CN115758886A - 基于雨洪管网模型与决策树算法的调蓄池优化布设方法 - Google Patents
基于雨洪管网模型与决策树算法的调蓄池优化布设方法 Download PDFInfo
- Publication number
- CN115758886A CN115758886A CN202211453160.2A CN202211453160A CN115758886A CN 115758886 A CN115758886 A CN 115758886A CN 202211453160 A CN202211453160 A CN 202211453160A CN 115758886 A CN115758886 A CN 115758886A
- Authority
- CN
- China
- Prior art keywords
- regulation
- storage
- data
- water
- rain
- 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
Images
Classifications
-
- 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
- Sewage (AREA)
Abstract
本发明公开了一种基于雨洪管网模型与决策树算法的调蓄池优化布设方法,首先城市地形管网基础资料获取、排水管网监测资料整合、SWMM雨洪管网模型的构建、基于决策树算法的SWMM模型参数自动率定、降雨情景数据库生成、调蓄池布设方案预制、调蓄池布设情景模拟并生成数据库、建立调蓄池效益量化评价体系、模拟调蓄池多组合布设条件下效益指标、结合决策树算法建立评价指标与调蓄池布设方案深层联系,通过设定评价指标反演调蓄池布设方案。本发明针对城市初雨面源污染严重,调蓄池布设依据缺乏,初雨污染物削减效果欠佳问题,通过结合雨洪管网模型与决策树算法,实现调蓄池的优化布设,最大化调蓄池的初雨污染削减效益。
Description
技术领域
本发明属于城市排水系统污染物削减控制技术领域,涉及一种调蓄池优化布设方法,具体涉及一种基于雨洪管网模型与决策树算法的调蓄池优化布设方法。
背景技术
随着城市化改造进程的发展,我国污水雨水管网和污水处理厂的建设逐步完善,城市点源污染对河流湖泊等受纳水体的污染得到有效控制,但由降雨冲刷地表,裹挟面源污染物随管网汇入河湖,造成河湖水质恶化的问题仍然严峻,研究如何有效控制面源污染具有重要意义。
目前,通过在排水系统末端修建调蓄池,收纳汇存污染物含量高的初期雨水,待降雨过后再排送至污水处理厂进行初雨净化处理,是降低城市面源污染排放的重要手段。但由于管网汇流面积各异、汇流时间不同,在排水系统末端布设调蓄池的传统做法难以有效发挥调蓄池的截污性能,其污染物削减能力有限,亟需研发更加合理的调蓄池布设方法,充分发挥调蓄池污染削减能力,最大化调蓄池的初雨污染削减效益。
近年来,随计算机算力显著提升,机器学习算法与基于物理过程的雨洪管网数值模型均取得了长足的发展,其中决策树算法在策略优选、图像识别等领域得到广泛应用,雨洪管网模型也在城市雨洪过程模拟中发挥重要功能。
发明内容
本发明的目的是提供一种基于雨洪管网模型与决策树算法的调蓄池优化布设方法,针对传统调蓄池布设方法初雨污染物削减效率欠佳的问题,通过结合雨洪管网模型与决策树算法,进行调蓄池优化布设,充分发挥调蓄池的初雨污染削减效益。
本发明采用的技术方案是:一种基于雨洪管网模型与决策树算法的调蓄池优化布设方法,包括以下步骤:
步骤1:收集目标区域基础资料,包括数字高程数据、土地利用数据、土壤下渗能力、管网矢量数据、节点矢量数据、调蓄设施数据、水系分布数据、河道水位流量和河道断面数据;
步骤2:构建三维数组整合实测降雨与监测资料,第一维度为实测降雨事件,第二维度为时间序列,第三维度为降雨气象监测数据、水质流量监测数据和排水管网监测数据;第三维度数据具体包括目标区域各站点降雨观测数据、排水管网监测点水位数据、排水管网监测点流速数据、排水管网监测点流量过程数据、排水管网监测点污染物浓度数据、排水管网监测点污染物总排放量数据;
步骤3:基于步骤1收集资料构建SWMM模型,包括地表产流模块,地下管网汇流模块和污染物增长输移模块;
步骤4:SWMM模型参数自动率定;
以步骤2中的降雨观测数据为输入条件,以监测点监测的流量、污染物浓度变化过程为目标,结合网格搜索算法实现步骤3所构建的SWMM模型参数的自动化率定;
步骤5:通过结合芝加哥雨型与目标区域暴雨强度系数,或通过结合目标区域水文手册中典型雨型与目标区域暴雨强度系数,调整重现期P和降雨历时t,模拟构建若干种重现期与降雨历时的降雨情景数据,生成降雨情景数据库;
其中,芝加哥雨型公式为:
式中,i为暴雨强度,单位mm/h;P为降雨重现期,单位a;t为降雨历时,单位min;A、b、c、n为当地雨型系数;
步骤6:根据研究区域的土地利用类型及项目建设预算,初定调蓄池可布设位置及其总调蓄体积总量;
步骤7:调蓄池布设情景模拟并生成数据库;
运用步骤4所率定的SWMM模型,模拟各降雨情景下各调蓄池布设方案条件下的排口处的水位、流量和污染物浓度变化过程,管网节点溢流数量与污染物溢流总量,汇总并生成数据资料库;
步骤8:建立调蓄池效益量化评价体系,包括污染减排能力评价指标、排涝能力评价指标、截流能力评价指标和综合效益评价指标;
步骤9:计算调蓄池多组合布设条件下效益指标;
基于步骤7模拟结果,计算各调蓄池布设条件下,步骤8所提出的各项评价指标值;
步骤10:结合决策树算法建立评价指标与调蓄池布设方案深层联系,分析整合步骤9所获得评价指标数据与其对应的调蓄池布设方案,以评价指标数据为输入条件,以调蓄池布设方案为目标结果,结合决策树算法建立深层联系,实现通过最优化评价指标反演优化调蓄池布设方案。
相对于现有技术,本发明的有益效果是:本发明针对城市初雨面源污染严重,调蓄池布设依据缺乏,初雨污染物削减效果欠佳问题,通过建立SWMM雨洪管网模型模拟若干调蓄池布设方案,构建调蓄池效益量化评价体系分析调蓄池布设方案效果,进而结合决策树算法建立评价指标与调蓄池布设方案深层联系,通过输入目标效益指标,可快速输出与之对应的调蓄池的优化布设方案,最大化调蓄池的初雨污染削减效益。
附图说明
图1是本发明实施例方法的流程图;
图2是本发明所构建的基于网格搜索算法的SWMM模型参数自动率定流程图;
图3是本发明所构建的基于决策树算法的调蓄池优化布设反演流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所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。
请见图1,本发明提供的一种基于雨洪管网模型与决策树算法的调蓄池优化布设方法,包括以下步骤:
步骤1:收集目标区域基础资料,包括数字高程数据、土地利用数据、土壤下渗能力、管网矢量数据、节点矢量数据、调蓄设施数据、水系分布数据、河道水位流量和河道断面数据;
步骤2:构建三维数组整合实测降雨与监测资料,第一维度为实测降雨事件,第二维度为时间序列,第三维度为降雨气象监测数据、水质流量监测数据和排水管网监测数据;第三维度数据具体包括目标区域各站点降雨观测数据、排水管网监测点水位数据、排水管网监测点流速数据、排水管网监测点流量过程数据、排水管网监测点污染物浓度数据、排水管网监测点污染物总排放量数据;
步骤3:基于步骤1收集资料构建SWMM模型,包括地表产流模块,地下管网汇流模块和污染物增长输移模块;
本实施例的地表产流模块,其构建过程是:
根据研究区域内的地形高程和管网检查井汇流节点分布,将研究区域划分为若干个子汇水区,每个子汇水区由透水区、有洼蓄能力的不透水区和无洼蓄不透水区三部分共同构成,对应的地表产流量也划分为透水区产流量R1、有洼蓄不透水区产流量R2和无洼蓄不透水区产流量R3三部分;
1)对于透水区,当降雨量满足地表入渗条件后,地面开始积水至超过其洼蓄能力后便形成地表径流,产流计算公式为:
R1=(i-f)·Δt;
式中,R1为透水区的产流量,单位mm;i为降雨强度,单位mm/h;f为地表面入渗率,单位mm/h;Δt为计算时间间隔,单位为h;
其中地表入渗能力随时间变化,通过Horton模型进行表述,其表达式为:f=(f0-f∞)e-kt+f∞
式中,f为地表入渗能力,单位mm/h;f0、f∞分别为初始入渗率和稳定入渗率,单位mm/h;t为降雨时间,单位h;k为入渗衰减指数,与土质状况密切相关;
2)对于有洼蓄不透水区,降雨量满足地面最大洼蓄量后,便可形成径流,产流计算公式为:
R2=P-D;
式中,R2为有洼蓄能力不透水区的产流量,单位mm;P为降雨量,单位mm;D为洼蓄量,单位mm;
3)对于无洼蓄不透水区,降雨量除地面蒸发外基本上转化为径流量,当降雨量大于蒸发量时即可形成径流,产流计算公式为:
R3=P-E;
式中,R3为无洼蓄透水区的产流量,单位mm;P为降雨量,单位mm;E为蒸发量,单位mm。
本实施例的地下管网汇流模块,其构建过程是:
管道汇流过程采用动力波法求解,该方法为完整的一维圣维南方程,通过联立连续性方程进行求解,将节点的水位和管道中的流量的求解相结合,可应用于复杂水流计算,其控制方程为:
式中,Q为瞬时流量,单位为m3/s;A为过水断面面积,单位为㎡;x为管道长度,单位为m;t为时间,单位为s;H为水深,单位为m;g为重力加速度,单位为m/s2;Sf为因摩擦损失引起的能量坡降;n为管道综合糙率;R为水力半径,单位为m;v为断面平均流速,单位为m/s。
式中,Qt+Δt为t+Δt时刻的流量,Qt为t时刻流量;A2、A1为管段上、下节点的过水断面面积,H2、H1为管段上、下节点的水深;分别为Δt时段的过水断面面积和流速的平均值;ΔA为Δt时段内过水断面面积的变化量;L为管段的长度;n为管道综合糙率;R为水力半径;g为重力加速度;
本实施例的污染物增长及输移模块,其构建过程是:
污染物输移主要包括源项污染和面源冲刷污染,本发明主要针对街道冲刷造成的面源污染,不考虑降雨中污染物浓度。污染物增长及输移过程通过街道污染物增长、污染物冲刷进行表征;其中,街道污染物增长采用饱和函数,即污染物增长以线性速率开始,随时间累计增长速率持续下降,直至达到饱和数值,表示为:
式中,B为污染物的累积量,单位为kg/m2;C1为单位面积最大污染物累计量,单位为kg/m2;C2为半饱和常数,即达到单位面积最大污染物累计量一半时的天数;t为天数;
污染物冲刷设定为指数冲刷,其冲刷负荷能力W为:
式中,W1为冲刷系数;W2为冲刷指数;q为单位面积的径流速率,单位为mm/h;B为污染物的累积量,单位为kg/m2。
步骤4:SWMM模型参数自动率定;
以步骤2中的降雨观测数据为输入条件,以监测点监测的流量、污染物浓度变化过程为目标,结合网格搜索算法实现步骤3所构建的SWMM模型参数的自动化率定;
请见图2,步骤4的具体实现包括以下子步骤:
步骤4.1:根据文献资料确定模型参数的合理范围;
步骤4.2:通过网格搜索算法自动构建参数组合,以步骤2中的降雨数据为输入条件,以监测点监测的流量、污染物浓度变化过程为率定目标进行模型训练;
步骤4.3:输出模型最优参数组合;
步骤4.4:选取≥2场实测降雨事件,验证监测节点出的流量过程与污染物浓度变化过程,以纳什系数作为评价指标,当纳什系数大于阈值(本实施例取值0.7)则输出模型,否则步骤4.1,调整参数范围重新进行模型训练。
本实施例中包括但不限于监测点的流量、污染物浓度变化过程,可增加对水位、流速、污染物总量的率定条件;
步骤5:通过结合芝加哥雨型与目标区域暴雨强度系数,或通过结合目标区域水文手册中典型雨型与目标区域暴雨强度系数,调整重现期P和降雨历时t,模拟构建若干种重现期与降雨历时的降雨情景数据,生成降雨情景数据库;
其中,芝加哥雨型公式为:
式中,i为暴雨强度,单位mm/h;P为降雨重现期,单位a;t为降雨历时,单位min;A、b、c、n为当地雨型系数;
步骤6:根据研究区域的土地利用类型及项目建设预算,初定调蓄池可布设位置及其总调蓄体积总量;
步骤7:调蓄池布设情景模拟并生成数据库;
运用步骤4所率定的SWMM模型,模拟各降雨情景下各调蓄池布设方案条件下的排口处的水位、流量和污染物浓度变化过程,管网节点溢流数量与污染物溢流总量,汇总并生成数据资料库;
步骤8:建立调蓄池效益量化评价体系,包括污染减排能力评价指标、排涝能力评价指标、截流能力评价指标和综合效益评价指标;
本实施例中污染减排能力评价指标,包括但不限于溢流污染负荷削减量、入河污染负荷削减量、污水厂进水水量削减量和污水厂进水污染负荷削减量;
本实施例中溢流污染负荷削减量,表示计算雨污调蓄池运行前溢流口污染负荷总量与雨污调蓄池运行后溢流口污染负荷总量的差值,溢流口污染负荷总量为:
其中,Q污为溢流口污染负荷总量,n为计算期间内溢流口入流量数据的个数,m为总模拟时长间隔个数,Cij为第i个汇流口在第j个时间间隔时污染物浓度,Qij为第i个溢流口在第j个时间间隔时入流量,tj为第j个溢流口的出水时间间隔;
本实施例中入河污染负荷削减量,表示计算雨污调蓄池运行前入河污染负荷总量与雨污调蓄池运行后入河污染负荷总量的差值;
本实施例中污水厂进水水量削减量,表示计算雨污调蓄池运行前后污水厂进水总量的差值;
本实施例中污水厂进水污染负荷削减量,表示计算雨污调蓄池运行前后污水厂进水污染负荷的差值,表示为:
ΔW污水厂负荷=Q调蓄池运行前C调蓄池运行前-Q调蓄池运行后C调蓄池运行后;
其中,ΔW污水厂负荷表示污水厂进水污染负荷削减量,Q调蓄池运行前表示调蓄池运行前污水处理厂进水水量,C调蓄池运行前表示调蓄池运行前污水处理厂进水浓度,Q调蓄池运行后表示调蓄池运行后污水处理厂进水水量,C调蓄池运行后表示调蓄池运行后污水处理厂进水浓度。
本实施例中排涝能力评价指标,包括但不限于节点冒溢个数削减量、节点冒溢时间削减量、满管管长削减量、满管持续时间削减量和入河径流削减量;
本实施例中节点冒溢个数削减量,为计算雨污调蓄池运行前各个节点冒溢量的总和与雨污调蓄池运行后各个节点冒溢量总和的差值;
本实施例中节点冒溢时间削减量,为计算雨污调蓄池运行前各个节点冒溢时间的总和与雨污调蓄池运行后各个节点冒溢时间总和的差值;
本实施例中满管管长削减量,为计算雨污调蓄池运行前满管运行管段长度的总和与雨污调蓄池运行后满管运行管段长度总和的差值;
本实施例中满管持续时间削减量,为计算雨污调蓄池运行前各管段满管运行时间的总和与雨污调蓄池运行后各个管段满管运行时间总和的差值;
本实施例中入河径流削减量表示调蓄池运行前后河道径流的差值。
本实施例中截流能力评价指标,包括但不限于溢流削减量、截流水量;
本实施例中溢流削减量为:
式中,Q减为溢流口的总溢流量,n为计算期间内溢流口入流量数据的个数,m为总模拟时长间隔个量,Qij调蓄池运行前为调蓄池运行前第i个溢流口在第j个时刻的流量,Qij调蓄池运行后为调蓄池运行后第i个溢流口在第j个时刻的流量,tj为第j个时间间隔;
本实施例中截流水量为调蓄池进水总量为:
其中,Q截流为雨水调蓄池的进水流量,n为计算期间内溢流口入流量数据的个数,m为总模拟时长间隔个量,Qij为第i个调蓄池在第j个时刻进水流量,tj为第j个时间间隔。
本实施例中综合效益评价指标,包括但不限于污染物削减比,通过调蓄池截流污染物总量与调蓄池总体积的比值表征调蓄建设成本与调蓄池对初雨污染削减间的效益。
步骤9:计算调蓄池多组合布设条件下效益指标;
基于步骤7模拟结果,计算各调蓄池布设条件下,步骤8所提出的各项评价指标值;
步骤10:结合决策树算法建立评价指标与调蓄池布设方案深层联系,分析整合步骤9所获得评价指标数据与其对应的调蓄池布设方案,以评价指标数据为输入条件,以调蓄池布设方案为目标结果,结合决策树算法建立深层联系,实现通过最优化评价指标反演优化调蓄池布设方案。
请见图3,本实施例中步骤10的具体实现包括以下子步骤:
步骤10.1:分析整合步骤9所获得评价指标数据与其对应的调蓄池布设方案,以评价指标数据为输入条件,以调蓄池布设方案为目标结果,构造模型训练数据集D={(x1,y1),(x2,y2),…,(xn,yn)},其中yn为第n种调蓄池布设组合,表示yn=(v1,v2,…,vn),其中vn为第n个调蓄调蓄池的调蓄体积;xn为第n种调蓄池布设组合下,步骤9模拟计算得出与之对应的效益指标,表示为xn=(para1,para2,...,paran),其中paran分别包括但不限于步骤8中所提出的评价指标,分别为溢流污染负荷削减量、入河污染负荷削减量、污水厂进水水量、污染负荷削减量、节点冒溢个数削减量、节点冒溢时间削减量、满管管长削减量、满管持续时间削减量、入河径流削减量、溢流削减量、截流水量和污染物削减比;
步骤10.2:将通过决策树算法建立输入条件与输出结果间的深层联系,将输入条件与输出结果间的关系表示为:
式中,f(x)为预测变量,M为通过空间切割,将输入数据特征空间切割成M个区域R1、R2…,RM,cm为Rm空间的输出值,I为单位矩阵,x为输入变量;
式中,j表示变量总个数,s表示切分点,xi为第i种指标组合,yi为xi指标下对应的调蓄池组合情况,R1、R2为切分出的两个变量空间,R1(j,s)={x|x(j)≤s},R2(j,s)={x|x(j)>s},x(j)表示x指标组合中的第j个变量;c1、c2为两个变量空间对应的输出值,c1=ave(yi|xi∈R1(j,s)),c2=ave(yi|xi∈R2(j,s)),通过遍历所有输入变量,确定所有变量j各自的切分点s,使Value达到最小值时,即确定出最优变量j和最优切分点s;
式中,xi∈Rm,m=1,2,Nm为空间Rm中的调蓄池组合方案数量,yi为xi指标下对应的调蓄池组合情况;
步骤10.5:重复步骤10.3-10.4,直至决策树最大层数达到设定阈值或所有调蓄池方案均被单独划分后停止,进行剪枝操作后,将变量空间划分为M个区域R1、R2…,RM,生成决策树模型;
步骤10.6:通过测试集测试决策树效果,即输入特征指标,通过步骤10.5构建生成的决策树模型反演调蓄池优化布设方案;进一步以反演获得的调蓄池优化布设方案为条件,驱动SWMM模型,计算步骤8所提出的指标评价体系;最后与最初的决策树模型输入特征指标进行对比,验证所建决策树模型的可靠性;当各项指标误差相对误差可控制在阈值(本实施例取值15%)以内时,即认为所建决策树模型满足要求,输出存储决策树模型,否则返回至步骤10.1,重新调整输入指标,进行模型训练;
步骤10.7:通过输入调蓄池效益评估指标,自动生成调蓄池优化布设方案。
本发明结合雨洪管网模型与决策树算法进行调蓄池优化布设,对充分发挥调蓄池潜能,进一步削减城市初雨导致的面源污染具有广阔的应用前景。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (10)
1.一种基于雨洪管网模型与决策树算法的调蓄池优化布设方法,其特征在于,包括以下步骤:
步骤1:收集目标区域基础资料,包括数字高程数据、土地利用数据、土壤下渗能力、管网矢量数据、节点矢量数据、调蓄设施数据、水系分布数据、河道水位流量和河道断面数据;
步骤2:构建三维数组整合实测降雨与监测资料,第一维度为实测降雨事件,第二维度为时间序列,第三维度为降雨气象监测数据、水质流量监测数据和排水管网监测数据;第三维度数据具体包括目标区域各站点降雨观测数据、排水管网监测点水位数据、排水管网监测点流速数据、排水管网监测点流量过程数据、排水管网监测点污染物浓度数据、排水管网监测点污染物总排放量数据;
步骤3:基于步骤1收集资料构建SWMM模型,包括地表产流模块,地下管网汇流模块和污染物增长输移模块;
步骤4:SWMM模型参数自动率定;
以步骤2中的降雨观测数据为输入条件,以监测点监测的流量、污染物浓度变化过程为目标,结合网格搜索算法实现步骤3所构建的SWMM模型参数的自动化率定;
步骤5:通过结合芝加哥雨型与目标区域暴雨强度系数,或通过结合目标区域水文手册中典型雨型与目标区域暴雨强度系数,调整重现期P和降雨历时t,模拟构建若干种重现期与降雨历时的降雨情景数据,生成降雨情景数据库;
其中,芝加哥雨型公式为:
式中,i为暴雨强度,单位mm/h;P为降雨重现期,单位a;t为降雨历时,单位min;A、b、c、n为当地雨型系数;
步骤6:根据研究区域的土地利用类型及项目建设预算,初定调蓄池可布设位置及其总调蓄体积总量;
步骤7:调蓄池布设情景模拟并生成数据库;
运用步骤4所率定的SWMM模型,模拟各降雨情景下各调蓄池布设方案条件下的排口处的水位、流量和污染物浓度变化过程,管网节点溢流数量与污染物溢流总量,汇总并生成数据资料库;
步骤8:建立调蓄池效益量化评价体系,包括污染减排能力评价指标、排涝能力评价指标、截流能力评价指标和综合效益评价指标;
步骤9:计算调蓄池多组合布设条件下效益指标;
基于步骤7模拟结果,计算各调蓄池布设条件下,步骤8所提出的各项评价指标值;
步骤10:结合决策树算法建立评价指标与调蓄池布设方案深层联系,分析整合步骤9所获得评价指标数据与其对应的调蓄池布设方案,以评价指标数据为输入条件,以调蓄池布设方案为目标结果,结合决策树算法建立深层联系,实现通过最优化评价指标反演优化调蓄池布设方案。
2.根据权利要求1所述的基于雨洪管网模型与决策树算法的调蓄池优化布设方法,其特征在于:步骤3所述地表产流模块,其构建过程是:
根据研究区域内的地形高程和管网检查井汇流节点分布,将研究区划分为若干个子汇水区,每个子汇水区由透水区、有洼蓄能力的不透水区和无洼蓄不透水区三部分共同构成,对应的地表产流量也划分为透水区产流量R1、有洼蓄不透水区产流量R2和无洼蓄不透水区产流量R3三部分;
1)对于透水区,当降雨量满足地表入渗条件后,地面开始积水至超过其洼蓄能力后便形成地表径流,产流计算公式为:
R1=(i-f)·Δt;
式中,R1为透水区的产流量,单位mm;i为降雨强度,单位mm/h;f为地表入渗能力,单位mm/h;Δt为计算时间间隔,单位为h;
其中地表入渗能力随时间变化,通过Horton模型进行表述,其表达式为:f=
(f0-f∞)e-kt+f∞
式中,f为地表入渗能力,单位mm/h;f0、f∞分别为初始入渗率和稳定入渗率,单位mm/h;t为降雨时间,单位h;k为入渗衰减指数,与土质状况密切相关;
2)对于有洼蓄不透水区,降雨量满足地面最大洼蓄量后,便可形成径流,产流计算公式为:
R2=P-D;
式中,R2为有洼蓄能力不透水区的产流量,单位为mm;P为降雨量,单位为mm;D为洼蓄量,单位为mm;
3)对于无洼蓄不透水区,降雨量除地面蒸发外基本上转化为径流量,当降雨量大于蒸发量时即可形成径流,产流计算公式为:
R3=P-E;
式中,R3为无洼蓄透水区的产流量,单位为mm;P为降雨量,单位为mm;E为蒸发量,单位为mm。
3.根据权利要求1所述的基于雨洪管网模型与决策树算法的调蓄池优化布设方法,其特征在于:步骤3所述地下管网汇流模块,其构建过程是:
管道汇流过程采用动力波法求解,通过联立连续性方程进行求解,将节点的水位和管道中的流量的求解相结合,其控制方程为:
式中,Q为瞬时流量,单位为m3/s;A为过水断面面积,单位为㎡;x为管道长度,单位为m;t为时间,单位为s;H为水深,单位为m;g为重力加速度,单位为m/s2;Sf为因摩擦损失引起的能量坡降;n为管道综合糙率;R为水力半径,单位为m;v为断面平均流速,单位为m/s;
4.根据权利要求1所述的基于雨洪管网模型与决策树算法的调蓄池优化布设方法,其特征在于:步骤3所述污染物增长及输移模块,其构建过程是:
污染物增长及输移过程通过街道污染物增长、污染物冲刷进行表征;其中,街道污染物增长采用饱和函数,即污染物增长以线性速率开始,随时间累计增长速率持续下降,直至达到饱和数值,表示为:
式中,B为污染物的累积量,单位为kg/m2;C1为单位面积最大污染物累计量,单位为kg/m2;C2为半饱和常数,即达到单位面积最大污染物累计量一半时的天数;t为天数;
污染物冲刷设定为指数冲刷,其冲刷负荷能力W为:
式中,W1为冲刷系数;W2为冲刷指数;q为单位面积的径流速率,单位为mm/h;B为污染物的累积量,单位为kg/m2。
5.根据权利要求1所述的基于雨洪管网模型与决策树算法的调蓄池优化布设方法,其特征在于:步骤4的具体实现包括以下子步骤:
步骤4.1:根据文献资料确定模型参数的合理范围;
步骤4.2:通过网格搜索算法自动构建参数组合,以步骤2中的降雨数据为输入条件,以监测点监测的流量、污染物浓度变化过程为率定目标进行模型训练;
步骤4.3:输出模型最优参数组合;
步骤4.4:选取≥2场实测降雨事件,验证监测节点出的流量过程与污染物浓度变化过程,以纳什系数作为评价指标,当纳什系数大于阈值则输出模型,否则步骤4.1,调整参数范围重新进行模型训练。
6.根据权利要求1所述的基于雨洪管网模型与决策树算法的调蓄池优化布设方法,其特征在于:步骤8中,所述污染减排能力评价指标,包括溢流污染负荷削减量、入河污染负荷削减量、污水厂进水水量削减量和污水厂进水污染负荷削减量;
所述溢流污染负荷削减量,表示计算雨污调蓄池运行前溢流口污染负荷总量与雨污调蓄池运行后溢流口污染负荷总量的差值,溢流口污染负荷总量为:
其中,Q污为溢流口污染负荷总量,n为计算期间内溢流口入流量数据的个数,m为总模拟时长间隔个数,Cij为第i个汇流口在第j个时间间隔时污染物浓度,Qij为第i个溢流口在第j个时间间隔时入流量,tj为第j个溢流口的出水时间间隔;
所述入河污染负荷削减量,表示计算雨污调蓄池运行前入河污染负荷总量与雨污调蓄池运行后入河污染负荷总量的差值;
所述污水厂进水水量削减量,表示计算雨污调蓄池运行前后污水厂进水总量的差值;
所述污水厂进水污染负荷削减量,表示计算雨污调蓄池运行前后污水厂进水污染负荷的差值,表示为:
ΔW污水厂负荷=Q调蓄池运行前C调蓄池运行前-Q调蓄池运行后C调蓄池运行后;
其中,ΔW污水厂负荷表示污水厂进水污染负荷削减量,Q调蓄池运行前表示调蓄池运行前污水处理厂进水水量,C调蓄池运行前表示调蓄池运行前污水处理厂进水浓度,Q调蓄池运行后表示调蓄池运行后污水处理厂进水水量,C调蓄池运行后表示调蓄池运行后污水处理厂进水浓度。
7.根据权利要求1所述的基于雨洪管网模型与决策树算法的调蓄池优化布设方法,其特征在于:步骤8中,所述排涝能力评价指标,包括节点冒溢个数削减量、节点冒溢时间削减量、满管管长削减量、满管持续时间削减量和入河径流削减量;
所述节点冒溢个数削减量,为计算雨污调蓄池运行前各个节点冒溢量的总和与雨污调蓄池运行后各个节点冒溢量总和的差值;
所述节点冒溢时间削减量,为计算雨污调蓄池运行前各个节点冒溢时间的总和与雨污调蓄池运行后各个节点冒溢时间总和的差值;
所述满管管长削减量,为计算雨污调蓄池运行前满管运行管段长度的总和与雨污调蓄池运行后满管运行管段长度总和的差值;
所述满管持续时间削减量,为计算雨污调蓄池运行前各管段满管运行时间的总和与雨污调蓄池运行后各个管段满管运行时间总和的差值;
所述入河径流削减量表示调蓄池运行前后河道径流的差值。
8.根据权利要求1所述的基于雨洪管网模型与决策树算法的调蓄池优化布设方法,其特征在于:步骤8中,所述截流能力评价指标,包括溢流削减量、截流水量;
所述溢流削减量为:
式中,Q减为溢流口的总溢流量,n为计算期间内溢流口入流量数据的个数,m为总模拟时长间隔个量,Qij调蓄池运行前为调蓄池运行前第i个溢流口在第j个时刻的流量,Qij调蓄池运行后为调蓄池运行后第i个溢流口在第j个时刻的流量,tj为第j个时间间隔;
所述截流水量为调蓄池进水总量为:
其中,Q截流为雨水调蓄池的进水流量,n为计算期间内溢流口入流量数据的个数,m为总模拟时长间隔个量,Qij为第i个调蓄池在第j个时刻进水流量,tj为第j个时间间隔。
9.根据权利要求1所述的基于雨洪管网模型与决策树算法的调蓄池优化布设方法,其特征在于:步骤8中,所述综合效益评价指标,包括污染物削减比,通过调蓄池截流污染物总量与调蓄池总体积的比值表征调蓄建设成本与调蓄池对初雨污染削减间的效益。
10.根据权利要求1-9任意一项所述的基于雨洪管网模型与决策树算法的调蓄池优化布设方法,其特征在于,步骤10的具体实现包括以下子步骤:
步骤10.1:分析整合步骤9所获得评价指标数据与其对应的调蓄池布设方案,以评价指标数据为输入条件,以调蓄池布设方案为目标结果,构造模型训练数据集D={(x1,y1),(x2,y2),…,(xn,yn)},其中yn为第n种调蓄池布设组合,表示yn=(v1,v2,…,vn),其中vn为第n个调蓄调蓄池的调蓄体积;xn为第n种调蓄池布设组合下,步骤9模拟计算得出与之对应的效益指标,表示为xn=(para1,para2,...,paran),其中paran分别包括步骤8中所提出的评价指标,分别为溢流污染负荷削减量、入河污染负荷削减量、污水厂进水水量、污染负荷削减量、节点冒溢个数削减量、节点冒溢时间削减量、满管管长削减量、满管持续时间削减量、入河径流削减量、溢流削减量、截流水量和污染物削减比;
步骤10.2:将通过决策树算法建立输入条件与输出结果间的深层联系,将输入条件与输出结果间的关系表示为:
式中,f(x)为预测变量,M为通过空间切割,将输入数据特征空间切割成M个区域R1、R2…,RM,cm为Rm空间的输出值,I为单位矩阵,x为输入变量;
式中,j表示变量总个数,s表示切分点,xi为第i种指标组合,yi为xi指标下对应的调蓄池组合情况,R1、R2为切分出的两个变量空间,R1(j,s)={x|x(j)≤s},R2(j,s)={x|x(j)>s},x(j)表示x指标组合中的第j个变量;c1、c2为两个变量空间对应的输出值,c1=ave(yi|xi∈R1(j,s)),c2=ave(yi|xi∈R2(j,s)),通过遍历所有输入变量,确定所有变量j各自的切分点s,使Value达到最小值时,即确定出最优变量j和最优切分点s;
式中,xi∈Rm,m=1,2,Nm为空间Rm中的调蓄池组合方案数量,yi为xi指标下对应的调蓄池组合情况;
步骤10.5:重复步骤10.3-10.4,直至决策树最大层数达到设定阈值或所有调蓄池方案均被单独划分后停止,进行剪枝操作后,将变量空间划分为M个区域R1、R2…,RM,生成决策树模型;
步骤10.6:通过测试集测试决策树效果,即输入特征指标,通过步骤10.5构建生成的决策树模型反演调蓄池优化布设方案;进一步以反演获得的调蓄池优化布设方案为条件,驱动SWMM模型,计算步骤8所提出的指标评价体系;最后与最初的决策树模型输入特征指标进行对比,验证所建决策树模型的可靠性;当各项指标误差相对误差可控制在阈值以内时,即认为所建决策树模型满足要求,输出存储决策树模型,否则返回至步骤10.1,重新调整输入指标,进行模型训练;
步骤10.7:通过输入调蓄池效益评估指标,自动生成调蓄池优化布设方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211453160.2A CN115758886A (zh) | 2022-11-21 | 2022-11-21 | 基于雨洪管网模型与决策树算法的调蓄池优化布设方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211453160.2A CN115758886A (zh) | 2022-11-21 | 2022-11-21 | 基于雨洪管网模型与决策树算法的调蓄池优化布设方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115758886A true CN115758886A (zh) | 2023-03-07 |
Family
ID=85333545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211453160.2A Pending CN115758886A (zh) | 2022-11-21 | 2022-11-21 | 基于雨洪管网模型与决策树算法的调蓄池优化布设方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758886A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115931057A (zh) * | 2023-03-08 | 2023-04-07 | 广东广宇科技发展有限公司 | 一种基于城市水利数据的地下管道排放预警系统 |
CN117010232A (zh) * | 2023-06-27 | 2023-11-07 | 西安理工大学 | 基于gpu加速技术的城市非点源污染全过程高分辨率模拟方法 |
CN117023832A (zh) * | 2023-04-13 | 2023-11-10 | 中国长江三峡集团有限公司 | 初期雨水治理系统和方法 |
CN117391316A (zh) * | 2023-12-13 | 2024-01-12 | 长江水资源保护科学研究所 | 一种蓄洪区水质净化能力的预评估方法 |
CN117846098A (zh) * | 2024-03-05 | 2024-04-09 | 中国市政工程华北设计研究总院有限公司 | 一种城市超量径流调度控制方法 |
-
2022
- 2022-11-21 CN CN202211453160.2A patent/CN115758886A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115931057A (zh) * | 2023-03-08 | 2023-04-07 | 广东广宇科技发展有限公司 | 一种基于城市水利数据的地下管道排放预警系统 |
CN117023832A (zh) * | 2023-04-13 | 2023-11-10 | 中国长江三峡集团有限公司 | 初期雨水治理系统和方法 |
CN117010232A (zh) * | 2023-06-27 | 2023-11-07 | 西安理工大学 | 基于gpu加速技术的城市非点源污染全过程高分辨率模拟方法 |
CN117391316A (zh) * | 2023-12-13 | 2024-01-12 | 长江水资源保护科学研究所 | 一种蓄洪区水质净化能力的预评估方法 |
CN117391316B (zh) * | 2023-12-13 | 2024-03-19 | 长江水资源保护科学研究所 | 一种蓄洪区水质净化能力的预评估方法 |
CN117846098A (zh) * | 2024-03-05 | 2024-04-09 | 中国市政工程华北设计研究总院有限公司 | 一种城市超量径流调度控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109492259B (zh) | 一种城市水文模拟系统 | |
CN109492299B (zh) | 基于swmm与modflow耦合的水资源模拟方法 | |
Oraei Zare et al. | Multi-objective optimization for combined quality–quantity urban runoff control | |
CN112700141B (zh) | 一种城市排水管网在线分析方法 | |
CN113610264A (zh) | 精细化电网台风洪涝灾害预测模型 | |
CN115375198B (zh) | 区域河湖水系连通联合调度和水质安全保障方法及系统 | |
CN112907047A (zh) | 一种海绵城市绩效评估系统 | |
CN110232479A (zh) | 一种城市水库防洪补偿优化调度方法 | |
CN112084671A (zh) | 城市时变增益降雨-径流过程模拟计算方法 | |
CN111737853A (zh) | 一种基于swmm模型的低影响开发多目标区间优化配置方法 | |
CN116011731A (zh) | 基于机器学习算法与雨洪数值模型的厂网河联合调度方法 | |
CN114936505B (zh) | 一种城市雨水井多点位水深快速预报的方法 | |
CN114139258A (zh) | 城市内涝建模评估方法、系统及计算机可读存储介质 | |
CN110728062A (zh) | 一种基于swmm的农村非点源污染模拟方法 | |
CN110096670B (zh) | 调蓄池削减峰值流量的一种动态计算方法 | |
CN114676473A (zh) | 一种基于人工智能算法的绿色基础设施空间布局优化方法 | |
Zhang et al. | Restoration of urban water environment landscape system and SWMM technology integration in water-scarce cities | |
Wang et al. | The impact of urbanization and LID technology on hydrological effect | |
He et al. | Regional groundwater prediction model using automatic parameter calibration SCE method for a coastal plain of Seto Inland Sea | |
CN113449983B (zh) | 一种新型城市湿地规划设计方法 | |
CN115730739A (zh) | 一种基于lstm神经网络的城市内涝积水预测方法 | |
CN111783323B (zh) | 一种陆面水文耦合模拟系统及方法 | |
CN114595631A (zh) | 一种基于efdc模型和机器学习算法的水质预测方法 | |
CN117893179B (zh) | 基于数字孪生的水利电力工程建造管控方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230508 Address after: 11th Floor, Block A, Haina Baichuan Headquarters Building, No. 6 Baoxing Road, Haibin Community, Xin'an Street, Shenzhen, Guangdong Province, 518100 Applicant after: China Power Construction Ecological Environment Group Co.,Ltd. Applicant after: WUHAN University Address before: 430072 Hubei Province, Wuhan city Wuchang District of Wuhan University Luojiashan Applicant before: WUHAN University |