位质量的氨氮硝化作用所消耗的溶解氧质量(4.33gO2per gN)，AOCR表示呼吸作用中溶解氧与碳之比(2.67gO2per gC)，Kr表示复氧系数(day-1)，只应用于表层水体，DOS表示溶解氧的饱和浓度(gO2/m3)，SOD表示沉积物与水体之间的DO交换通量(gO2/(m2.day))，WDO表示DO的外源载入量(gO2/day)，BMX表示藻类的基础代谢速率(m/d)，ANCX表示藻类群体在水体中平均产生的氮与碳之比(gN/gC)，DON表示有机碳以溶解态存在时的浓度(gN/m3)。
式中，FNIX表示藻类群体通过基础代谢产生出的无机氮的比例，FNIPX表示计算时间开始以前的营养物质氮产生为无机氮的比例，PNX表示藻类群体吸收氨氮的优先权(0≤PNX≤1)，KNit表示硝化速率(day-1)，BFNH4表示沉积物与水体之间的氨氮交换通量(gN/(m2.day))，仅限应用水体底层，WNH4表示氨氮的外源载入量(gN/day)，BMX表示藻类的基础代谢速率(m/d)，ANCX表示藻类群体在水体中平均产生的氮与碳之比(gN/gC)，DON表示有机碳以溶解态存在时的浓度(gN/m3)。
式中，PO4p表示颗粒态无机磷的浓度(gP/m3)，PO4d表示溶解态无机磷的浓度(gP/m3)，FPIX藻类群体通过基础代谢产生出的无机磷的比例，FPIPX表示计算时间开始以前的营养物质磷产生为无机磷的比例，WSTSS表示悬浮颗粒物的沉降速度(m/day)，由水动力模块计算所得，BFPO4d表示沉积物与水体之间的磷酸盐交换通量(gP/(m2.day))，仅限应用水体底层，WPO4p表示颗粒态无机磷的外源载入量(gP/day)，WPO4d表示溶解态无机磷的外源载入量(gP/day)，DOP表示溶解有机磷的浓度(gP/m3)，APCX表示藻类群体在水体中平均产生的磷与碳之比(gP/gC)，PRX表示藻类被捕食的速率(day-1)，ΔZ表示水体底层和水体表层之间的深度(m)。
如表1所示，为干流入口和各支流排放口的水质参数(单位：mg/L)。
表1
步骤2、训练并优化RBF神经网络
不同降雨重现期对应的离散化降雨量以及计算所得的河道控制断面处的水质参数值构成RBF神经网络的训练样本和测试样本，其中不同降雨重现期对应的离散化的降雨量作为输入变量，河道控制断面处的水质参数值作为输出变量。构建RBF神经网络，网络结构由输入层、隐含层和输出层组成。在训练网格结构过程中优化隐含层节点数和中心宽度Spread。首先优化隐含层节点数，设定最大隐含层节点数为240，从节点数160每4个节点数返回一次网络结构的均方误差(Mean Squared Error，MSE)，在网络不过度训练前提下，返回MSE最小的节点数作为隐含层的优化节点数。隐含层节点数确定后优化中心宽度spread，设定最大网络中心宽度spread为1.5，网络中心宽度spread从0.5以0.1的步长返回一次网络结构的均方误差，返回MSE最小的宽度值作为网络的优化中心宽度。最后得到最优的RBF神经网络结构，图3显示的是网络训练误差曲线。
步骤3、采用优化RBF神经网络进行预测和对比：
随机选择暴雨重现期3.2年，由EFDC模型模拟得到河道干流控制断面处的四种水质参数值(COD、DO、NH3-N和TP)，并采用优化的RBF神经网络进行预测，获得四种水质参数的预测结果。对比两种计算结果，如图4所示，从对比结果来看，四种水质参数的预测结果和模拟结果吻合度较好。可以看出，优化的RBF神经网络具有很好的预测功能。
Claims (1)
1.一种预测暴雨期二级河道排水对干流水质动态影响的方法，其特征在于，该方法包括以下步骤：
步骤(1)、以不同降雨重现期时支流的排放量作为设计变量、河道干流控制断面处的水质参数COD、DO、NH3-N和TP作为目标变量构建EFDC模型，构建EFDC模型的过程包括首先将计算区域离散为2604个网格，将离散后的网格区域输入到EFDC模型软件中，设置初始条件，从而构建起EFDC模型，利用构建的EFDC模型模拟这10组计算工况；
四种水质参数的计算公式如下：
KCOD＝KCD·exp[KTCOD(T-TRCOD)]
式中，COD表示化学需氧量浓度，KHCOD表示COD氧化所需的溶解氧半饱和常数，KCOD表示COD氧化速率，BFCOD表示沉积物与水体之间的COD交换通量，仅限应用水体底层，WCOD表示COD的外源载入量，KCD表示COD在TRCOD温度下的氧化速率，KTCOD表示温度对COD氧化速率的影响，TRCOD表示COD氧化的参考温度，DO表示单位体积中溶解氧的浓度，T表示温度，V表示单元格体积，t表示时间；
式中，AONT表示单位质量的氨氮硝化作用所消耗的溶解氧质量，AOCR表示呼吸作用中溶解氧与碳之比，Kr表示复氧系数，只应用于表层水体，DOS表示溶解氧的饱和浓度，SOD表示沉积物与水体之间的DO交换通量，WDO表示DO的外源载入量(gO2/day)，X表示水中的藻类，c、d、g分别表示蓝藻、绿藻和硅藻，Bx表示藻类生物量，KHCOD表示COD氧化所需的溶解氧半饱和常数，KHR表示溶解性有机碳在进行非自养呼吸时的速率，KHRx表示藻类群体在溶解有机碳的过程中，通过排泄产生的溶解氧半饱和常数，FCDX表示在无限溶解的氧气浓度条件下，藻类群体在进行自身的基础代谢时，代谢产物中溶解有机碳的比例，NH4表示氨氮浓度，Nit表示氨氮在进行硝化作用时的速率；
式中，FNIX表示藻类群体通过基础代谢产生出的无机氮的比例，FNIPX表示计算时间开始以前的营养物质氮产生为无机氮的比例，PNX表示藻类群体吸收氨氮的优先权，KNit表示硝化速率，BFNH4表示沉积物与水体之间的氨氮交换通量，仅限应用水体底层，WNH4表示氨氮的外源载入量，BMX表示藻类的基础代谢速率，ANCX表示藻类群体在水体中平均产生的氮与碳之比，DON表示有机碳以溶解态存在时的浓度；
式中，PO4p表示颗粒态无机磷的浓度，PO4d表示溶解态无机磷的浓度，FPIX藻类群体通过基础代谢产生出的无机磷的比例，FPIPX表示计算时间开始以前的营养物质磷产生为无机磷的比例，WSTSS表示悬浮颗粒物的沉降速度，BFPO4d表示仅限应用水体底层的沉积物与水体之间的磷酸盐交换通量，WPO4p表示颗粒态无机磷的外源载入量，WPO4d表示溶解态无机磷的外源载入量，DOP表示溶解有机磷的浓度，APCX表示藻类群体在水体中平均产生的磷与碳之比，PRX表示藻类被捕食的速率，ΔZ表示水体底层和水体表层之间的深度；
步骤(2)、训练并优化RBF神经网络，即由不同降雨重现期对应的离散化降雨量以及计算所得的河道控制断面处的水质参数值构成RBF神经网络的训练样本和测试样本，其中不同降雨重现期对应的离散化的降雨量作为输入变量，河道控制断面处的水质参数值作为输出变量；构建RBF神经网络，网络结构由输入层、隐含层和输出层组成；在训练网格结构过程中优化隐含层节点数和中心宽度Spread：首先优化隐含层节点数，设定最大隐含层节点数为240，从节点数160每4个节点数返回一次网络结构的均方误差MSE，在网络不过度训练前提下，返回MSE最小的节点数作为隐含层的优化节点数；隐含层节点数确定后优化中心宽度spread，设定最大网络中心宽度spread为1.5，网络中心宽度spread从0.5以0.1的步长返回一次网络结构的均方误差，返回MSE最小的宽度值作为网络的优化中心宽度，最后得到最优的RBF神经网络结构；
步骤(3)、采用优化RBF神经网络进行预测：随机选择暴雨重现期，由EFDC模型模拟得到河道干流控制断面处的四种水质参数值COD、DO、NH3-N和TP，并采用优化的RBF神经网络进行预测，获得四种水质参数的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811204766.6A CN109272171A (zh) | 2018-10-16 | 2018-10-16 | 一种预测暴雨期二级河道排水对干流水质动态影响的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811204766.6A CN109272171A (zh) | 2018-10-16 | 2018-10-16 | 一种预测暴雨期二级河道排水对干流水质动态影响的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109272171A true CN109272171A (zh) | 2019-01-25 |
Family
ID=65197376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811204766.6A Pending CN109272171A (zh) | 2018-10-16 | 2018-10-16 | 一种预测暴雨期二级河道排水对干流水质动态影响的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109272171A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110457737A (zh) * | 2019-06-20 | 2019-11-15 | 中国地质大学（武汉） | 一种基于神经网络对水污染源快速定位的方法 |
| CN111768046A (zh) * | 2020-07-04 | 2020-10-13 | 江苏工程职业技术学院 | 一种基于神经网络的水流速度预测方法、系统及电子设备 |
| CN113087030A (zh) * | 2021-03-02 | 2021-07-09 | 天津大学 | 一种水资源双循环反馈控制系统及方法 |
| CN114399103A (zh) * | 2022-01-06 | 2022-04-26 | 北京师范大学 | 一种基于cnn的陆水一体化河流水质时空连续预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103714432A (zh) * | 2013-12-30 | 2014-04-09 | 南京大学 | 一种通过构建生长模拟模型来预测沉水植物的生物量的方法 |
| CN105973207A (zh) * | 2016-05-05 | 2016-09-28 | 云南省环境科学研究院 | 大型浅水湖泊水华集聚水域的补水控藻方法 |
| CN106503326A (zh) * | 2016-10-18 | 2017-03-15 | 天津大学 | 一种确定多二级河道最大入干流量的逆向设计方法 |
| CN108615090A (zh) * | 2018-03-29 | 2018-10-02 | 北京工商大学 | 基于蒙特卡洛仿真的河湖水质预测及富营养化风险评估方法 |
| CN108647778A (zh) * | 2018-05-09 | 2018-10-12 | 天津大学 | 一种城市雨水系统排水口排水流量的动态预测方法 |
-
2018
- 2018-10-16 CN CN201811204766.6A patent/CN109272171A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103714432A (zh) * | 2013-12-30 | 2014-04-09 | 南京大学 | 一种通过构建生长模拟模型来预测沉水植物的生物量的方法 |
| CN105973207A (zh) * | 2016-05-05 | 2016-09-28 | 云南省环境科学研究院 | 大型浅水湖泊水华集聚水域的补水控藻方法 |
| CN106503326A (zh) * | 2016-10-18 | 2017-03-15 | 天津大学 | 一种确定多二级河道最大入干流量的逆向设计方法 |
| CN108615090A (zh) * | 2018-03-29 | 2018-10-02 | 北京工商大学 | 基于蒙特卡洛仿真的河湖水质预测及富营养化风险评估方法 |
| CN108647778A (zh) * | 2018-05-09 | 2018-10-12 | 天津大学 | 一种城市雨水系统排水口排水流量的动态预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈慧敏: "基于海河控制断面水质条件的二级河道排放优化研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110457737A (zh) * | 2019-06-20 | 2019-11-15 | 中国地质大学（武汉） | 一种基于神经网络对水污染源快速定位的方法 |
| CN111768046A (zh) * | 2020-07-04 | 2020-10-13 | 江苏工程职业技术学院 | 一种基于神经网络的水流速度预测方法、系统及电子设备 |
| CN111768046B (zh) * | 2020-07-04 | 2022-05-24 | 江苏工程职业技术学院 | 一种基于神经网络的水流速度预测方法、系统及电子设备 |
| CN113087030A (zh) * | 2021-03-02 | 2021-07-09 | 天津大学 | 一种水资源双循环反馈控制系统及方法 |
| CN114399103A (zh) * | 2022-01-06 | 2022-04-26 | 北京师范大学 | 一种基于cnn的陆水一体化河流水质时空连续预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109272171A (zh) | 一种预测暴雨期二级河道排水对干流水质动态影响的方法 | |
| CN109657418B (zh) | 一种基于mike21的湖泊水环境容量计算方法 | |
| CN108108911B (zh) | 基于水生态系统健康的大型湖泊分区水质目标制定方法 | |
| CN107563139A (zh) | 一种点源突发性水污染源事故溯源贡献程度计算方法 | |
| CN110516343A (zh) | 基于水功能区水质目标的湖库水环境容量精细化调控方法 | |
| CN107657912A (zh) | 一种基于Mike11的河流水环境容量确定方法 | |
| CN101858065B (zh) | 一种考虑污染胁迫的浅水湖泊生态需水量估算方法 | |
| He et al. | Development and application of a water pollution emergency response system for the Three Gorges Reservoir in the Yangtze River, China | |
| CN114117848B (zh) | 一种基于多模型耦合的流域水环境模拟预测的方法及装置 | |
| Hu | A review of the models for Lake Taihu and their application in lake environmental management | |
| CN112084671A (zh) | 城市时变增益降雨-径流过程模拟计算方法 | |
| CN115758886A (zh) | 基于雨洪管网模型与决策树算法的调蓄池优化布设方法 | |
| Chen et al. | Evaluation of the total maximum allocated load of dissolved inorganic nitrogen using a watershed–coastal ocean coupled model | |
| CN110728062A (zh) | 一种基于swmm的农村非点源污染模拟方法 | |
| CN111003882B (zh) | 一种人工沙滩多层结构生物水质净化系统及其建设方法 | |
| CN111159629B (zh) | 一种分层湖泊水库水体完全混合的碳排放量的计算方法 | |
| Xia et al. | Urban water system theory and its model development and application | |
| CN112651185A (zh) | 一种基于水量水质耦合模型的突发性水污染事件应对方法 | |
| CN111027813A (zh) | 海岸带现状生态环境评价及分析方法 | |
| Tkalich et al. | Hydrodynamics and eutrophication modelling for Singapore Straits | |
| CN107818220A (zh) | 基于生态系统动力学综合模型对海湾环境容量的估算方法 | |
| Anggara Kasih et al. | Numerical simulation of water quality response to nutrient loading and sediment resuspension in Mikawa Bay, central Japan: quantitative evaluation of the effects of nutrient‐reduction measures on algal blooms | |
| Falconer et al. | 14 Modelling Water Ouality Processes in Riverine Systems | |
| CN114399103A (zh) | 一种基于cnn的陆水一体化河流水质时空连续预测方法 | |
| Ren et al. | Numerical simulation of three-dimensional hydrodynamic characteristics and pollutant diffusion behavior by ROMS model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |
|
| RJ01 | Rejection of invention patent application after publication |