CN115204060A - 一种饮用水源地水质多维模型快速预警方法及系统 - Google Patents

一种饮用水源地水质多维模型快速预警方法及系统 Download PDF

Info

Publication number
CN115204060A
CN115204060A CN202211000657.9A CN202211000657A CN115204060A CN 115204060 A CN115204060 A CN 115204060A CN 202211000657 A CN202211000657 A CN 202211000657A CN 115204060 A CN115204060 A CN 115204060A
Authority
CN
China
Prior art keywords
water
pollutants
dimensional model
water intake
sudden pollution
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
CN202211000657.9A
Other languages
English (en)
Other versions
CN115204060B (zh
Inventor
缴健
臧英平
杨啸宇
王欣
丁磊
吴杰
周玲霞
吴鑫
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.)
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Original Assignee
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
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 Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources filed Critical Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Priority to CN202211000657.9A priority Critical patent/CN115204060B/zh
Publication of CN115204060A publication Critical patent/CN115204060A/zh
Application granted granted Critical
Publication of CN115204060B publication Critical patent/CN115204060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Civil Engineering (AREA)
  • Medical Informatics (AREA)
  • Structural Engineering (AREA)
  • Architecture (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computer Graphics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种饮用水源地水质多维模型快速预警方法及系统，方法包括：构建基于水动力和水质耦合的一维、二维和三维模型；分别根据各个模型对河道不同位置处的突发污染事故的水域进行模拟，分析污染物的扩散情况，并统计不同工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；构建训练样本集对预设的人工神经网络进行训练，得到水质预警模型；获取实际突发污染事故时的水质污染数据；将水质污染数据输入至水质预警模型中，对污染物沿河道的扩散情况、污染物到达取水口处和取水口处污染物浓度发生超标的时间进行计算。本发明建立人工神经网络预警模型，结合数学模型模拟结果，细化模拟范围，提升模拟速度，做到全河道的快速预警。

Description

一种饮用水源地水质多维模型快速预警方法及系统
技术领域
本发明涉及环境监管技术领域，特别是涉及一种饮用水源地水质多维模型快速预警方法及系统。
背景技术
饮用水水源地指提供居民生活及公共服务用水取水工程的水源地域。水源地系统是一个复杂的大系统，由水体、自然环境、周围人类活动等一系列要素组成，涉及到水质水量、自然社会环境、工程运行和安全管理等多个方面，且要素之间相关联系，某一要素的变化会导致其他要素甚至整体的改变。
水源地安全存在的风险大致可以概括为三类，分别是水量风险、水质风险和工程风险。水质风险又可分为两大类：非突发性水质风险和突发性水质风险。突发性水质风险主要是由于自然灾害、人为事故(如船舶溢油事件、有毒品泄漏、污水非正常大量排放、核污染等)引起的污染物突然增加。此类风险的特征是发生突然，传播速度快，危害大。在上游河道突发污染事故时，水源地常采用关闭取水口的方式来避免污染物的影响，但取水口该何时关闭历来是一大难题，因此需要对取水口附近的水质进行预警，目前常规观测手段进行预警仍存在较大难度，同时时效性难以保障。
现有水源地水质预测技术通常分为经验预测和数学模型预测。经验预测多是基于分析方法，通过划分突发污染事故等级，从而判断污染事故的影响程度。在不同水文条件、河流条件下，判定等级不一定完全适用，同时针对污染物的传播时间、路径、影响范围等无法做到精确预警。数学模型预测多是基于数学模型，构建污染物迁移模型，在突发污染物情况下较为准确的模拟出污染物扩散情况，对水源地处的污染物浓度超标进行及时预警。但该方法计算时间长，针对突发污染事故的预测时效性不足。满足精度要求的条件下模型计算时间可能慢于污染物扩散时间，对实际情况不具有指导意义。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种饮用水源地水质多维模型快速预警方法及系统。
为实现上述目的，本发明提供了如下方案：
一种饮用水源地水质多维模型快速预警方法，包括：
构建基于水动力和水质耦合的一维模型、二维模型和三维模型；
分别根据所述一维模型、所述二维模型和所述三维模型对河道不同位置处的突发污染事故的水域进行模拟，分析污染物在模拟范围内水平和垂直方向的扩散情况，并统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；
根据所述扩散情况和所述污染物浓度发生超标的时间构建训练样本集，并根据所述训练样本集对预设的人工神经网络进行训练，得到水质预警模型；
获取实际突发污染事故时的水质污染数据；所述水质污染数据包括：污染事故发生位置坐标、污染物种类、污染物浓度和现场水动力条件；
将所述水质污染数据输入至所述水质预警模型中，对污染物沿河道的扩散情况、污染物到达取水口处和取水口处污染物浓度发生超标的时间进行计算，得到计算结果；所述计算结果用于对水源地取水口的水质进行预警。
优选地，所述分别根据所述一维模型、所述二维模型和所述三维模型对河道不同位置处的突发污染事故的水域进行模拟，分析污染物在模拟范围内水平和垂直方向的扩散情况，并统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间，包括：
利用所述三维模型对突发污染事故处于第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在第一模拟范围内水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第一模拟范围为水源地取水口上游5km至下游1km的范围；
利用所述二维模型对突发污染事故处于第二模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在第二模拟范围内水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物在取水口上游5km处达到的最大浓度及分布，并作为所述三维模型的边界条件，根据所述三维模型的边界条件和所述三维模型对突发污染事故处于所述第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在所述第一模拟范围水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第二模拟范围为水源地取水口上游50km至下游10km的范围；
利用所述一维模型对突发污染事故处于第三模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物沿河道的扩散情况，统计不同突发污染事故工况下污染物在取水口上游50km处的最大浓度及分布，并作为所述二维模型的边界条件，根据所述二维模型的边界条件和所述二维模型对突发污染事故处于所述第二模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在平面上的扩散情况，统计不同突发污染事故工况下污染物在取水口上游5km处达到的最大浓度及分布，并作为所述三维模型的边界条件，根据所述三维模型的边界条件和所述三维模型，对突发污染事故处于所述第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在所述第一模拟范围水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第三模拟范围为取水口上游50km以外的范围。
优选地，所述不同突发污染事故工况包括污染物种类、污染物浓度和水动力条件。
优选地，所述一维模型是由圣维南方程组构建而成的。
优选地，所述二维模型是由浅水方程构建而成的。
优选地，所述三维模型是由三维Navier-Stokes方程构建而成的。
优选地，所述人工神经网络包括反向传播人工神经网络；所述反向传播人工神经网络包括依次连接的输入层、隐藏层和输出层。
优选地，在根据所述扩散情况和所述污染物浓度发生超标的时间构建训练样本集，并根据所述训练样本集对预设的人工神经网络进行训练，得到水质预警模型之后，还包括：
获取历史数据集；所述历史数据集包括历史突发污染事故下的污染物沿河道的扩散情况、污染物到达取水口处和取水口处污染物浓度发生超标的时间；
根据所述历史数据集对所述水质预警模型进行精度验证，得到训练好的水质预警模型。
一种饮用水源地水质多维模型快速预警系统，包括：
模型构建单元，用于构建基于水动力和水质耦合的一维模型、二维模型和三维模型；
污染模拟单元，用于分别根据所述一维模型、所述二维模型和所述三维模型对河道不同位置处的突发污染事故的水域进行模拟，分析污染物在模拟范围内水平和垂直方向的扩散情况，并统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；
模型训练单元，用于根据所述扩散情况和所述污染物浓度发生超标的时间构建训练样本集，并根据所述训练样本集对预设的人工神经网络进行训练，得到水质预警模型；
数据获取单元，用于获取实际突发污染事故时的水质污染数据；所述水质污染数据包括：污染事故发生位置坐标、污染物种类、污染物浓度和现场水动力条件；
预警单元，用于将所述水质污染数据输入至所述水质预警模型中，对污染物沿河道的扩散情况、污染物到达取水口处和取水口处污染物浓度发生超标的时间进行计算，得到计算结果；所述计算结果用于对水源地取水口的水质进行预警。
优选地，所述污染模拟单元具体包括：
第一模拟模块，用于利用所述三维模型对突发污染事故处于第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在第一模拟范围内水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第一模拟范围为水源地取水口上游5km至下游1km的范围；
第二模拟模块，用于利用所述二维模型对突发污染事故处于第二模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在第二模拟范围内水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物在取水口上游5km处达到的最大浓度及分布，并作为所述三维模型的边界条件，根据所述三维模型的边界条件和所述三维模型对突发污染事故处于所述第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在所述第一模拟范围水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第二模拟范围为水源地取水口上游50km至下游10km的范围；
第三模拟模块，用于利用所述一维模型对突发污染事故处于第三模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物沿河道的扩散情况，统计不同突发污染事故工况下污染物在取水口上游50km处的最大浓度及分布，并作为所述二维模型的边界条件，根据所述二维模型的边界条件和所述二维模型对突发污染事故处于所述第二模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在平面上的扩散情况，统计不同突发污染事故工况下污染物在取水口上游5km处达到的最大浓度及分布，并作为所述三维模型的边界条件，根据所述三维模型的边界条件和所述三维模型，对突发污染事故处于所述第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在所述第一模拟范围水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第三模拟范围为取水口上游50km以外的范围。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种饮用水源地水质多维模型快速预警方法及系统，所述方法包括：构建基于水动力和水质耦合的一维模型、二维模型和三维模型；分别根据所述一维模型、所述二维模型和所述三维模型对河道不同位置处的突发污染事故的水域进行模拟，分析污染物在模拟范围内水平和垂直方向的扩散情况，并统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；根据所述扩散情况和所述污染物浓度发生超标的时间构建训练样本集，并根据所述训练样本集对预设的人工神经网络进行训练，得到水质预警模型；获取实际突发污染事故时的水质污染数据；所述水质污染数据包括：污染事故发生位置坐标、污染物种类、污染物浓度和现场水动力条件；将所述水质污染数据输入至所述水质预警模型中，对污染物沿河道的扩散情况、污染物到达取水口处和取水口处污染物浓度发生超标的时间进行计算，得到计算结果；所述计算结果用于对水源地取水口的水质进行预警。本发明将人工神经网络和数值模拟相结合。考虑到数学模型模拟突发污染事故准确，但模拟时间长的特点，建立人工神经网络预警模型，结合数学模型模拟结果，细化模拟范围，提升模拟速度，做到全河道的快速预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的方法流程图；
图2为本发明实施例提供的技术路线示意图；
图3为本发明实施例提供的BP神经网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
本发明的目的是提供一种饮用水源地水质多维模型快速预警方法及系统，将人工神经网络和数值模拟相结合。考虑到数学模型模拟突发污染事故准确，但模拟时间长的特点，建立人工神经网络预警模型，结合数学模型模拟结果，细化模拟范围，提升模拟速度，做到全河道的快速预警。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的方法流程图，如图1所示，本发明提供了一种饮用水源地水质多维模型快速预警方法，包括：
步骤100：构建基于水动力和水质耦合的一维模型、二维模型和三维模型；
步骤200：分别根据所述一维模型、所述二维模型和所述三维模型对河道不同位置处的突发污染事故的水域进行模拟，分析污染物在模拟范围内水平和垂直方向的扩散情况，并统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；
步骤300：根据所述扩散情况和所述污染物浓度发生超标的时间构建训练样本集，并根据所述训练样本集对预设的人工神经网络进行训练，得到水质预警模型；
步骤400：获取实际突发污染事故时的水质污染数据；所述水质污染数据包括：污染事故发生位置坐标、污染物种类、污染物浓度和现场水动力条件；
步骤500：将所述水质污染数据输入至所述水质预警模型中，对污染物沿河道的扩散情况、污染物到达取水口处和取水口处污染物浓度发生超标的时间进行计算，得到计算结果；所述计算结果用于对水源地取水口的水质进行预警。
具体的，水动力模型是将水和其它液体的水力要素(流量、水位和流速等)随时间和空间的变化规律用数学方程组进行描述，并在一定的初始条件和边界条件下进行数值求解。水质模型是描述水体中水质变量迁移转化规律的数学模型，是进行水质模拟和水污染防治的有效工具。本实施例中提供的水动力和水质耦合的一维模型、二维模型和三维模型，是根据是否考虑水动力要素的横向和垂向变化，分成了一维、二维和三维模型。其中，一维模型水动力以圣维南方程组为基础建立，并服从流体不可压缩、一维流态和静水压力等假定。只考虑水动力要素在河道顺流方向的变化，建模所需数据量少且计算效率高，但是计算精度不高，主要用于河、渠的水流模拟。一维模型计算原理为：
Figure BDA0003807239790000081
Figure BDA0003807239790000082
Figure BDA0003807239790000083
式中：x,t为空间坐标和时间坐标；Q,h为断面流量和水位；A为断面过流面积；BS为河宽；q为旁侧入流量；K为流量模数；g为重力加速度；α为能量修正系数。C为污染物浓度；D为污染物弥散系数；k为降解系数；C2为污染物的点源浓度；q为污染物的点源流量。
二维模型水动力基于浅水方程，服从静水压力假设。对于水平尺度远大于垂直尺度的水体，由于水深、流速等水力要素沿垂直方向的变化比水平方向小的多，因此将三维Navier-Stokes方程沿水深积分，并取水深平均值，可得水深平均的二维浅水方程。主要用于考虑沿河道横向水动力要素变化的河湖及低洼积水区，适用对江、湖、河口等区域的水位和流速分布的描述。二维模型计算原理为：
Figure BDA0003807239790000084
Figure BDA0003807239790000085
Figure BDA0003807239790000091
Figure BDA0003807239790000092
式中：
Figure BDA0003807239790000093
为基于水深平均的流速；t为时间；x，y和z为笛卡尔坐标；η为河底高程；d为静水深；h＝η+d为总水头；u、v为x、y方向的速度分量；g为重力加速度；ρ为水的密度；sxx、sxy、syx、syy为应力张量的分量；pa为大气压强；ρ0为水的相对密度；S为点源流量大小；us、vs为点源水流流入周围水体产生的流速。C为各典型污染物浓度；Dx、Dy为各典型污染物在x、y方向上的扩散系数；P为各典型污染物降解项；S为各典型污染物的排放源汇项。
三维模型水动力基于三维Navier-Stokes方程，分层思想求解三维浅水方程是一种常用的求解方法，其将三维水域沿垂直方向分为若干层，每一层中的物理量沿垂线的变化可忽略不计，层与层直接通过动量守恒和质量守恒建立联系。可考虑水动力要素沿垂向的变化，常用于江河入海口、城市大型地下蓄水隧洞进口附近的复杂流态条件下的水动力特性研究，其计算相对复杂费时。三维模型计算原理为：
Figure BDA0003807239790000094
Figure BDA0003807239790000095
Figure BDA0003807239790000096
Figure BDA0003807239790000097
Figure BDA0003807239790000101
式中：u、v和w分别为x、y和z方向的流速分量；p为动水压强；ρ为水的密度；Г为有效粘性系数。
进一步地，本实施例在数学模型计算时充分考虑计算时间和精度的问题，通过建立河道一二三维耦合水动力-水质模型，得到污染物沿河道的扩散情况，并对水源地取水口附近的复杂流态进行三维模拟，掌握污染物到达取水口处和取水口处污染物浓度发生超标的时间。
优选地，所述步骤200具体包括：
利用所述三维模型对突发污染事故处于第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在第一模拟范围内水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第一模拟范围为水源地取水口上游5km至下游1km的范围；
利用所述二维模型对突发污染事故处于第二模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在第二模拟范围内水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物在取水口上游5km处达到的最大浓度及分布，并作为所述三维模型的边界条件，根据所述三维模型的边界条件和所述三维模型对突发污染事故处于所述第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在所述第一模拟范围水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第二模拟范围为水源地取水口上游50km至下游10km的范围；
利用所述一维模型对突发污染事故处于第三模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物沿河道的扩散情况，统计不同突发污染事故工况下污染物在取水口上游50km处的最大浓度及分布，并作为所述二维模型的边界条件，根据所述二维模型的边界条件和所述二维模型对突发污染事故处于所述第二模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在平面上的扩散情况，统计不同突发污染事故工况下污染物在取水口上游5km处达到的最大浓度及分布，并作为所述三维模型的边界条件，根据所述三维模型的边界条件和所述三维模型，对突发污染事故处于所述第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在所述第一模拟范围水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第三模拟范围为取水口上游50km以外的范围。
进一步地，所述不同突发污染事故工况包括污染物种类、污染物浓度和水动力条件。
优选地，在所述步骤200之后，还包括：
获取历史数据集；所述历史数据集包括历史突发污染事故下的污染物沿河道的扩散情况、污染物到达取水口处和取水口处污染物浓度发生超标的时间；
根据所述历史数据集对所述水质预警模型进行精度验证，得到训练好的水质预警模型。
优选地，在所述步骤300之后，还包括：
获取历史数据集；所述历史数据集包括历史突发污染事故下的污染物沿河道的扩散情况、污染物到达取水口处和取水口处污染物浓度发生超标的时间；
根据所述历史数据集对所述水质预警模型进行精度验证，得到训练好的水质预警模型。
图2为本发明实施例提供的技术路线示意图，如图2所示，本实施例模拟水源地取水口上游5km至下游1km范围内的突发污染事故时，直接在三维水动力-水质模型中进行模拟，选在水源地取水口上游处5km、4km、3km、2km和1km处进行不同突发污染事故工况的模拟(污染物种类、污染物浓度、水动力条件等)。分析污染物在模拟范围内水平和垂直方向的扩散情况，统计不同工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间。
模拟水源地取水口上游50km至下游10km范围内的突发污染事故时，先在二维水动力-水质模型中进行模拟，选在水源地取水口上游处50km、40km、30km、20km和10km处进行不同突发污染事故工况的模拟。分析污染物在平面上的扩散情况，统计不同工况下污染物在取水口上游5km处达到的最大浓度及分布，作为三维模型的边界条件。再在三维模型中进行模拟，分析污染物在模拟范围内水平和垂直方向的扩散情况，统计不同工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间。
模拟水源地取水口上游50km以外的突发污染事故时，先在一维水动力-水质模型中进行模拟，选在水源地取水口上游处75km、100km等处进行不同突发污染事故工况的模拟。分析污染物沿河道的扩散情况，统计不同工况下污染物在取水口上游50km处的最大浓度及分布，作为二维模型的边界条件。再在二维模型中进行模拟，分析污染物在平面上的扩散情况，统计不同工况下污染物在取水口上游5km处达到的最大浓度及分布，作为三维模型的边界条件。最后在三维模型中进行模拟，分析污染物在模拟范围内水平和垂直方向的扩散情况，统计不同工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间。
以数学模型计算得到的河道不同位置处发生不同突发污染事故工况下的污染物沿河道的扩散情况、污染物到达取水口处和取水口处污染物浓度发生超标的时间作为训练样本集，构造待训练的人工神经网络预警模型。以数学模型所得结果训练人工神经网络预警模型，以历史突发污染事故下的污染物沿河道的扩散情况、污染物到达取水口处和取水口处污染物浓度发生超标的时间作为模型验证条件。当实际突发污染事故时，通过输入污染事故发生位置坐标、污染物种类、污染物浓度及现场水动力条件(水位、流速等)，对污染物沿河道的扩散情况，以及污染物到达取水口处和取水口处污染物浓度发生超标的时间进行计算，为水源地取水口的水质预警提供指导。
图3为本发明实施例提供的BP神经网络结构示意图，如图3所示，所述人工神经网络包括反向传播人工神经网络；所述反向传播人工神经网络包括依次连接的输入层、隐藏层和输出层。
进一步地，人工神经网络是对人脑神经元网络的抽象和模拟，通过不同的连接方式可以组成不同的网络，其中，反向传播(Back Propagation，BP)人工神经网络是一种具有误差反向传播及修正的多层映射网络，不仅能够很好地模拟复杂多变的非线性关系，而且能够快速地完成大量运算，广泛应用于水文预报等众多领域。
对应上述方法，本实施例还提供了一种饮用水源地水质多维模型快速预警系统，包括：
模型构建单元，用于构建基于水动力和水质耦合的一维模型、二维模型和三维模型；
污染模拟单元，用于分别根据所述一维模型、所述二维模型和所述三维模型对河道不同位置处的突发污染事故的水域进行模拟，分析污染物在模拟范围内水平和垂直方向的扩散情况，并统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；
模型训练单元，用于根据所述扩散情况和所述污染物浓度发生超标的时间构建训练样本集，并根据所述训练样本集对预设的人工神经网络进行训练，得到水质预警模型；
数据获取单元，用于获取实际突发污染事故时的水质污染数据；所述水质污染数据包括：污染事故发生位置坐标、污染物种类、污染物浓度和现场水动力条件；
预警单元，用于将所述水质污染数据输入至所述水质预警模型中，对污染物沿河道的扩散情况、污染物到达取水口处和取水口处污染物浓度发生超标的时间进行计算，得到计算结果；所述计算结果用于对水源地取水口的水质进行预警。
优选地，所述污染模拟单元具体包括：
第一模拟模块，用于利用所述三维模型对突发污染事故处于第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在第一模拟范围内水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第一模拟范围为水源地取水口上游5km至下游1km的范围；
第二模拟模块，用于利用所述二维模型对突发污染事故处于第二模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在第二模拟范围内水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物在取水口上游5km处达到的最大浓度及分布，并作为所述三维模型的边界条件，根据所述三维模型的边界条件和所述三维模型对突发污染事故处于所述第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在所述第一模拟范围水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第二模拟范围为水源地取水口上游50km至下游10km的范围；
第三模拟模块，用于利用所述一维模型对突发污染事故处于第三模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物沿河道的扩散情况，统计不同突发污染事故工况下污染物在取水口上游50km处的最大浓度及分布，并作为所述二维模型的边界条件，根据所述二维模型的边界条件和所述二维模型对突发污染事故处于所述第二模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在平面上的扩散情况，统计不同突发污染事故工况下污染物在取水口上游5km处达到的最大浓度及分布，并作为所述三维模型的边界条件，根据所述三维模型的边界条件和所述三维模型，对突发污染事故处于所述第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在所述第一模拟范围水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第三模拟范围为取水口上游50km以外的范围。
本发明的有益效果如下：
(1)本发明在掌握历史及数学模型计算所得数据的大量数据基础上建立人工神经网络预警模型，在突发污染事故时可应用预警模型快速、准确的进行预警，避免应用传统数学模型造成的耗时久等问题。
(2)由于本发明着重关注水源地取水口处的污染物情况，因此在取水口上游5km至下游1km建立三维模型，在取水口上游50km至水源地取水口下游10km建立二维模型，沿整条河道建立一维模型，重点对水源地取水口附近的复杂流态进行三维模拟，保证了取水口处计算精度，同时也优化了计算模型的应用范围及计算时间。
(3)本发明应用数学模型计算众多突发污染事故工况，并应用人工神经网络细化计算范围，强化计算精度。在实际突发污染事故发生时，可获得最接近本次事故类型的饮用水源地取水口处污染物扩散情况，计算结果可信度高。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种饮用水源地水质多维模型快速预警方法，其特征在于，包括：
构建基于水动力和水质耦合的一维模型、二维模型和三维模型；
分别根据所述一维模型、所述二维模型和所述三维模型对河道不同位置处的突发污染事故的水域进行模拟，分析污染物在模拟范围内水平和垂直方向的扩散情况，并统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；
根据所述扩散情况和所述污染物浓度发生超标的时间构建训练样本集，并根据所述训练样本集对预设的人工神经网络进行训练，得到水质预警模型；
获取实际突发污染事故时的水质污染数据；所述水质污染数据包括：污染事故发生位置坐标、污染物种类、污染物浓度和现场水动力条件；
将所述水质污染数据输入至所述水质预警模型中，对污染物沿河道的扩散情况、污染物到达取水口处和取水口处污染物浓度发生超标的时间进行计算，得到计算结果；所述计算结果用于对水源地取水口的水质进行预警。
2.根据权利要求1所述的饮用水源地水质多维模型快速预警方法，其特征在于，分别根据所述一维模型、所述二维模型和所述三维模型对河道不同位置处的突发污染事故的水域进行模拟，分析污染物在模拟范围内水平和垂直方向的扩散情况，并统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间，包括：
利用所述三维模型对突发污染事故处于第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在第一模拟范围内水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第一模拟范围为水源地取水口上游5km至下游1km的范围；
利用所述二维模型对突发污染事故处于第二模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在第二模拟范围内水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物在取水口上游5km处达到的最大浓度及分布，并作为所述三维模型的边界条件，根据所述三维模型的边界条件和所述三维模型对突发污染事故处于所述第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在所述第一模拟范围水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第二模拟范围为水源地取水口上游50km至下游10km的范围；
利用所述一维模型对突发污染事故处于第三模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物沿河道的扩散情况，统计不同突发污染事故工况下污染物在取水口上游50km处的最大浓度及分布，并作为所述二维模型的边界条件，根据所述二维模型的边界条件和所述二维模型对突发污染事故处于所述第二模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在平面上的扩散情况，统计不同突发污染事故工况下污染物在取水口上游5km处达到的最大浓度及分布，并作为所述三维模型的边界条件，根据所述三维模型的边界条件和所述三维模型，对突发污染事故处于所述第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在所述第一模拟范围水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第三模拟范围为取水口上游50km以外的范围。
3.根据权利要求2所述的饮用水源地水质多维模型快速预警方法，其特征在于，所述不同突发污染事故工况包括污染物种类、污染物浓度和水动力条件。
4.根据权利要求2所述的饮用水源地水质多维模型快速预警方法，其特征在于，所述一维模型是由圣维南方程组构建而成的。
5.根据权利要求2所述的饮用水源地水质多维模型快速预警方法，其特征在于，所述二维模型是由浅水方程构建而成的。
6.根据权利要求2所述的饮用水源地水质多维模型快速预警方法，其特征在于，所述三维模型是由三维Navier-Stokes方程构建而成的。
7.根据权利要求1所述的饮用水源地水质多维模型快速预警方法，其特征在于，所述人工神经网络包括反向传播人工神经网络；所述反向传播人工神经网络包括依次连接的输入层、隐藏层和输出层。
8.根据权利要求1所述的饮用水源地水质多维模型快速预警方法，其特征在于，在根据所述扩散情况和所述污染物浓度发生超标的时间构建训练样本集，并根据所述训练样本集对预设的人工神经网络进行训练，得到水质预警模型之后，还包括：
获取历史数据集；所述历史数据集包括历史突发污染事故下的污染物沿河道的扩散情况、污染物到达取水口处和取水口处污染物浓度发生超标的时间；
根据所述历史数据集对所述水质预警模型进行精度验证，得到训练好的水质预警模型。
9.一种饮用水源地水质多维模型快速预警系统，其特征在于，包括：
模型构建单元，用于构建基于水动力和水质耦合的一维模型、二维模型和三维模型；
污染模拟单元，用于分别根据所述一维模型、所述二维模型和所述三维模型对河道不同位置处的突发污染事故的水域进行模拟，分析污染物在模拟范围内水平和垂直方向的扩散情况，并统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；
模型训练单元，用于根据所述扩散情况和所述污染物浓度发生超标的时间构建训练样本集，并根据所述训练样本集对预设的人工神经网络进行训练，得到水质预警模型；
数据获取单元，用于获取实际突发污染事故时的水质污染数据；所述水质污染数据包括：污染事故发生位置坐标、污染物种类、污染物浓度和现场水动力条件；
预警单元，用于将所述水质污染数据输入至所述水质预警模型中，对污染物沿河道的扩散情况、污染物到达取水口处和取水口处污染物浓度发生超标的时间进行计算，得到计算结果；所述计算结果用于对水源地取水口的水质进行预警。
10.根据权利要求9所述的饮用水源地水质多维模型快速预警系统，其特征在于，所述污染模拟单元具体包括：
第一模拟模块，用于利用所述三维模型对突发污染事故处于第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在第一模拟范围内水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第一模拟范围为水源地取水口上游5km至下游1km的范围；
第二模拟模块，用于利用所述二维模型对突发污染事故处于第二模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在第二模拟范围内水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物在取水口上游5km处达到的最大浓度及分布，并作为所述三维模型的边界条件，根据所述三维模型的边界条件和所述三维模型对突发污染事故处于所述第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在所述第一模拟范围水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第二模拟范围为水源地取水口上游50km至下游10km的范围；
第三模拟模块，用于利用所述一维模型对突发污染事故处于第三模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物沿河道的扩散情况，统计不同突发污染事故工况下污染物在取水口上游50km处的最大浓度及分布，并作为所述二维模型的边界条件，根据所述二维模型的边界条件和所述二维模型对突发污染事故处于所述第二模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在平面上的扩散情况，统计不同突发污染事故工况下污染物在取水口上游5km处达到的最大浓度及分布，并作为所述三维模型的边界条件，根据所述三维模型的边界条件和所述三维模型，对突发污染事故处于所述第一模拟范围的水域进行不同突发污染事故工况的模拟，分析污染物在所述第一模拟范围水平和垂直方向的扩散情况，统计不同突发污染事故工况下污染物到达取水口处和取水口处污染物浓度发生超标的时间；所述第三模拟范围为取水口上游50km以外的范围。
CN202211000657.9A 2022-08-19 2022-08-19 一种饮用水源地水质多维模型快速预警方法及系统 Active CN115204060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211000657.9A CN115204060B (zh) 2022-08-19 2022-08-19 一种饮用水源地水质多维模型快速预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211000657.9A CN115204060B (zh) 2022-08-19 2022-08-19 一种饮用水源地水质多维模型快速预警方法及系统

Publications (2)

Publication Number Publication Date
CN115204060A true CN115204060A (zh) 2022-10-18
CN115204060B CN115204060B (zh) 2023-06-09

Family

ID=83572043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211000657.9A Active CN115204060B (zh) 2022-08-19 2022-08-19 一种饮用水源地水质多维模型快速预警方法及系统

Country Status (1)

Country Link
CN (1) CN115204060B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116384045A (zh) * 2023-01-16 2023-07-04 中核第四研究设计工程有限公司 采用三维数值模拟确定土壤Ra-226源项调查范围的方法
CN117195135A (zh) * 2023-11-01 2023-12-08 潍坊德瑞生物科技有限公司 一种水污染异常溯源检测方法及系统
CN117422271A (zh) * 2023-11-07 2024-01-19 南通恒源自控工程有限公司 一种基于水质数据的管网调度调节方法及系统
CN117457098A (zh) * 2023-10-27 2024-01-26 生态环境部南京环境科学研究所 跨界区饮用水源地污染事故预警方法、装置、介质和设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663223A (zh) * 2011-12-27 2012-09-12 中国科学院生态环境研究中心 复杂河网突发污染事件动态污染场计算方法
CN102855526A (zh) * 2012-08-29 2013-01-02 毛振刚 突发水污染事件监控预警系统
CN106600035A (zh) * 2016-11-08 2017-04-26 北京师范大学 基于污染物迁移模拟的水源地水质安全预警方法
CN108846423A (zh) * 2018-05-29 2018-11-20 中国农业大学 水质预测方法和系统
CN113128105A (zh) * 2021-03-31 2021-07-16 北京工业大学 突发性流域水污染事故监测方法及装置
WO2021260732A1 (en) * 2020-06-24 2021-12-30 Bariflolabs Private Limited Intelligent waterbody management system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663223A (zh) * 2011-12-27 2012-09-12 中国科学院生态环境研究中心 复杂河网突发污染事件动态污染场计算方法
CN102855526A (zh) * 2012-08-29 2013-01-02 毛振刚 突发水污染事件监控预警系统
CN106600035A (zh) * 2016-11-08 2017-04-26 北京师范大学 基于污染物迁移模拟的水源地水质安全预警方法
CN108846423A (zh) * 2018-05-29 2018-11-20 中国农业大学 水质预测方法和系统
WO2021260732A1 (en) * 2020-06-24 2021-12-30 Bariflolabs Private Limited Intelligent waterbody management system
CN113128105A (zh) * 2021-03-31 2021-07-16 北京工业大学 突发性流域水污染事故监测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
庄巍 等: "长江下游水源地突发性水污染事故预警应急系统研究" *
李若男 等: "水库运行对下游河道水环境影响的一维-二维耦合水环境模型" *
王成金 等: "基于水质模型的污染监控预警和应急管理研究" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116384045A (zh) * 2023-01-16 2023-07-04 中核第四研究设计工程有限公司 采用三维数值模拟确定土壤Ra-226源项调查范围的方法
CN116384045B (zh) * 2023-01-16 2023-12-05 中核第四研究设计工程有限公司 采用三维数值模拟确定土壤Ra-226源项调查范围的方法
CN117457098A (zh) * 2023-10-27 2024-01-26 生态环境部南京环境科学研究所 跨界区饮用水源地污染事故预警方法、装置、介质和设备
CN117195135A (zh) * 2023-11-01 2023-12-08 潍坊德瑞生物科技有限公司 一种水污染异常溯源检测方法及系统
CN117195135B (zh) * 2023-11-01 2024-02-27 潍坊德瑞生物科技有限公司 一种水污染异常溯源检测方法及系统
CN117422271A (zh) * 2023-11-07 2024-01-19 南通恒源自控工程有限公司 一种基于水质数据的管网调度调节方法及系统
CN117422271B (zh) * 2023-11-07 2024-05-14 南通恒源自控工程有限公司 一种基于水质数据的管网调度调节方法及系统

Also Published As

Publication number Publication date
CN115204060B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN115204060B (zh) 一种饮用水源地水质多维模型快速预警方法及系统
Chen et al. Assessing the eutrophication risk of the Danjiangkou Reservoir based on the EFDC model
Cunge Of data and models
CN107091911B (zh) 一种河流水质预测方法
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
CN111259607B (zh) 一种河湖过渡区水文边界界定方法
CN104008229A (zh) 一种街区污染物浓度分布模型建立方法
CN103077307A (zh) 一种基于干旱缺水河流生态修复的水动力学模拟方法
CN111027262A (zh) 一种河流突发性水污染分析与风险图编制方法
Liu et al. Research on transport and weathering of oil spills in Jiaozhou Bight, China
Dortch et al. Water quality modeling of regulated streams
Ding et al. The assessment of ecological water replenishment scheme based on the two-dimensional lattice-Boltzmann water age theory
Zhang et al. Water exchange and pollutant diffusion law in Gangnan reservoir
CN103258085A (zh) 一种污水深海排放扩散器上升管数量确定的方法
Yong et al. Analysis of water quality in shallow lakes with a two-dimensional flow-sediment model
Steinebach et al. An adaptive method of lines approach for modeling flow and transport in rivers
CN107024456A (zh) 一种用于预测河道水体透明度的原位清水置换方法
Balas et al. Hydrodynamic Modelling Using HİDROTÜRK Model
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
Zeng et al. A two-dimensional water-quality model for a winding and topographically complicated river
Altinakar et al. New generation modeling and decision support tools for studying impacts of dam failures
Amein et al. DYNLET1: Dynamic implicit numerical model of one-dimensional tidal flow through inlets
Simionescu et al. Numerical Simulation of Water Flow through an Ecological River Intake
Norouzi et al. Development of a 2D depth-averaged model for calculating scouring and deposition in alluvial streams
Schaffranek A flow-simulation model of the tidal Potomac River

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