CN112418426A - 排污口污染物排放溯源方法、装置、计算设备及存储介质 - Google Patents

排污口污染物排放溯源方法、装置、计算设备及存储介质 Download PDF

Info

Publication number
CN112418426A
CN112418426A CN202011299889.XA CN202011299889A CN112418426A CN 112418426 A CN112418426 A CN 112418426A CN 202011299889 A CN202011299889 A CN 202011299889A CN 112418426 A CN112418426 A CN 112418426A
Authority
CN
China
Prior art keywords
water quality
population
pollution source
pollutant
concentration
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.)
Granted
Application number
CN202011299889.XA
Other languages
English (en)
Other versions
CN112418426B (zh
Inventor
李葛飞
苗春葆
师博颖
王文丁
陈焕盛
秦东明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
3Clear Technology Co Ltd
Original Assignee
3Clear Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 3Clear Technology Co Ltd filed Critical 3Clear Technology Co Ltd
Priority to CN202011299889.XA priority Critical patent/CN112418426B/zh
Publication of CN112418426A publication Critical patent/CN112418426A/zh
Application granted granted Critical
Publication of CN112418426B publication Critical patent/CN112418426B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • Y02A20/20—Controlling water pollution; Waste water treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Immunology (AREA)
  • Genetics & Genomics (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Physiology (AREA)
  • Biochemistry (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种排污口污染物排放溯源方法、装置、计算设备及存储介质。该方法包括基于水动力与水质耦合方程构建水质模型；利用水质模型构建污染源‑水质响应情景库；获取水体水质监测数据，监测到污染物浓度超标后，启动污染物排放溯源分析；根据水文情势和污染物特征，从污染源‑水质响应情景库中筛选出污染源，构建目标数据库；利用目标数据库构建种群数据库，种群个体包括需识别的污染源参数，根据水质模型对种群内各污染源进行计算，通过适应度函数选取最符合监测浓度的种群。利用水质模型与遗传算法耦合的方法，对影响断面水质的排污口和污染源进行溯源查找，锁定对断面水质有影响的排污口，有效地解决了实际问题断面的溯源和环境问题。

Description

排污口污染物排放溯源方法、装置、计算设备及存储介质
技术领域
本发明涉及水环境技术领域，更为具体来说，本发明涉及一种排污口污染物排放溯源方法、装置、计算设备及存储介质。
背景技术
流域水污染事件是造成水环境污染、影响水体正常功能、损害正常生产生活的水环境突发事件。在水库、湖泊、江河等水体中，水污染事件突发大部分是因为陆地上的污染物排入水体造成的，而排污口是各类陆地污染物进入水体的最后关口，开展对排污口的源头追踪是从源头上斩断污染物排放、对排污企业进行追责的重要内容。近年来国内外各种公司纷纷开展了排污口追踪溯源的研究，并取得了一些成果，大致可分为以下几类：
第一种是通过在线监测的监测设备进行溯源，这种方式包括：1、在排污口处安装固定监测设备进行污染物排放监测；2、利用移动式监测设备监测河道里污染物浓度，沿水体查找污染源；包括监测船，利用无人机和无人船进行水体污染源溯源；这些污染溯源方式方法简单直接、高效，可以快速查找水体污染源排放位置，但缺点是成本高，不便于推广，同时地域受限，适用于河面比较宽广水域。
第二种是利用水动力与水环境数值模型反演的方法进行排污口溯源，基于水动力与水质耦合的控制方程，对污染源项进行反演计算，由于微分方程具有高度不适定性和非线性，这部分研究很多，但是受限于监测位置污染物浓度误差，河流水体污染物扩散系数等问题，溯源精度有待提高，该方法优点是适用性较强，溯源范围广，后期运维成本小，缺点是目前河道溯源精度有待提高。
第三种是利用激光拉曼在线分析光谱法，分析污染源排放的化学物质，根据不同污染源企业排放的污染物化学指纹特性建立污染物化学指纹数据库，通过在监测点比对化学指纹及超标浓度，确定污染源排放口或者企业，但这种方法的适用范围受限，首先若上游的涉污企业较多，则要进行污染溯源的工作量也较大，难以及时完成污染源排查与溯源工作；并且拉曼光谱受限于仅能检查触发荧光的物质，若存在水溶性不好的污染物或可能导致荧光淬灭的污水，则荧光光谱分析结果的准确性较差。
因此，亟需一种能够克服以上三种方法的缺点的排污口污染物排放溯源方案。
发明内容
本发明创新地提供了一种排污口污染物排放溯源方法、装置、计算设备及存储介质，利用水动力水质模型与遗传算法耦合的方法，对影响断面水质的排污口和污染源进行溯源查找，锁定对断面水质有影响的排污口，有效地用于实际问题断面的溯源和环境问题的解决。
为实现上述的技术目的，一方面，本发明公开了一种排污口污染物排放溯源方法。所述排污口污染物排放溯源方法包括：基于水动力与水质耦合方程构建目标流域的水动力与水质模型；利用所述水动力与水质模型构建污染源-水质响应情景库；获取目标流域内的水体水质监测数据，监测到污染物浓度超标之后，启动污染物排放溯源分析；根据水文情势和污染物特征，从所述污染源-水质响应情景库中筛选出相关污染源，构建污染物溯源目标数据库；利用所述目标数据库的信息构建种群数据库，种群个体包括需要识别的污染源参数，根据所述水动力与水质模型对种群内各个污染源进行计算，通过适应度函数选取最符合监测浓度的种群。
进一步地，对于所述排污口污染物排放溯源方法，所述基于水动力与水质耦合方程构建目标流域的水动力与水质模型包括：利用河网地形，绘制目标流域的网格；根据目标排污口的论证材料设置模型边界条件；验证目标排污口达标排放时污染物的扩散情况，根据验证结果调整模型参数，率定成功后得到目标流域的水动力与水质模型。
进一步地，对于所述排污口污染物排放溯源方法，所述利用所述水动力与水质模型构建污染源-水质响应情景库包括：利用水动力与水质模型，模拟在不同水文情景下每个污染源不同排放浓度、不同排放时长对水体引起的污染，其污染物对工程水域造成的污染状况，建立工程区域内的污染源-水质响应情景库，其中，污染源-水质响应情景库包括目标流域的设定范围内的污染源数据库和目标流域的水文情景数据库。
进一步地，对于所述排污口污染物排放溯源方法，利用所述目标数据库的信息构建种群数据库，种群个体包括需要识别的污染源参数，根据所述水动力与水质模型对种群内各个污染源进行计算，通过适应度函数选取最符合监测浓度的种群，包括：利用所述目标数据库生成种群个体，所述种群个体包括需要识别的污染源参数，所述需要识别的污染源参数包括排放位置、排放时间、以及排放浓度；初始化初始种群，对初始种群按照预先设定的各个参数的取值范围随机生成数值，并将所生成的数值存储在各个种群个体中相应参数的位置；种群初始化完成后，利用所述水动力与水质模型对种群内各个种群个体进行计算，计算结果即为各个监测点位置相应的污染物理论浓度，通过适应度函数对比所述理论浓度和实际监测浓度，选取最符合污染物超标排放场景的种群。
进一步地，对于所述排污口污染物排放溯源方法，其特征在于，在所述选取最符合污染物超标排放场景的种群之后，还包括：步骤a，对种群中的种群个体进行交叉和变异操作以产生新一代种群，利用所述水动力与水质模型对新一代种群中各个种群个体进行计算，计算结果即为每个监测点位置相应的污染物理论浓度；步骤b，通过适应度函数对比理论浓度和实际监测浓度，当理论浓度和实际监测浓度之差大于预设的误差阈值时，返回步骤a，如此循环直到找到使理论浓度和实际监测浓度之差小于或等于预设的误差阈值的种群作为最优的种群。
为实现上述的技术目的，另一方面，本发明公开了一种排污口污染物排放溯源装置。所述排污口污染物排放溯源装置包括：水动力与水质模型构建单元，用于基于水动力与水质耦合方程构建目标流域的水动力与水质模型；污染源-水质响应情景库构建单元，用于利用所述水动力与水质模型构建污染源-水质响应情景库；水体水质监测单元，用于获取目标流域内的水体水质监测数据，监测到污染物浓度超标之后，启动污染物排放溯源分析；污染物溯源目标数据库构建单元，用于根据水文情势和污染物特征，从所述污染源-水质响应情景库中筛选出相关污染源，构建污染物溯源目标数据库；遗传算法与水质模型耦合计算单元，用于利用所述目标数据库的信息构建种群数据库，种群个体包括需要识别的污染源参数，根据所述水动力与水质模型对种群内各个污染源进行计算，通过适应度函数选取最符合监测浓度的种群。
进一步地，对于所述排污口污染物排放溯源装置，所述水动力与水质模型构建单元包括：河道网格绘制模块，用于利用河网地形，绘制河道网格；模型边界条件设置模块，用于根据目标排污口的论证材料设置模型边界条件；模型参数调整模块，用于验证目标排污口达标排放时河道污染物的扩散情况，根据验证结果调整模型参数，率定成功后得到目标流域的水动力与水质模型。
进一步地，对于所述排污口污染物排放溯源装置，所述污染源-水质响应情景库构建单元进一步用于利用水动力与水质模型，模拟在不同水文情景下各个污染源不同排放浓度和不同排放时长对水体引起的污染，其污染物对工程水域造成的污染状况，建立工程区域内的污染源-水质响应情景库，其中，污染源-水质响应情景库包括目标流域的设定范围内的污染源数据库和目标流域的水文情景数据库。
进一步地，对于所述排污口污染物排放溯源装置，所述遗传算法与水质模型耦合计算单元包括：种群个体生成模块，用于利用所述目标数据库生成种群个体，所述种群个体包括需要识别的污染源参数，所述需要识别的污染源参数包括排放位置、排放时间、以及排放浓度；初始化模块，用于初始化初始种群，对初始种群按照预先设定的各个参数的取值范围随机生成数值，并将所生成的数值存储在各个种群个体中相应参数的位置；种群选取模块，用于在种群初始化完成后，利用所述水动力与水质模型对种群内各个种群个体进行计算，计算结果即为每个监测点位置相应的污染物理论浓度，通过适应度函数对比所述理论浓度和实际监测浓度，选取最符合污染物超标排放场景的种群作为最优种群。
进一步地，对于所述排污口污染物排放溯源装置，所述种群选取模块还用于对种群中的种群个体进行交叉和变异操作以产生新一代种群，利用所述水动力与水质模型对新一代种群中各个种群个体进行计算，计算结果即为每个监测点位置相应的污染物理论浓度；通过适应度函数对比所述理论浓度和实际监测浓度，如果理论浓度和实际监测浓度之差小于或等于预设的误差阈值，则选取当前种群作为最优种群；如果理论浓度和实际监测浓度之差大于预设的误差阈值，则重复利用所述水动力与水质模型对种群内各个种群个体进行计算以及后续各步骤，直到找到最优的种群。
为实现上述的技术目的，又一方面，本发明公开了一种计算设备。所述计算设备包括：一个或多个处理器，以及与所述一个或多个处理器耦合的存储器，所述存储器存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行上述方法。
为实现上述的技术目的，再一方面，本发明公开了一种机器可读存储介质。所述机器可读存储介质存储有可执行指令，所述指令当被执行时使得所述机器执行上述方法。
本发明的有益效果为：
本发明实施例的排污口污染物排放溯源方法及装置基于利用水动力水质模型正向计算构建污染源-水质响应情景库，利用污染源-水质响应情景库进行超标污染源的初步筛查，同时利用遗传算法和水动力水质模型耦合的方法反向查找污染源，从而进行水体的污染源溯源工作。其中，排污口污染物排放溯源方法科学、适用范围广、操作性强，能够弥补现有方法操作复杂、运算时长长等问题。
本发明实施例的排污口污染物排放溯源方法及装置将排污口、污染源、断面的水质监测和模型模拟结合起来考虑，利用水动力水质模型与遗传算法耦合的方法，对影响断面水质的排污口和污染源进行溯源查找，锁定对断面水质有影响的排污口，为河湖水体的水环境管理提供支撑，有效地用于实际问题断面的溯源和环境问题的解决。
附图说明
图1为本发明一个实施例提供的排污口污染物排放溯源方法的流程图；
图2为本发明一个示例提供的种群个体组成的示意图；
图3为本发明一个示例提供的在选取最符合污染物超标排放场景的种群的过程中没有得到最优种群的情况下的处理方法的流程图；
图4为本发明另一个实施例提供的排污口污染物排放溯源装置的结构示意图；
图5为根据本发明实施例的用于排污口污染物排放溯源处理的计算设备的结构框图。
具体实施方式
下面结合说明书附图对本发明提供的排污口污染物排放溯源方法进行详细的解释和说明。
本发明实施例提供的排污口污染物排放溯源方法是一种基于实时监测和污染溯源的分析方法，建立起一套解决排污口排放超标溯源的解决机制，实现对河道水质的有效管控。主要场景可以为某一段河道，多个点源排放口，其中位置已知，排放时间、排放浓度、以及排放时长未知，于是对整段河道进行溯源分析。
图1为本发明一个实施例提供的排污口污染物排放溯源方法的流程图。
如图1所示，在步骤S110，基于水动力与水质耦合方程构建目标流域的水动力与水质模型。
步骤S110可以包括如下过程：利用河网地形，绘制河道网格；根据河道的目标排污口的论证材料设置模型边界条件；验证目标排污口达标排放时河道污染物的扩散情况，根据验证结果调整模型参数，率定成功后得到河道的目标流域的水动力与水质模型。其中，率定指通过计算结果与实际的监测值进行比对，对模型的参数进行校准测定的过程。
在步骤S120，利用水动力与水质模型构建污染源-水质响应情景库。
步骤S120可以包括如下过程：利用步骤S110中得到的水动力与水质模型，模拟在不同水文情景下每个污染源不同排放浓度、不同排放时长对水体引起的污染，其污染物对目标流域造成的污染状况，建立目标流域内的污染源-水质响应情景库，其中，污染源-水质响应情景库包括目标流域的设定范围内的污染源数据库和目标流域的水文情景数据库。
下面，对污染源-水质响应情景库进行举例说明。假设有一段河道只有一个排污口而且这个污染源排污口会向受纳水体排放含有磷元素废水，当废水混入河流并经一段河水消解后在国家监控水质断面监测河流含磷浓度是否达标，正常情况下排污口排出废水含磷浓度在一定标准下到达国控断面后是达标的，但是磷元素超标排放和河流枯水期时有可能断面水质超标，因此确定影响监控断面水质含磷浓度达标的因素包括：河流流量及污染物排放浓度两项因子，因此，在一定水文条件下，排污口不同磷元素排放浓度下对水体造成的水质变化进行模拟，输出断面水质变化过程的不同的模拟结果，改变水文条件再重复上面内容。除了模拟总磷以外，还可以模拟总氮、氨氮等污染源，针对不同的污染物都可以进行模拟计算，最终针对该排口，建立模拟在不同水文条件下不同排放污染因子不同浓度下与水质断面达标情况响应的情景内容，以此类推，可以建立其他排口的情景内容，最终形成情景响应库。
在步骤S130，获取河道的目标流域内的水体水质监测数据，监测到污染物浓度超标之后，启动污染物排放溯源分析。
步骤S130可以包括如下过程：利用监测设备监测流域内的河道水位、流量、降雨，在下游国控水质断面以上多点监测河道污染物浓度变化情况，实时汇集水体水质监测数据，为模型模拟计算准备数据。水体监测点污染物浓度超标后，启动污染物排放溯源分析。其中，国控断面是国家监控的水体水质监测断面，相对地，还有省控水质断面、市控水质断面。
在步骤S140，根据水文情势和污染物特征，从污染源-水质响应情景库中筛选出相关污染源，找出满足筛选目标的可能污染源，构建污染物溯源目标数据库。
满足筛选目标的可能污染源，通过国控断面某一时间段的污染因子浓度变化过程与情景库中断面的污染因子浓度变化过程进行匹配。匹配的方法为计算每一个时刻上实测污染浓度观测数值与情景库中所有的排污口排放后在断面的模拟浓度做比较，利用纳什效率系数来筛选可能的污染源，公式如下：
Figure RE-GDA0002894731350000081
式中，Qo指观测值，Qm指模拟值，Qt表示第t时刻的某个值，
Figure RE-GDA0002894731350000082
表示观测值的总平均。
E取值为负无穷至1。E接近1，表示模式质量好，模型可信度高；E 接近0，表示模拟结果接近观测值的平均值水平，即总体结果可信，但过程模拟误差大；E远远小于0，则模型是不可信的。
筛选E值大于0的污染源排放作为可能的污染源，对可能的污染源存入目标数据库，形成目标数据库。
在步骤S150，利用目标数据库的信息构建种群数据库，种群个体包括需要识别的污染源参数，根据水动力与水质模型对种群内各个污染源进行计算，通过适应度函数选取最符合监测浓度的种群。
利用目标数据库生成种群个体，种群个体包括需要识别的污染源参数，污染源参数可以包括排放位置、排放时间、排放浓度、以及排放污染物质。
可以在这里定义一个n×4的矩阵为种群，每个种群个体包含四个参数：X、M、T、S，分别代表排放位置、排放浓度、排放时间、排放物质。种群个体组成可以如图2所示。
可以以目标数据库各个污染源的各个污染源参数比如排放时间为基准，按照预先设定的每个参数的取值范围随机生成数值，并将其存储在每个个体中相应参数的位置。在种群初始化完成后，根据水质模型对种群内每一个个体进行筛选评估计算，计算结果即为每个国控断面监测点位置相应的污染物“理论”浓度。然后，根据预先设定的判断标准对比“理论”计算浓度Cth和实际监测浓度Cmes，即通过适应度函数选取最优个体。适应度函数f的定义为对每个个体I在所有监测点和监测时间的理论浓度与国控断面监测浓度的相对误差平方和最小，即小于或等于预设的误差阈值，其表达式如下：
Figure RE-GDA0002894731350000091
式中，Ns为污染源个数，Nr为监测点个数，Nt为监测时间次数，I是种群个体，
Figure RE-GDA0002894731350000092
是污染源k在j时刻、i监测点产生的理论污染物浓度值，其中污染源k的排污特征为(Xs、Ss、Ms、Ts)。
步骤S150可以包括如下过程：利用目标数据库生成种群个体，种群个体包括需要识别的污染源参数，污染源参数包括排放位置、排放时间、以及排放浓度；初始化初始种群，对各个种群个体按照预先设定的各个参数的取值范围，以目标数据库各个污染源的各个污染源参数为基准，随机生成数值，并将所生成的数值存储在各个种群个体中相应参数的位置；种群初始化完成后，利用水动力与水质模型对种群内各个种群个体进行评估计算，计算结果即为各个监测点位置相应的污染物理论浓度，根据预先设定的判断标准对比理论浓度和实际监测浓度，即通过适应度函数选取最符合污染物超标排放场景的种群作为最优种群。其中，预先设定的判断标准可以为理论浓度和实际监测浓度之差小于或等于预设的误差阈值。
水动力与水质模拟时，需要构建工程领域水动力与水质模型，水动力与水质的模型模拟，采用二维水动力水质模型构建水域的模型库，二维水动力水质模型的基本方程包括连续方程、动量方程和污染物迁移扩散方程，分别如下：
(1)连续方程
Figure RE-GDA0002894731350000101
(2)动量方程
Figure RE-GDA0002894731350000102
Figure RE-GDA0002894731350000103
(3)污染物扩散迁移方程
Figure RE-GDA0002894731350000104
式中，h为微小水体的水深，u为x方向的流速，v为y方向的流速,t为时间，g为重力加速度，ρ为水体密度，c为谢才系数，f为柯式力常数，
Figure RE-GDA0002894731350000105
Figure RE-GDA0002894731350000106
为纬度，Ω为地转角速度，约为22π/(24×3600)弧度每秒，ξx、ξy分别为x、y方向上的涡动黏滞系数，
Figure RE-GDA0002894731350000107
τx、τy分别为x、 y方向上的风切应力，其表达形式为：
Figure RE-GDA0002894731350000108
Figure RE-GDA0002894731350000109
Ca为风阻力系数，ρa为空气密度，Wx、Wy分别为 x、y方向上的风速，Ex为x方向的分子扩散系数、紊动扩散系数和离散系数之和，Ey为y方向的分子扩散系数、紊动扩散系数和离散系数之和。
在选取最符合污染物超标排放场景的种群的过程中如果得到最优的种群，则步骤S150结束；如果没有得到最优的种群，则如图3所示，步骤S150还可以包括：步骤a，对种群中的种群个体进行交叉和变异操作以产生新一代种群，比如某个种群个体的前两列数据保留，第三和第四列数据替换为另一种群个体相应部分的数值，从而生成新的种群个体，此为交叉操作；利用随机产生的数据替换某个种群个体中的某个参数，此为变异操作；利用水动力与水质模型对新一代种群中各个种群个体进行计算，计算结果即为每个监测点位置相应的污染物理论浓度；步骤b，通过适应度函数对比理论浓度和实际监测浓度，如果理论浓度和实际监测浓度之差大于预设的误差阈值，则返回步骤a，如此循环直到找到使理论浓度和实际监测浓度之差小于或等于预设的误差阈值的种群作为最优的种群，即最符合污染物超标排放场景的种群。
图4为本发明另一个实施例提供的排污口污染物排放溯源装置的结构示意图。如图4所示，该实施例提供的排污口污染物排放溯源装置300 包括水动力与水质模型构建单元310、污染源-水质响应情景库构建单元 320、水体水质监测单元330、污染物溯源目标数据库构建单元340、以及遗传算法与水质模型耦合计算单元350。
水动力与水质模型构建单元310用于基于水动力与水质耦合方程构建目标流域的水动力与水质模型。水动力与水质模型构建单元310的操作可以参照上面参考图1描述的步骤S110的操作。进一步来说，水动力与水质模型构建单元310可以包括河道网格绘制模块、模型边界条件设置模块、以及模型参数调整模块。其中，河道网格绘制模块用于利用河网地形，绘制河道网格。模型边界条件设置模块用于根据目标排污口的论证材料设置模型边界条件。模型参数调整模块用于验证目标排污口达标排放时河道污染物的扩散情况，根据验证结果调整模型参数，率定成功后得到目标流域的水动力与水质模型。
污染源-水质响应情景库构建单元320用于利用所述水动力与水质模型构建污染源-水质响应情景库。污染源-水质响应情景库构建单元320的操作可以参照上面参考图1描述的步骤S120的操作。作为一种可选实施方式，污染源-水质响应情景库构建单元320进一步用于利用水动力与水质模型，模拟在不同水文情景下各个污染源不同排放浓度和不同排放时长对水体引起的污染，其污染物对工程水域造成的污染状况，建立工程区域内的污染源-水质响应情景库，其中，污染源-水质响应情景库包括目标流域的设定范围内的污染源数据库和目标流域的水文情景数据库。
水体水质监测单元330用于获取河道的目标流域内的水体水质监测数据，监测到污染物浓度超标之后，启动污染物排放溯源分析。水体水质监测单元330的操作可以参照上面参考图1描述的步骤S130的操作。
污染物溯源目标数据库构建单元340用于根据水文情势和污染物特征，从所述污染源-水质响应情景库中筛选出相关污染源，构建污染物溯源目标数据库。污染物溯源目标数据库构建单元340的操作可以参照上面参考图1描述的步骤S140的操作。
遗传算法与水质模型耦合计算单元350用于利用所述目标数据库的信息构建种群数据库，种群个体包括需要识别的污染源参数，根据水动力与水质模型对种群内各个污染源进行计算，通过适应度函数选取最符合监测浓度的种群。遗传算法与水质模型耦合计算单元350的操作可以参照上面参考图1描述的步骤S150的操作。进一步来说，遗传算法与水质模型耦合计算单元350可以包括种群个体生成模块、初始化模块、以及种群选取模块。其中，种群个体生成模块用于利用目标数据库生成种群个体，种群个体包括需要识别的污染源参数，需要识别的污染源参数包括排放位置、排放时间、排放浓度、以及污染物种类。初始化模块用于初始化初始种群，对初始种群按照预先设定的各个参数的取值范围随机生成数值，并将所生成的数值存储在各个种群个体中相应参数的位置。种群选取模块用于在种群初始化完成后，利用水动力与水质模型对种群内各个种群个体进行计算，计算结果即为每个监测点位置相应的污染物理论浓度，通过适应度函数对比理论浓度和实际监测浓度，选取最符合污染物超标排放场景的种群作为最优种群。作为一种可选实施方式，种群选取模块还用于对种群中的种群个体进行交叉和变异操作以产生新一代种群，利用水动力与水质模型对新一代种群中各个种群个体进行计算，计算结果即为每个监测点位置相应的污染物理论浓度；通过适应度函数对比所述理论浓度和实际监测浓度，如果理论浓度和实际监测浓度之差小于或等于预设的误差阈值，则选取当前种群作为最优种群；如果理论浓度和实际监测浓度之差大于预设的误差阈值，则重复利用所述水动力与水质模型对种群内各个种群个体进行计算以及后续各步骤，直到找到最优的种群。
图5为根据本发明实施例的用于排污口污染物排放溯源处理的计算设备的结构框图。
如图5所示，计算设备400可以包括至少一个处理器410、存储器 420、内存430、通信接口440以及内部总线450，并且至少一个处理器 410、存储器420、内存430和通信接口440经由总线450连接在一起。该至少一个处理器410执行在计算机可读存储介质(即，存储器420)中存储或编码的至少一个计算机可读指令(即，上述以软件形式实现的元素)。
在一个实施例中，在存储器420中存储有计算机可执行指令，其当执行时使得至少一个处理器410：基于水动力与水质耦合方程构建目标流域的水动力与水质模型；利用水动力与水质模型构建污染源-水质响应情景库；获取目标流域内的水体水质监测数据，监测到污染物浓度超标之后，启动污染物排放溯源分析；根据水文情势和污染物特征，从污染源-水质响应情景库中筛选出相关污染源，构建污染物溯源目标数据库；利用目标数据库的信息构建种群数据库，种群个体包括需要识别的污染源参数，根据水动力与水质模型对种群内各个污染源进行计算，通过适应度函数选取最符合监测浓度的种群。
应该理解的是，在存储器420中存储的计算机可执行指令当执行时使得至少一个处理器410进行本公开的各个实施例中以上结合图1-4描述的各种操作和功能。
在本公开中，计算设备400可以包括但不限于：个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动计算设备、智能电话、平板计算机、蜂窝电话、个人数字助理(PDA)、手持装置、消息收发设备、可佩戴计算设备、消费电子设备等等。
根据一个实施例，提供了一种例如非暂时性机器可读介质的程序产品。非暂时性机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本公开的各个实施例中以上结合图 1-4描述的各种操作和功能。
具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、 CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。
以上所述仅为本发明的实施例，并非因此限制本发明的权利要求保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明权利要求的保护范围内。

Claims (12)

1.一种排污口污染物排放溯源方法，其特征在于，包括：
基于水动力与水质耦合方程构建目标流域的水动力与水质模型；
利用所述水动力与水质模型构建污染源-水质响应情景库；
获取目标流域内的水体水质监测数据，监测到污染物浓度超标之后，启动污染物排放溯源分析；
根据水文情势和污染物特征，从所述污染源-水质响应情景库中筛选出相关污染源，构建污染物溯源目标数据库；
利用所述目标数据库的信息构建种群数据库，种群个体包括需要识别的污染源参数，根据所述水动力与水质模型对种群内各个污染源进行计算，通过适应度函数选取最符合监测浓度的种群。
2.根据权利要求1所述的排污口污染物排放溯源方法，其特征在于，所述基于水动力与水质耦合方程构建目标流域的水动力与水质模型包括：
利用河网地形，绘制目标流域的网格；
根据目标排污口的论证材料设置模型边界条件；
验证目标排污口达标排放时污染物的扩散情况，根据验证结果调整模型参数，率定成功后得到目标流域的水动力与水质模型。
3.根据权利要求1所述的排污口污染物排放溯源方法，其特征在于，所述利用所述水动力与水质模型构建污染源-水质响应情景库包括：
利用水动力与水质模型，模拟在不同水文情景下每个污染源不同排放浓度、不同排放时长对水体引起的污染，其污染物对工程水域造成的污染状况，建立工程区域内的污染源-水质响应情景库，其中，污染源-水质响应情景库包括目标流域的设定范围内的污染源数据库和目标流域的水文情景数据库。
4.根据权利要求1所述的排污口污染物排放溯源方法，其特征在于，利用所述目标数据库的信息构建种群数据库，种群个体包括需要识别的污染源参数，根据所述水动力与水质模型对种群内各个污染源进行计算，通过适应度函数选取最符合监测浓度的种群，包括：
利用所述目标数据库生成种群个体，所述种群个体包括需要识别的污染源参数，所述需要识别的污染源参数包括排放位置、排放时间、以及排放浓度；
初始化初始种群，对初始种群按照预先设定的各个参数的取值范围随机生成数值，并将所生成的数值存储在各个种群个体中相应参数的位置；
种群初始化完成后，利用所述水动力与水质模型对种群内各个种群个体进行计算，计算结果即为各个监测点位置相应的污染物理论浓度，通过适应度函数对比所述理论浓度和实际监测浓度，选取最符合污染物超标排放场景的种群。
5.根据权利要求4所述的排污口污染物排放溯源方法，其特征在于，在所述选取最符合污染物超标排放场景的种群之后，还包括：
步骤a，对种群中的种群个体进行交叉和变异操作以产生新一代种群，利用所述水动力与水质模型对新一代种群中各个种群个体进行计算，计算结果即为每个监测点位置相应的污染物理论浓度；
步骤b，通过适应度函数对比理论浓度和实际监测浓度，当理论浓度和实际监测浓度之差大于预设的误差阈值时，返回步骤a，如此循环直到找到使理论浓度和实际监测浓度之差小于或等于预设的误差阈值的种群作为最优的种群。
6.一种排污口污染物排放溯源装置，其特征在于，包括：
水动力与水质模型构建单元，用于基于水动力与水质耦合方程构建目标流域的水动力与水质模型；
污染源-水质响应情景库构建单元，用于利用所述水动力与水质模型构建污染源-水质响应情景库；
水体水质监测单元，用于获取目标流域内的水体水质监测数据，监测到污染物浓度超标之后，启动污染物排放溯源分析；
污染物溯源目标数据库构建单元，用于根据水文情势和污染物特征，从所述污染源-水质响应情景库中筛选出相关污染源，构建污染物溯源目标数据库；
遗传算法与水质模型耦合计算单元，用于利用所述目标数据库的信息构建种群数据库，种群个体包括需要识别的污染源参数，根据所述水动力与水质模型对种群内各个污染源进行计算，通过适应度函数选取最符合监测浓度的种群。
7.根据权利要求6所述的排污口污染物排放溯源装置，其特征在于，所述水动力与水质模型构建单元包括：
河道网格绘制模块，用于利用河网地形，绘制河道网格；
模型边界条件设置模块，用于根据目标排污口的论证材料设置模型边界条件；
模型参数调整模块，用于验证目标排污口达标排放时河道污染物的扩散情况，根据验证结果调整模型参数，率定成功后得到目标流域的水动力与水质模型。
8.根据权利要求6所述的排污口污染物排放溯源装置，其特征在于，所述污染源-水质响应情景库构建单元进一步用于利用水动力与水质模型，模拟在不同水文情景下各个污染源不同排放浓度和不同排放时长对水体引起的污染，其污染物对工程水域造成的污染状况，建立工程区域内的污染源-水质响应情景库，其中，污染源-水质响应情景库包括目标流域的设定范围内的污染源数据库和目标流域的水文情景数据库。
9.根据权利要求6所述的排污口污染物排放溯源装置，其特征在于，所述遗传算法与水质模型耦合计算单元包括：
种群个体生成模块，用于利用所述目标数据库生成种群个体，所述种群个体包括需要识别的污染源参数，所述需要识别的污染源参数包括排放位置、排放时间、以及排放浓度；
初始化模块，用于初始化初始种群，对初始种群按照预先设定的各个参数的取值范围随机生成数值，并将所生成的数值存储在各个种群个体中相应参数的位置；
种群选取模块，用于在种群初始化完成后，利用所述水动力与水质模型对种群内各个种群个体进行计算，计算结果即为每个监测点位置相应的污染物理论浓度，通过适应度函数对比所述理论浓度和实际监测浓度，选取最符合污染物超标排放场景的种群作为最优种群。
10.根据权利要求9所述的排污口污染物排放溯源装置，其特征在于，所述种群选取模块还用于对种群中的种群个体进行交叉和变异操作以产生新一代种群，利用所述水动力与水质模型对新一代种群中各个种群个体进行计算，计算结果即为每个监测点位置相应的污染物理论浓度；通过适应度函数对比所述理论浓度和实际监测浓度，如果理论浓度和实际监测浓度之差小于或等于预设的误差阈值，则选取当前种群作为最优种群；如果理论浓度和实际监测浓度之差大于预设的误差阈值，则重复利用所述水动力与水质模型对种群内各个种群个体进行计算以及后续各步骤，直到找到最优的种群。
11.一种计算设备，其特征在于，包括：一个或多个处理器，以及与所述一个或多个处理器耦合的存储器，所述存储器存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1到5中任一项所述的方法。
12.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1到5中任一项所述的方法。
CN202011299889.XA 2020-11-19 2020-11-19 排污口污染物排放溯源方法、装置、计算设备及存储介质 Active CN112418426B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011299889.XA CN112418426B (zh) 2020-11-19 2020-11-19 排污口污染物排放溯源方法、装置、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011299889.XA CN112418426B (zh) 2020-11-19 2020-11-19 排污口污染物排放溯源方法、装置、计算设备及存储介质

Publications (2)

Publication Number Publication Date
CN112418426A true CN112418426A (zh) 2021-02-26
CN112418426B CN112418426B (zh) 2021-11-05

Family

ID=74773502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011299889.XA Active CN112418426B (zh) 2020-11-19 2020-11-19 排污口污染物排放溯源方法、装置、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN112418426B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034013A (zh) * 2021-03-31 2021-06-25 深圳市宇驰检测技术股份有限公司 污染溯源方法、装置、电子设备及存储介质
CN113030416A (zh) * 2021-03-25 2021-06-25 北京市环境保护科学研究院 一种水源地污染源溯源方法、装置及电子设备
CN113777261A (zh) * 2021-09-17 2021-12-10 神彩科技股份有限公司 一种水污染的溯源方法、装置、电子设备及存储介质
CN114324231A (zh) * 2021-12-24 2022-04-12 安徽新宇环保科技股份有限公司 一种河道巡测全光谱水质数据分析方法
CN114660255A (zh) * 2022-04-06 2022-06-24 山东中节能天融环保技术有限公司 一种应用微站污染源溯源分析的方法
CN115495475A (zh) * 2022-11-14 2022-12-20 张家港市东大工业技术研究院 一种湖泊水污染治理方法及系统
CN115544919A (zh) * 2022-11-24 2022-12-30 清华大学 一种气流体污染物排放源的溯源方法及装置
CN116008495A (zh) * 2022-12-28 2023-04-25 廊坊卓筑建筑工程有限公司 一种用于地表水的水体数据采集与分析系统及方法
CN116629034A (zh) * 2023-07-24 2023-08-22 长江三峡集团实业发展(北京)有限公司 一种排水管网污染物溯源方法、装置、计算机设备及介质
CN117113027A (zh) * 2023-08-22 2023-11-24 航天科工智慧产业发展有限公司 一种基于水污染的污染源溯源方法及系统
CN117633723A (zh) * 2024-01-26 2024-03-01 四川轻化工大学 基于物联网的环境监测溯源分析方法、系统、终端及介质
CN117633723B (zh) * 2024-01-26 2024-05-10 四川轻化工大学 基于物联网的环境监测溯源分析方法、系统、终端及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228007A (zh) * 2016-07-19 2016-12-14 武汉大学 突发事件污染源追溯方法
CN106250666A (zh) * 2016-06-22 2016-12-21 中国水利水电科学研究院 一种灌溉系统发达区湖泊氮磷污染负荷模拟方法
CN107341341A (zh) * 2017-06-08 2017-11-10 河海大学 一种河口点源突发性水污染事件溯源方法
CN108153978A (zh) * 2017-12-26 2018-06-12 武汉大学 一种基于水动力水质模型的污染源普查结果达标评估方法
CN108535418A (zh) * 2018-04-12 2018-09-14 盐城工学院 一种污染物溯源方法、装置、监控终端及存储介质
CN110135080A (zh) * 2019-05-17 2019-08-16 中科三清科技有限公司 水污染的模拟方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106250666A (zh) * 2016-06-22 2016-12-21 中国水利水电科学研究院 一种灌溉系统发达区湖泊氮磷污染负荷模拟方法
CN106228007A (zh) * 2016-07-19 2016-12-14 武汉大学 突发事件污染源追溯方法
CN107341341A (zh) * 2017-06-08 2017-11-10 河海大学 一种河口点源突发性水污染事件溯源方法
CN108153978A (zh) * 2017-12-26 2018-06-12 武汉大学 一种基于水动力水质模型的污染源普查结果达标评估方法
CN108535418A (zh) * 2018-04-12 2018-09-14 盐城工学院 一种污染物溯源方法、装置、监控终端及存储介质
CN110135080A (zh) * 2019-05-17 2019-08-16 中科三清科技有限公司 水污染的模拟方法及装置

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113030416A (zh) * 2021-03-25 2021-06-25 北京市环境保护科学研究院 一种水源地污染源溯源方法、装置及电子设备
CN113034013A (zh) * 2021-03-31 2021-06-25 深圳市宇驰检测技术股份有限公司 污染溯源方法、装置、电子设备及存储介质
CN113777261A (zh) * 2021-09-17 2021-12-10 神彩科技股份有限公司 一种水污染的溯源方法、装置、电子设备及存储介质
CN113777261B (zh) * 2021-09-17 2024-04-26 神彩科技股份有限公司 一种水污染的溯源方法、装置、电子设备及存储介质
CN114324231B (zh) * 2021-12-24 2023-11-03 安徽新宇环保科技股份有限公司 一种河道巡测全光谱水质数据分析方法
CN114324231A (zh) * 2021-12-24 2022-04-12 安徽新宇环保科技股份有限公司 一种河道巡测全光谱水质数据分析方法
CN114660255A (zh) * 2022-04-06 2022-06-24 山东中节能天融环保技术有限公司 一种应用微站污染源溯源分析的方法
CN115495475A (zh) * 2022-11-14 2022-12-20 张家港市东大工业技术研究院 一种湖泊水污染治理方法及系统
CN115544919A (zh) * 2022-11-24 2022-12-30 清华大学 一种气流体污染物排放源的溯源方法及装置
CN116008495A (zh) * 2022-12-28 2023-04-25 廊坊卓筑建筑工程有限公司 一种用于地表水的水体数据采集与分析系统及方法
CN116629034A (zh) * 2023-07-24 2023-08-22 长江三峡集团实业发展(北京)有限公司 一种排水管网污染物溯源方法、装置、计算机设备及介质
CN116629034B (zh) * 2023-07-24 2023-10-03 长江三峡集团实业发展(北京)有限公司 一种排水管网污染物溯源方法、装置、计算机设备及介质
CN117113027A (zh) * 2023-08-22 2023-11-24 航天科工智慧产业发展有限公司 一种基于水污染的污染源溯源方法及系统
CN117113027B (zh) * 2023-08-22 2024-03-19 航天科工智慧产业发展有限公司 一种基于水污染的污染源溯源方法及系统
CN117633723A (zh) * 2024-01-26 2024-03-01 四川轻化工大学 基于物联网的环境监测溯源分析方法、系统、终端及介质
CN117633723B (zh) * 2024-01-26 2024-05-10 四川轻化工大学 基于物联网的环境监测溯源分析方法、系统、终端及介质

Also Published As

Publication number Publication date
CN112418426B (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN112418426B (zh) 排污口污染物排放溯源方法、装置、计算设备及存储介质
Zheng et al. Crowdsourcing methods for data collection in geophysics: State of the art, issues, and future directions
Chow et al. Source inversion for contaminant plume dispersion in urban environments using building-resolving simulations
Thomas Steven Savage et al. Quantifying the importance of spatial resolution and other factors through global sensitivity analysis of a flood inundation model
Wheater Progress in and prospects for fluvial flood modelling
Qiu et al. Atmospheric dispersion prediction and source estimation of hazardous gas using artificial neural network, particle swarm optimization and expectation maximization
Beven 12 Equifinality and uncertainty in geomorphological modelling
Srivastava et al. Breakthrough curves characterization and identification of an unknown pollution source in groundwater system using an artificial neural network (ANN)
KR102210698B1 (ko) 하천 유해화학물질 유출 시나리오 기반 기계학습모형과 재귀적 특징 제거법을 결합한 화학사고 발생원 역추적 방법
Yoshida et al. Optimal sampling placement in a Gaussian random field based on value of information
Telci et al. Contaminant source location identification in river networks using water quality monitoring systems for exposure analysis
CN112307602A (zh) 一种地下水污染源信息和水力渗透系数场联合反演的方法
Rauschenbach Modeling, control, and optimization of water systems
CN114034334B (zh) 岩溶管道污染源和流量的识别方法
Zhang et al. Enhancing daily streamflow simulation using the coupled SWAT-BiLSTM approach for climate change impact assessment in Hai-River Basin
Yin et al. Identification of pollution sources in rivers using a hydrodynamic diffusion wave model and improved Bayesian-Markov chain Monte Carlo algorithm
Mount et al. The need for operational reasoning in data‐driven rating curve prediction of suspended sediment
Károlyi et al. Finite-size Lyapunov exponents: A new tool for lake dynamics
Wang et al. Source identification in river pollution incidents using a cellular automata model and Bayesian Markov chain Monte Carlo method
Hanaish et al. Stochastic modeling of rainfall in Peninsular Malaysia using Bartlett Lewis rectangular pulses models
Zeidan Mathematical modeling of environmental problems
CN114048692A (zh) 一种基于监测数据与模型融合的水体月尺度水质预判方法
Hazrati Yadkoori et al. Evaluation of unknown groundwater contaminant sources characterization efficiency under hydrogeologic uncertainty in an experimental aquifer site by utilizing surrogate models
Pingfei et al. Release estimation of pollutants in river by the variational analysis approach
Mardani et al. A numerical investigation of dynamics of a shallow intermittently closed and open lake and lagoon (ICOLL)

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210226

Assignee: Beijing Zhongke Sanqing Environmental Technology Co.,Ltd.

Assignor: 3CLEAR TECHNOLOGY Co.,Ltd.

Contract record no.: X2022980012305

Denomination of invention: Method, device, computing equipment and storage medium for traceability of pollutant discharge from sewage outlet

Granted publication date: 20211105

License type: Common License

Record date: 20220815

EE01 Entry into force of recordation of patent licensing contract