CN115422850B - 基于efdc和边缘计算判断河流入河排污口污染贡献率的方法 - Google Patents
基于efdc和边缘计算判断河流入河排污口污染贡献率的方法 Download PDFInfo
- Publication number
- CN115422850B CN115422850B CN202211282419.1A CN202211282419A CN115422850B CN 115422850 B CN115422850 B CN 115422850B CN 202211282419 A CN202211282419 A CN 202211282419A CN 115422850 B CN115422850 B CN 115422850B
- Authority
- CN
- China
- Prior art keywords
- river
- water quality
- data
- researched
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004364 calculation method Methods 0.000 title claims abstract description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 162
- 239000010865 sewage Substances 0.000 claims abstract description 69
- 238000012544 monitoring process Methods 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 45
- 231100000719 pollutant Toxicity 0.000 claims description 45
- 238000004088 simulation Methods 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 13
- 230000005012 migration Effects 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 5
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 abstract description 3
- 230000001276 controlling effect Effects 0.000 abstract 1
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000011574 phosphorus Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 231100000614 poison Toxicity 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 239000003440 toxic substance Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 229910019142 PO4 Inorganic materials 0.000 description 1
- 230000005791 algae growth Effects 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 1
- 239000010452 phosphate Substances 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于EFDC和边缘计算判断河流入河排污口污染贡献率的方法,属于河流水环境技术领域。对河流水质状况进行监测,将监测数据进行边缘计算处理,获得水质河道特征统计数据;采集河道区域的高程、水文、气象状况数据,并在EFDC中初步构建河流水质模型,依据河流水质的实际监测数据对水质模型进行校正,并依据水质河道特征统计数据、校正后的模型构建污染源‑受纳水体‑排污口三者之间的机理关联,预测判断受纳水体当前断面的入河排污口的最大污染贡献率;通过不同排污口的企业在不影响产量的情况下,配合清洁生产措施,即通过调控不同排污口污染排放占比的情况下,使得下游监测断面达标。
Description
技术领域
本发明属于河流水环境技术领域,特别涉及一种基于EFDC和边缘计算判断河流入河排污口污染贡献率的方法。
背景技术
现有的入河排污口监测大多基于硬件设备感知,没有通过机理模型判断,人为主观因素过多,通过设备感知所取数据与人为经验相结合,判断排污口排污类型占比,存在主观意愿违反客观事实的缺陷。
EFDC(The Environmental Fluid Dynamics Code)模型是由威廉玛丽大学维吉尼亚海洋科学研究所(VIMS,Virginia Institute of Marine Science at the College ofWilliam and Mary)的John Hamrick等人开发的三维地表水水质数学模型,可实现河流、湖泊、水库、湿地系统、河口和海洋等水体的水动力学和水质模拟,是一个多参数有限差分模型。该模型系统包括水动力、泥沙、有毒物质、水质、底质、风浪等模块,模拟计算过程中首先完成流场计算,获得三维流速场的时空分布特征,在此基础上计算泥沙迁移、冲淤作用,进而模拟受粘性泥沙吸附影响的各水质变量动态变化过程。EFDC水动力学模块可计算流速,示踪剂,温度,盐度,近岸羽流和漂流等内容;水动力学模型输出变量可直接与水质,底泥迁移和毒性物质等模块耦合,作为物质运移的驱动条件。EFDC的水质模块,主要模拟水体中以藻类生长为中心的各变量间相互关系。EFDC描述流体力学的二维稳态计算,在水动力求解过程中,对变密度流体的垂直静水压、自由水面、湍流平均运动方程进行求解,同时也可以耦合求解湍流动能、湍流长度尺度、盐度与温度的传输;水质模型是由大量的化学、生物和生化过程、反应速率及外源输入随时间的变化,地表水富营养化的动力模拟是一个异常复杂和计算量巨大的过程。而且水动力模型和水质模型必须同时校准,才能得到满意的输运过程和水质计算结果。因此,EFDC更适用于描述水质在流域模型中由点源和非点源引起的水质变化规律。
国内已有相关学者采用EFDC等模型对河流排污口的污染物影响进行预测,例如,河南理工大学《基于EFDC和WASP 模型的入河排污口污染物影响预测》,基于EFDC和WASP模型,以CODMn、TP、TN为评价指标,对排污口下游的长江水质变化进行动态模拟,为排污口的设置提供技术依据。哈尔滨师范大学《基于EFDC的河流排污口污染物排放量多目标优化研究》以久污难治的阿什河为研究对象,引用EFDC水环境模型,运用层次分析法、水质目标法以及水环境容量计算的方法制定排污口排放量削减方案,分析在各个排污口污染物排放量削减模拟情景下对阿什河水质的响应,最后得出效果较为显著的方案。但这些措施在无边缘端处理的情况下,海量数据无法有效区分特征值,无法代表当前阶段河道污染状况;海量数据也会导致模型计算时效率较低,需要调整时间步长,进而导致收敛性差,无法准确描述污染物迁移;同时,以上方法无法指导环保局监管造成污染的企业运营情况。
发明内容
本发明的目的在于提供一种基于EFDC和边缘计算判断河流入河排污口污染贡献率的方法,对河流水质状况进行监测,将监测数据进行边缘计算处理,获得水质河道特征统计数据;采集河道区域的高程、水文、气象状况数据,并在EFDC中初步构建河流水质模型,依据河流水质的实际监测采样数据对水质模型进行校正,并依据水质河道特征统计数据、校正后的河流水质模型构建污染源-受纳水体-排污口三者之间的机理关联,预测判断受纳水体监测断面的入河排污口的最大污染贡献率;通过不同排污口的企业在不影响产量的情况下,配合清洁生产措施,通过调控不同排污口污染排放占比,使得监测断面污染水平达标。
本发明提供一种基于EFDC和边缘计算判断河流入河排污口污染贡献率的方法,包括以下步骤:
步骤S01、依据现场调研,摸清研究区域内污染点源和污染面源数量及位置,划分河道上游及下游的监测断面,确定待研究河道区域和待研究河道入河排污口数量及位置;
步骤S02、对步骤S01中确定的所述待研究河道区域内的污染点源及污染面源的水质数据进行采集,获得原始水质数据;通过边缘设备收集并处理所述原始水质数据,获得规定时间段内的水质河道特征统计数据;将所述水质河道特征统计数据整理成水质统计数据的时间序列;
步骤S03、采集所述待研究河道区域内河道地形高程数据、水文数据、气象数据、风场数据,并将所述水文数据、气象数据、风场数据整理成时间序列;
步骤S04、将步骤S03中采集的所述河道地形高程数据数字化生成p2d文件,并采用CVLGrid划分结构化正交网格;在所述结构化正交网格中标注所述入河排污口位置;生成EFDC.inp文件;
步骤S05、加载步骤S04中所述的EFDC.inp文件至EFDC,设置与所述结构化正交网格匹配的初始条件和边界条件;
步骤S06、设置水动力学基本参数,初步构建所述待研究河道区域河流水动力模型;
步骤S07、运行步骤S06中建立的所述待研究河道区域河流水动力模型,得到初步的河流水动力模拟结果,与步骤S03中采集的所述水文数据进行比较,并依据所述水文数据对待研究河道区域河流水动力模型内的水动力学基本参数进行率定,直到模拟结果满足精度要求,得到校正后的所述待研究河道区域河流水动力模型;
步骤S08、加载温度模块;输入步骤S03中采集的所述气象数据、风场数据;
步骤S09、加载水质模块,输入步骤S02获得的所述水质统计数据的时间序列,在EFDC的水质模块中选择水质模型,设置与所述水质模型匹配的参数和初始条件,搭建完成所述待研究河道区域河流水质模型;
步骤S10、运行步骤S09中的所述待研究河道区域河流水质模型,得到初步的河流水质数据模拟结果,与步骤S02中采集的所述原始水质数据进行比较,并依据所述原始水质数据对所述待研究河道区域河流水质模型内与所述水质模型匹配的参数进行率定,直到模拟结果满足精度要求,得到校正后的待研究河道区域河流水质模型;
步骤S11、在步骤S10中获得的所述校正后的待研究河道区域河流水质模型中输入所述水质统计数据的时间序列,通过数值模拟计算污染物进入河道后的迁移状况,构建监测断面—受纳水体—入河排污口的响应关系,并依据所述响应关系分别计算各所述入河排污口污染贡献率、污染物负荷量及污染贡献最大值。
进一步地,步骤S02中,所述原始水质数据包括:氨氮的监测数据、COD的监测数据、TN监测数据、和/或TP的监测数据。
进一步地,步骤S02中,所述水质河道特征统计数据包括每规定时间段内所述原始水质数据的最大值、最小值、均值、正态分布中间的68.2%的上位数、以及正态分布中间的68.2%的下位数。
进一步地,步骤S11具体包括以下步骤:
步骤S11-1、将步骤S02中获得的所述水质统计数据的时间序列输入步骤S10中获得的所述校正后的待研究河道区域河流水质模型,通过数值模拟计算各个所述入河排污口污染物进入河道内特定时间的污染迁移状况,并获得所述污染物达到所述监测断面处时的污染物浓度;以此构建监测断面—受纳水体—入河排污口三者之间的响应关系;
步骤S11-2、依据步骤S11-1中构建的每个所述入河排污口与所述监测断面之间的响应关系,计算每个所述入河排污口对于所述监测断面的污染贡献率;
步骤S11-3、依据步骤S11-2中获得的所述每个所述入河排污口对于所述监测断面的污染贡献率,计算所述入河排污口特定时间内的污染物负荷量及污染物负荷最大量;依据所述入河排污口特定时间内的污染物负荷最大量,计算所述监测断面在特定时间内的污染物负荷最大量;
步骤S11-4、依据步骤S11-2中获得的所述每个所述入河排污口对于所述监测断面的污染贡献率,计算每个所述入河排污口的污染贡献最大值。
采用本发明提供的方法可以实现以下技术效果:
1、在边缘端通过数值的选位取值,可以剔除海量在线监测数据中的无效值、异常值、空白值,选取具有特征属性值,能准确反映当地河流水质在日常变化波动情况;
2、通过构建模型数值模拟排污口污染贡献之后,可计算不同排污口污染排放贡献率;
3、通过排污口污染贡献率,调节排污口排放占比促使环保监督排污企业在不影响产量的情况下,采取清洁生产措施,调换工作时间,使得下游监测断面污染水平达标。
附图说明
为了更完整地理解本发明,现在将参考结合附图的以下描述,其中:
图1为本发明基于EFDC和边缘计算判断河流入河排污口污染贡献率的方法流程图。
具体实施方式
为说明清楚本发明的目的、技术细节及有效应用,使之便于本领域普通技术人员理解与实施,下面将结合本发明实施例及附图作进一步的详细阐述。显然,此处描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种基于EFDC和边缘计算判断河流入河排污口污染贡献率的方法,参考说明书附图图1,主要包括如下步骤:
步骤S01、依据现场调研,摸清研究区域内污染点源和污染面源数量及位置,划分河道上游及下游的监测断面,确定待研究河道区域和待研究河道入河排污口数量及位置。
步骤S02、对步骤S01中确定的所述待研究河道区域内的污染点源及污染面源的水质数据进行采集,获得原始水质数据;通过边缘设备收集并处理所述原始水质数据,获得水质河道特征统计数据;将所述水质河道特征统计数据整理成建立水动力-水质模型阶段所需的水质统计数据的时间序列。
具体而言,所述原始水质数据包括:氨氮的监测数据、COD的监测数据、TN监测数据、TP的监测数据。
所述原始水质数据利用传感器进行采集。为提高数据精度,应在已经确定的污染点源位置布置传感器,用于监测水质状况;由于污染面源的具体位置无法确定,通过在所述待研究河道区域内间隔合理距离布置传感器,获得污染面源导致的水质变化情况。所述传感器可以利用河道中已有的传感器;若河道中没有传感器或者传感器数量不足,也可以新布置传感器。
所述水质河道特征统计数据包括每规定时间段内所述原始水质数据的最大值、最小值、均值、正态分布中间的68.2%的上位数、以及正态分布中间的68.2%的下位数。所述水质河道特征统计数据采用所述边缘设备计算获得,所述边缘设备每五分钟将该段时间内的所述水质河道特征统计数据上传到计算平台,并将所述水质数据整理成建立水动力-水质模型阶段所需的时间序列。
采用边缘计算端对在线监测获得的所述原始水质数据进行处理,可以剔除海量在线监测数据中的无效值、异常值、空白值,选取具有特征属性值,能准确反应当地河流水质的日常变化波动情况,使得最终加载到水动力-水质模型中的数据处于最优方案。通常情况下,在线监测数据采集变化规律集中在所取的时间,反映河流当前时间的状态,具有一定的局限性;河流属性变化是通过年度积累变化的,在枯水期和丰水期表现差异明显,通过规定时间段内所述水质河道特征统计数据的选择,可以相对准确地反映河流近年变化规律,以便建立水动力-水质模型之后,可以较为准确地率定水质模型参数,使得水动力-水质模型更加准确。
步骤S03、采集所述待研究河道区域内河道的地形高程数据、水文数据、气象数据、风场数据等,并将水文、气象、风场数据整理成与步骤S02中相对应的时间序列。
步骤S04、将步骤S03中采集的所述河道地形高程数据数字化生成p2d文件,并采用CVLGrid划分所述待研究河道区域的结构化正交网格,在网格中标注当前所述待研究河道区域的入河排污口位置。
其中,采用CVLGrid划分所述待研究河道区域的结构化正交网格时,利用坐标变化手段,将笛卡尔坐标系下的不规则曲线边界,变化成规则直线边界。每个网格需要4条曲线,曲线之间必须两两交叉,曲线间夹角应尽量达到直角,网格正交误差小于3°;在4条曲线围成区域内生成I、J代码网格;最终生成EFDC.inp文件格式,生成cell.inp、celllt.inp、lxly.inp、dxdy.inp等文件。
步骤S05、加载步骤S04中的结构化正交网格文件至EFDC,设置与所述正交网格匹配的初始条件和边界条件。
其中,所述初始条件、边界条件依据步骤S01中获得的所述待研究河道区域、步骤S03中获得的相关数据来确定;初始条件包括河道地形高程、河底糙率、初始水位等,边界条件包括各个所述入河排污口的流出(inflow)以及所述监测断面的流入和流出(outflow)。
步骤S06、设置水动力学基本参数,包括所述待研究河道区域流入和流出流量、干湿度等,初步构建所述待研究河道区域河流水动力模型。
其中,所述待研究河道区域流入和流出的流量通过传感器获取数据,整理成时间序列加载至模型。
所述待研究河道区域的干湿度等需要依据实际的调研结果及经验判断,得出合理范围。
步骤S07、运行步骤S06中建立的所述待研究河道区域河流水动力模型,得到初步的河流水动力模拟结果,与步骤S03中采集的所述水文数据进行比较,并依据所述水文数据对待研究河道区域河流水动力模型内的水动力学基本参数进行率定,直到模拟结果满足精度要求,得到校正后的所述待研究河道区域河流水动力模型。
通过实际的水文数据对水动力模型参数进行率定,使得模型与实测数据之间的相对误差在合理范围内,进而使得校正后的河流水动力模型符合河流水动力基本属性。
步骤S08、加载温度模块;输入步骤S03中采集的气象数据、风场数据。
步骤S09、加载水质模块,输入步骤S02获得的所述特征水质统计数据的时间序列,在EFDC的水质模块中选择水质模型,设置与所述水质模型匹配的参数和初始条件,搭建完成所述待研究河道区域河流水质模型。
其中,所述水质(Water Quality)模块可选择系统内置的用来描述河流水体中污染物迁移、转化、扩散的数学物理方程的水质模型。
EFDC水质模块有130多个模型参数,参与了碳、氮、磷、氧气循环,如磷循环中溶解性磷酸盐分配系数、有机磷的外部负荷;氮循环中硝酸盐反硝化半饱和常数、反硝化率、呼吸率;化学需氧量中氧化速率等;与所述水质模型匹配的参数通过相关技术报告或论文选取。
步骤S10、运行步骤S09中的所述待研究河道区域河流水质模型,得到初步的河流水质数据模拟结果,与步骤S02中采集的所述原始水质数据进行比较,并依据所述原始水质数据对所述待研究河道区域河流水质模型内与所述水质模型匹配的参数进行率定,直到模拟结果满足精度要求,得到校正后的待研究河道区域河流水质模型。
步骤S11、采用步骤S10中获得的所述校正后的待研究河道区域河流水质模型,根据污染点源和污染面源的污染排量及计算的时间跨度,构建监测断面—受纳水体—河道入河排污口响应关系,并依据该响应关系分别计算各所述河道入河排污口的最大排量,即预测各所述河道入河排污口污染贡献率、污染物负荷量及污染贡献最大值。
具体而言,包含以下步骤:
步骤S11-1、将步骤S02中获得的所述水质统计数据的时间序列输入步骤S10中获得的所述校正后的待研究河道区域河流水质模型,通过数值模拟计算各个所述河道入河排污口在当前排口污染物(氨氮、COD、TN、TP)进入河道内特定时间内的污染迁移状况,并获得所述污染物达到所述监测断面处时的污染物浓度;以此构建监测断面—受纳水体—河道入河排污口三者之间的响应关系。
步骤S11-2、依据步骤S11-1中构建的每个所述河道入河排污口与所述监测断面之间的响应关系,计算每个所述河道入河排污口对于所述监测断面的污染贡献率。
例如,某一监测断面的某一污染物分别来源于A、B、C三个河道入河排污口,A排污口某污染物到达所述监测断面时污染物浓度数值为a,B排污口某污染物到达所述监测断面时污染物浓度数值为b,C排污口某污染物到达所述监测断面时污染物浓度数值为c,此时a+b+c=监测断面污染物浓度,则A、B、C三个排污口对于所述监测断面的污染贡献率分别为:A排污口占比a/监测断面污染物浓度,B排污口占比b/监测断面污染物浓度,C排污口占比c/监测断面污染物浓度。
步骤S11-3、依据步骤S11-2中获得的所述每个所述河道入河排污口对于所述监测断面的某污染物的污染贡献率,通过流量换算,可得所述入河排污口特定时间内的该污染物负荷量;同时通过每个排污口最大流量计算,将区域内各排污口最大污染负荷进行叠加,可得当前监测断面在特定时间内该污染物的最大污染物负荷。所述特定时间可以为一周、一月、一年等。
步骤S11-4、依据步骤S11-2中获得的所述每个所述河道入河排污口对于所述监测断面的污染贡献率,计算每个所述河道入河排污口的污染贡献最大值。
例如,通过增加A排污口污染量,减少B、C排污口污染量,保障监测断面达标、企业正常运行的前提下,计算出A排污口污染贡献最大值;以此类推,计算出B、C排污口污染贡献最大值;可以依据所述污染贡献最大值,控制各所述河道入河排污口的污染物排量,从而监督相关企业保证排污量满足要求。
Claims (4)
1.一种基于EFDC和边缘计算判断河流入河排污口污染贡献率的方法,包括以下步骤:
步骤S01、依据现场调研,摸清研究区域内污染点源和污染面源数量及位置,划分河道上游及下游的监测断面,确定待研究河道区域和待研究河道区域入河排污口数量及位置;
步骤S02、对步骤S01中确定的所述待研究河道区域内的污染点源及污染面源的水质数据进行采集,获得原始水质数据;通过边缘设备收集并处理所述原始水质数据,获得规定时间段内的水质河道特征统计数据;将所述水质河道特征统计数据整理成水质统计数据的时间序列;
步骤S03、采集所述待研究河道区域内河道地形高程数据、水文数据、气象数据、风场数据,并将所述水文数据、气象数据、风场数据整理成时间序列;
步骤S04、将步骤S03中采集的所述河道地形高程数据数字化生成p2d文件,并采用CVLGrid划分结构化正交网格;在所述结构化正交网格中标注所述入河排污口位置;生成EFDC.inp文件;
步骤S05、加载步骤S04中所述的EFDC.inp文件至EFDC,设置与所述结构化正交网格匹配的初始条件和边界条件;
步骤S06、设置水动力学基本参数,初步构建所述待研究河道区域河流水动力模型;
步骤S07、运行步骤S06中建立的所述待研究河道区域河流水动力模型,得到初步的河流水动力模拟结果,与步骤S03中采集的所述水文数据进行比较,并依据所述水文数据对待研究河道区域河流水动力模型内的水动力学基本参数进行率定,直到模拟结果满足精度要求,得到校正后的所述待研究河道区域河流水动力模型;
步骤S08、加载温度模块;输入步骤S03中采集的所述气象数据、风场数据;
步骤S09、加载水质模块,输入步骤S02获得的所述水质统计数据的时间序列,在EFDC的水质模块中选择水质模型,设置与所述水质模型匹配的参数和初始条件,初步搭建完成所述待研究河道区域河流水质模型;
步骤S10、运行步骤S09中的所述待研究河道区域河流水质模型,得到初步的河流水质数据模拟结果,与步骤S02中采集的所述原始水质数据进行比较,并依据所述原始水质数据对所述待研究河道区域河流水质模型内与所述水质模型匹配的参数进行率定,直到模拟结果满足精度要求,得到校正后的待研究河道区域河流水质模型;
步骤S11、在步骤S10中获得的所述校正后的待研究河道区域河流水质模型中输入所述水质统计数据的时间序列,通过数值模拟计算污染物进入河道后的迁移状况,构建监测断面—受纳水体—入河排污口的响应关系,并依据所述响应关系分别计算各所述入河排污口污染贡献率、污染物负荷量和/或污染贡献最大值。
2.根据权利要求1所述的方法,其特征在于,步骤S02中,所述原始水质数据包括:氨氮的监测数据、COD的监测数据、TN监测数据、和/或TP的监测数据。
3.根据权利要求1所述的方法,其特征在于,步骤S02中,所述水质河道特征统计数据包括每规定时间段内所述原始水质数据的最大值、最小值、均值、正态分布中间的68.2%的上位数、以及正态分布中间的68.2%的下位数。
4.根据权利要求1所述的方法,其特征在于,步骤S11具体包括以下步骤:
步骤S11-1、将步骤S02中获得的所述水质统计数据的时间序列输入步骤S10中获得的所述校正后的待研究河道区域河流水质模型,通过数值模拟计算各个所述入河排污口污染物进入河道内特定时间的污染迁移状况,并获得所述污染物达到所述监测断面处时的污染物浓度;以此构建监测断面—受纳水体—入河排污口三者之间的响应关系;
步骤S11-2、依据步骤S11-1中构建的每个所述入河排污口与所述监测断面之间的响应关系,计算每个所述入河排污口对于所述监测断面的污染贡献率;
步骤S11-3、依据步骤S11-2中获得的所述每个所述入河排污口对于所述监测断面的污染贡献率,计算所述入河排污口特定时间内的污染物负荷量及污染物负荷最大量;依据所述入河排污口特定时间内的污染物负荷最大量,计算所述监测断面在特定时间内的污染物负荷最大量;
步骤S11-4、依据步骤S11-2中获得的所述每个所述入河排污口对于所述监测断面的污染贡献率,计算每个所述入河排污口的污染贡献最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211282419.1A CN115422850B (zh) | 2022-10-19 | 2022-10-19 | 基于efdc和边缘计算判断河流入河排污口污染贡献率的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211282419.1A CN115422850B (zh) | 2022-10-19 | 2022-10-19 | 基于efdc和边缘计算判断河流入河排污口污染贡献率的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115422850A CN115422850A (zh) | 2022-12-02 |
CN115422850B true CN115422850B (zh) | 2023-01-10 |
Family
ID=84207716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211282419.1A Active CN115422850B (zh) | 2022-10-19 | 2022-10-19 | 基于efdc和边缘计算判断河流入河排污口污染贡献率的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115422850B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117371325B (zh) * | 2023-10-25 | 2024-06-07 | 中节能数字科技有限公司 | 一种排口污染物入河断面贡献度计算方法、设备及介质 |
CN117217391A (zh) * | 2023-11-07 | 2023-12-12 | 广东泓禹生态环境科技有限公司 | 一种基于边缘计算的入河排污口污染预估方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563139A (zh) * | 2017-09-06 | 2018-01-09 | 郑州大学 | 一种点源突发性水污染源事故溯源贡献程度计算方法 |
CN108763849A (zh) * | 2018-03-01 | 2018-11-06 | 北京师范大学 | 结合沉积物和模型的流域面源磷污染入河系数计算方法 |
CN111444595A (zh) * | 2020-03-10 | 2020-07-24 | 中国环境科学研究院 | 基于swmm与efdc耦合模型的截污工程环境效应评估方法及装置 |
CN112101693A (zh) * | 2020-05-12 | 2020-12-18 | 天津市市政工程设计研究院 | 基于正交分析的现状城区河道水质达标分析方法 |
WO2021180100A1 (zh) * | 2020-03-10 | 2021-09-16 | 中国环境科学研究院 | 基于swmm与efdc耦合模型的调蓄工程环境效应评估方法及装置 |
-
2022
- 2022-10-19 CN CN202211282419.1A patent/CN115422850B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563139A (zh) * | 2017-09-06 | 2018-01-09 | 郑州大学 | 一种点源突发性水污染源事故溯源贡献程度计算方法 |
CN108763849A (zh) * | 2018-03-01 | 2018-11-06 | 北京师范大学 | 结合沉积物和模型的流域面源磷污染入河系数计算方法 |
CN111444595A (zh) * | 2020-03-10 | 2020-07-24 | 中国环境科学研究院 | 基于swmm与efdc耦合模型的截污工程环境效应评估方法及装置 |
WO2021180100A1 (zh) * | 2020-03-10 | 2021-09-16 | 中国环境科学研究院 | 基于swmm与efdc耦合模型的调蓄工程环境效应评估方法及装置 |
CN112101693A (zh) * | 2020-05-12 | 2020-12-18 | 天津市市政工程设计研究院 | 基于正交分析的现状城区河道水质达标分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115422850A (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115422850B (zh) | 基于efdc和边缘计算判断河流入河排污口污染贡献率的方法 | |
CN109657418B (zh) | 一种基于mike21的湖泊水环境容量计算方法 | |
CN112883644B (zh) | 一种动态水环境管理方法 | |
CN101630376B (zh) | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 | |
CN112417788A (zh) | 基于大数据的水环境污染分析系统及方法 | |
CN102313796B (zh) | 一种污水处理生化需氧量软测量方法 | |
CN112182866A (zh) | 一种基于水环境耦合模型的水质快速模拟方法和系统 | |
CN107657912A (zh) | 一种基于Mike11的河流水环境容量确定方法 | |
CN112418487B (zh) | 一种小流域河湖污染物反向精准溯源方法及系统 | |
CN102262147A (zh) | 一种废水处理系统出水cod的软测量方法和系统 | |
CN103606006A (zh) | 基于自组织t-s模糊神经网络的污泥沉降指数软测量方法 | |
CN107247888B (zh) | 基于储备池网络的污水处理出水总磷tp软测量方法 | |
CN111125907B (zh) | 一种基于混合智能模型的污水处理氨氮软测量方法 | |
CN114858207A (zh) | 一种基于软测量的河道排污口网格化溯源排查方法 | |
CN113343601A (zh) | 一种复杂水系湖泊水位和污染物迁移的动态模拟方法 | |
CN115640881A (zh) | 一种基于lstm的水库入库径流预报模型的水库水位修正方法 | |
CN115392617A (zh) | 一种基于环境异质性的水库库尾河段水环境安全评估方法 | |
CN106706491B (zh) | 膜生物反应器-mbr出水透水率的智能检测方法 | |
CN114169242A (zh) | 一种基于参数不确定性分析河道生态增氧的智能控制算法 | |
CN114595631A (zh) | 一种基于efdc模型和机器学习算法的水质预测方法 | |
Schulze et al. | Applications of artificial neural networks in integrated water management: fiction or future? | |
CN117247132B (zh) | 一种基于aao工艺的智能精准曝气方法 | |
CN117196883A (zh) | 一种基于人工智能的污水处理决策优化方法及系统 | |
CN111898273A (zh) | 一种基于水功能区水质目标的河流水环境容量确定方法 | |
CN110322140A (zh) | 一种基于mike21的感潮河段水环境容量计算方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method for Determining the Pollution Contribution Rate of River Drainage Outlets Based on EFDC and edge computing Granted publication date: 20230110 Pledgee: Shijiazhuang Luquan Rural Commercial Bank Co.,Ltd. Pledgor: BEIJING YUNLU TECHNOLOGY CO.,LTD. Registration number: Y2024980015341 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |