CN116629034B - 一种排水管网污染物溯源方法、装置、计算机设备及介质 - Google Patents
一种排水管网污染物溯源方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN116629034B CN116629034B CN202310906319.XA CN202310906319A CN116629034B CN 116629034 B CN116629034 B CN 116629034B CN 202310906319 A CN202310906319 A CN 202310906319A CN 116629034 B CN116629034 B CN 116629034B
- Authority
- CN
- China
- Prior art keywords
- concentration
- pollutant information
- pollutant
- water quality
- pipe network
- 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
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 227
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 227
- 238000000034 method Methods 0.000 title claims abstract description 66
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 159
- 238000009826 distribution Methods 0.000 claims abstract description 36
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 48
- 238000004088 simulation Methods 0.000 claims description 42
- 239000010865 sewage Substances 0.000 claims description 40
- 238000012216 screening Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 26
- 229910052757 nitrogen Inorganic materials 0.000 claims description 24
- 239000000356 contaminant Substances 0.000 claims description 21
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 claims description 19
- 241000588724 Escherichia coli Species 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 11
- 230000015556 catabolic process Effects 0.000 claims description 10
- 238000006731 degradation reaction Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 2
- 238000011109 contamination Methods 0.000 claims description 2
- -1 conductivity Chemical compound 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 22
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 238000000342 Monte Carlo simulation Methods 0.000 description 8
- 241000495778 Escherichia faecalis Species 0.000 description 6
- 230000002550 fecal effect Effects 0.000 description 5
- 239000010842 industrial wastewater Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 239000002351 wastewater Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006722 reduction reaction Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
-
- 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
- G06F17/13—Differential equations
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水环境信息处理技术领域,提供了一种排水管网污染物溯源方法、装置、计算机设备及介质。其中,该方法包括:确定排水管网的污染源水质特征因子的第一污染物信息;采集污染源水质特征因子在排水管网末端排口位置的第一实际浓度;将第一污染物信息作为先验分布参数,根据第一实际浓度,确定排水管网中的第二污染物信息及第二污染物信息对应的后验概率密度;根据第二污染物信息、第二污染物信息对应的后验概率密度,确定污染源。通过本发明,通过将排水管网的污染源水质特征因子的第一浓度范围作为先验分布参数,根据采集到的排水管网末端排口位置实际浓度,得到污染源的污染物信息,降低监测投入成本,同时达到准确溯源目的。
Description
技术领域
本发明涉及水环境信息处理技术领域,尤其涉及一种排水管网污染物溯源方法、装置、计算机设备及介质。
背景技术
现有技术中,主要通过化学平衡模型进行污染物溯源。在溯源过程中,需要遍历所有管网节点,开展大范围水质监测、流量监测,导致资金投入大、时间成本高。
部分技术在排水管网的关键位点布置水质监测装置采集各位点的水质时序数据,主要监测指标为pH、COD和BOD等,利用排水管网树状拓扑关系结构图进行水流路径分析和水质时序数据梯度分析,以此判定污染物排放位置范围。但是排水管道污染源排放浓度存在着空间差异,加之水质特征指标浓度的测量误差及源浓度测量和末端排放口浓度观测存在的非同步性等特征,更加增加了其中进行污染物质溯源的不确定性,影响溯源结果准确性。此外,部分技术在排口端或管道中途节点监测两种水质特征因子,并结合不确定性演算模型,对管网的入流污水及入渗的地下水比例进行定量化计算,定量评估混接与入流、入渗百分比。
但是上述采用化学平衡模型及不确定性演算模型的技术,均只可获取污染物入流比例,不能判断污染源排放强度、排放位置与排放时间,未达到管网污染物溯源的效果。
发明内容
为降低监测投入成本,提高污染物溯源效率、提升污染物溯源效果,本发明提出了一种排水管网污染物溯源方法、装置、计算机设备及介质。
第一方面,本发明提供了一种排水管网污染物溯源方法,方法包括:
确定排水管网的污染源水质特征因子的第一污染物信息;
采集污染源水质特征因子在排水管网末端排口位置的第一实际浓度;
将第一污染物信息作为先验分布参数,根据第一实际浓度,确定排水管网中的第二污染物信息及第二污染物信息对应的后验概率密度;
根据第二污染物信息、第二污染物信息对应的后验概率密度,确定污染源。
考虑到相关技术中,在水质监测过程中遍历所有管网节点,开展大范围水质监测,进而导致监测投入成本过高,通过上述方法,利用贝叶斯理论,将第一污染物信息作为先验分布参数,并将其表达为概率密度函数的形式,结合在排水管网末端采集到的实际浓度,从而获得污染源的污染物信息以及对应的后验概率密度,相较于相关技术遍历所有管网节点进行水质监测,提高污染物溯源效率,降低监测投入成本,同时,在第一污染物信息的基础上,计算得到的第二污染物信息及后验概率密度更加准确。
在一种可选的实施方式中,确定排水管网的污染源水质特征因子的第一污染物信息,包括:
采集多个预设区域在不同时刻的污水样品;
获取各污水样品的污染源水质特征因子浓度;
根据各污染源水质特征因子浓度,确定第三污染物信息;
采集污染源水质特征因子在排水管网末端排口位置的第二实际浓度;
根据第二实际浓度和一维水质模拟模型,筛选第三污染物信息,得到第一污染物信息。
通过上述实施方式,采集不同时间不同位置处的污水样品以获得第三污染物信息,同时利用排水管网末端排口位置实际浓度和一维水质模拟模型对第三污染物信息进行筛选,使得得到的第一污染物信息更加准确、更符合管网收水区域的实际情况,进而将第一污染物信息作为先验分布参数进行计算时,得到的第二污染物信息及对应的后验概率密度更加准确。
在一种可选的实施方式中,污染物信息包括多个排放浓度,以及各排放浓度对应的排放时间和排放位置,根据第二实际浓度和一维水质模拟模型,筛选第三污染物信息,得到第一污染物信息,包括:
对第三污染物信息中各排放浓度进行均匀取样,获得多个取样后的排放浓度;
根据取样后的排放浓度和一维水质模拟模型,计算排水管网末端排口位置的各模拟浓度;
根据各模拟浓度和第二实际浓度,筛选第三污染物信息,得到第一污染物信息。
在一种可选的实施方式中,根据各模拟浓度和第二实际浓度,筛选第三污染物信息,得到第一污染物信息,包括:
计算各模拟浓度和第二实际浓度的拟合度;
将拟合度大于预设阈值对应的各排放浓度,作为筛选后的排放浓度;
将筛选后的排放浓度,以及筛选后的排放浓度对应的排放时间和排放位置,作为第一污染物信息。
在一种可选的实施方式中,污染物信息包括多个排放浓度,以及各排放浓度对应的排放时间和排放位置,将第一污染物信息作为先验分布参数,根据第一实际浓度,确定排水管网中的第二污染物信息及第二污染物信息对应的后验概率密度,包括:
将第一污染物信息中的各排放浓度输入至一维水质模拟模型,确定第二污染物信息,以及第二污染物信息对应的排水管网末端排口位置的模拟浓度;
将第一污染物信息作为先验分布参数,将第二污染物信息对应的排水管网末端排口位置的模拟浓度、第一实际浓度,输入至预构建的后验概率密度函数,得到第二污染物信息对应的后验概率密度。
在一种可选的实施方式中,根据第二污染物信息、第二污染物信息对应的后验概率密度,确定污染源,包括:
根据预设置信区间和后验概率密度,对第二污染物信息进行筛选,得到筛选后的第二污染物信息和筛选后的后验概率密度;
根据筛选后的第二污染物信息、筛选后的后验概率密度,确定污染源。
在一种可选的实施方式中,污染源水质特征因子的确定步骤包括:
确定排水管网的污染源类型;
根据排水管网的污染源类型,确定污染源水质特征因子。
在一种可选的实施方式中,后验概率密度函数表示为:
其中,为污染源水质特征因子的后验概率密度函数;/>为先验分布参数,即第一污染物信息;/>为标准偏差;/>为第一实际浓度;M为污染源的排放浓度;/>为污染源的排放位置;T为污染源的排放时间;;Ni为模拟浓度;n为模拟总次数。
在一种可选的实施方式中,一维水质模拟模型的公式包括:
其中, A为过水断面面积,(m2);Q为流量,(m3/h);C为污染物信息中的各污染源水质特征因子排放浓度,(mg/L或μs/cm);t为时间,(s);x为距离排水管网末端排口位置的流程,(m);Ex为纵向离散系数,(m2/s);K1为污染物一级降解系数,(s-1);表示在污染物信息为X,即排放位置为/>、排放时间为T、排放浓度为M时排水管网末端排口位置的模拟浓度。
通过上述实施方式,利用贝叶斯理论,建立包含污染源排放位置、排放浓度、排放时间的后验概率密度函数,将第一浓度范围作为先验分布参数,根据排水管网末端排口位置的实际浓度,可以获得不同排放位置、不同排放时间的污染源水质特征因子的排放浓度,相较于仅可以获得污染物入流位置和比例的化学平衡方法,极大丰富污染物溯源结果。
在一种可选的实施方式中,排水管网的污染源包括生活污染源,生活污染源水质特征因子包括粪大肠杆菌,和/或,总氮。
在一种可选的实施方式中,排水管网的污染源包括工业污染源,工业污染源水质特征因子包括电导率,和/或,氟化物。
在一种可选的实施方式中,排水管网的污染源包括混合污染源,混合污染源水质特征因子包括粪大肠杆菌、总氮、电导率和氟化物中的至少一种。
通过上述实施方式,污染源水质特征因子是依据排水分区内的污染源类型选取的,生活污染源以粪大肠杆菌指数、总氮等作为污染源水质特征因子,工业污染源以电导率、氟化物等作为污染源水质特征因子。考虑到粪大肠杆菌指数、总氮、电导率、氟化物为较为稳定、指示性较好的特征因子,因此将其作为污染源水质特征因子,可有效避免污染物输送过程中降解、氧化、还原等反应对溯源精确度产生影响,也可有效识别不同类型排水管网中的污染源,避免结果产生较大误差。
第二方面,本发明还提供了一种排水管网污染物溯源装置,装置包括:
第一确定模块,用于确定排水管网的污染源水质特征因子的第一浓度范围及其污染物信息;
采集模块,用于采集污染源水质特征因子在排水管网末端排口位置的实际浓度;
第二确定模块,用于将第一污染物信息作为先验分布参数,根据第一实际浓度,确定排水管网中的第二污染物信息及第二污染物信息对应的后验概率密度;
第三确定模块,用于根据第二污染物信息、第二污染物信息对应的后验概率密度,确定污染源。
考虑到相关技术中,在水质监测过程中遍历所有管网节点,开展大范围水质监测,进而导致监测投入成本过高,通过上述装置,利用贝叶斯理论,将第一污染物信息作为先验分布参数,并将其表达为概率密度函数的形式,根据在排水管网末端采集到的实际浓度,从而获得污染源的污染物信息以及对应的后验概率密度,相较于相关技术遍历所有管网节点进行水质监测,提高污染物溯源效率,降低监测投入成本,同时,在第一污染物信息的基础上,计算得到的第二污染物信息及后验概率密度更加准确。
第三方面,本发明还提供了一种计算机设备,包括存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行第一方面或第一方面的任一实施方式的排水管网污染物溯源方法的步骤。
第四方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现第一方面或第一方面的任一实施方式的排水管网污染物溯源方法的步骤。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例提出的一种排水管网污染物溯源方法的流程图;
图2为根据一示例性实施例提出的一种排水管网污染物溯源装置的结构示意图;
图3是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
为降低监测投入成本,提高污染物溯源效率,本发明提出了一种排水管网污染物溯源方法、装置、计算机设备及介质。
图1是根据一示例性实施例提出的一种排水管网污染物溯源方法的流程图。如图1所示,该方法包括如下步骤S101至S104。
步骤S101:确定排水管网的污染源水质特征因子的第一污染物信息。
在一可选实施例中,排水管网的污染源类型包括但不限于生活污染源、工业污染源、混合污染源。
在一可选实施例中,当排水管网的污染源类型不同时,对应的污染源水质特征因子的类型不同。
在一可选实施例中,污染物信息包括排水管网污染源的排放位置、排放时间、水质特征因子排放浓度。
在一可选实施例中,污染物信息可以通过采集排水管网不同位置在不同时间的污染源水质特征因子的浓度确定。
在一可选实施例中,不同类型的污染源水质特征因子的污染物信息不同。
步骤S102:采集污染源水质特征因子在排水管网末端排口位置的第一实际浓度。
步骤S103:将第一污染物信息作为先验分布参数,根据第一实际浓度,确定排水管网中的第二污染物信息及第二污染物信息对应的后验概率密度。
在一可选实施例中,污染物信息指的是污染源在排放位置为x、排放时间为y时,对应水质特征因子的排放浓度为z。对应的后验概率密度为排放位置为x,排放时间为y,排放浓度z的后验概率密度。
步骤S104:根据第二污染物信息、第二污染物信息对应的后验概率密度,确定污染源。
在一可选实施例中,通过污染源的排放位置、排放时间、水质特征因子排放浓度以及对应的后验概率密度,即可知道污染源的具体信息,极大的丰富了污染物溯源结果。
考虑到相关技术中,在水质监测过程中遍历所有管网节点,开展大范围水质监测,进而导致监测投入成本过高,通过上述方法,利用贝叶斯理论,将第一污染物信息作为先验分布参数,并将其表达为概率密度函数的形式,根据在排水管网末端采集到的实际浓度,从而获得污染源的污染物信息以及对应的后验概率密度,相较于相关技术遍历所有管网节点进行水质监测,提高污染物溯源效率,降低监测投入成本,同时,在第一污染物信息的基础上,计算得到的第二污染物信息及后验概率密度更加准确。
在一示例中,步骤S101中污染源水质特征因子的确定步骤包括:
首先,确定排水管网的污染源类型。
然后,根据排水管网的污染源类型,确定污染源水质特征因子。当排水管网的污染源类型不同时,需要监测的污染源水质特征因子不同。示例性地,可充分结合片区生活污水和工业废水的水质特征,如居民生活习惯或工业生产工艺等信息,进一步提高污染物溯源精确度。
在一可选实施例中,排水管网的污染源包括生活污染源,生活污染源水质特征因子包括粪大肠杆菌,和/或,总氮。
在一可选实施例中,排水管网的污染源包括工业污染源,工业污染源水质特征因子包括电导率,和/或,氟化物。
在一可选实施例中,排水管网的污染源包括混合污染源,混合污染源水质特征因子包括粪大肠杆菌、总氮、电导率和氟化物中的至少一种。
污染源水质特征因子是依据排水分区内的污染源类型选取的,生活污染源以粪大肠杆菌指数、总氮等作为污染源水质特征因子,工业污染源以电导率、氟化物等作为污染源水质特征因子。考虑到粪大肠杆菌指数、总氮、电导率、氟化物为较为稳定、指示性较好的特征因子,因此将其作为污染源水质特征因子,可有效避免污染物输送过程中降解、氧化、还原等反应对溯源精确度产生影响,也可有效识别不同类型排水管网中的污染源,避免结果产生较大误差。
在一示例中,在上述步骤S101中,通过如下方式确定排水管网的污染源水质特征因子的第一污染物信息:
步骤a1:采集多个预设区域在不同时刻的污水样品。
在一可选实施例中,不同时刻可以为预设时长内的多个不同时刻。示例性地,可以为连续10天,采集0、6、12、18时排水管网不同区域内的污水样品。
步骤a2:获取各污水样品的污染源水质特征因子浓度。
步骤a3:根据各污染源水质特征因子浓度,确定第三污染物信息。
步骤a4:采集污染源水质特征因子在排水管网末端排口位置的第二实际浓度。
步骤a5:根据第二实际浓度和一维水质模拟模型,筛选第三污染物信息,得到第一污染物信息。
在一可选实施例中,一维水质模拟模型可以通过SWMM模型构建。
通过上述实施例,采集不同时间不同位置处的污水样品以获得第三污染物信息,同时利用排水管网末端排口位置实际浓度和一维水质模拟模型对第三污染物信息进行筛选,使得到的第一污染物信息更加准确、更符合管网收水区域的实际情况,进而将第一污染物信息作为先验分布参数进行计算时,得到的第二污染物信息及对应的后验概率密度更加准确。
在一示例中,污染物信息包括多个排放浓度,以及各排放浓度对应的排放时间和排放位置。
在上述步骤a5中,筛选第三污染物信息的具体内容包括:
首先,对第三污染物信息中各排放浓度进行均匀取样,获得多个取样后的排放浓度。示例性地,运用MATLAB工具包调用蒙特卡罗方法,设置步长为1000,对第一浓度进行均匀取样,得到多个浓度值。例如第一浓度范围为1 mg/L~10mg/L,根据蒙特卡罗方法从1.0、1.1、1.2…9.7、9.8、9.9、10.0中随机均匀取样,得到多个浓度值,利用蒙特卡罗方法可以快速遍历所有浓度值,减少水质水量检测,极大提高污染物溯源效率,降低污染物溯源成本。
然后,根据取样后的排放浓度和一维水质模拟模型,计算排水管网末端排口位置的各模拟浓度。
在一可选实施例中,一维水质模拟模型公式表示为:
其中,A为过水断面面积,(m2);Q为流量,(m3/h);在本发明实施例中C为取样后污染源水质特征因子的排放浓度,(mg/L或μs/cm);t为时间,(s);x为距离排水管网末端排口位置的流程,(m);Ex为纵向离散系数,(m2/s);K1为污染物一级降解系数,(s-1);表示在污染物信息为X,即排放位置为/>、排放时间为T、水质特征因子排放浓度为M时排水管网末端排口位置的模拟浓度。
最后,根据各模拟浓度和第二实际浓度,筛选第三污染物信息,得到第一污染物信息。
在一可选实施例中,可以通过计算模拟浓度和第二实际浓度的拟合度,筛选第三污染物信息:
首先,计算各模拟浓度和第二实际浓度的拟合度。示例性地,拟合度检验方法可以为剩余平方和检验、卡方(c2)检验和线性回归检验等,在此不做具体限制。
然后,将拟合度大于预设阈值对应的各排放浓度,作为筛选后的排放浓度。预设阈值的设定可以根据实际需要设定,在此不做具体限制。
最后,将筛选后的排放浓度,以及筛选后的排放浓度对应的排放时间和排放位置,作为第一污染物信息。
通过上述实施例,利用蒙特卡罗方法对污染源水质特征因子进行后验抽样,得到排水管网末端排口位置的模拟浓度,结合似然函数,根据实际浓度与模拟浓度进一步对第一污染物信息进行优化,保留与实际浓度相近的浓度值,摒弃与实际浓度相差较大的浓度值,从而使得先验分布参数更加准确,进而得到的污染源信息及后验概率密度更加准确。
在一示例中,在上述步骤S103中,通过如下内容确定排水管网中的第二污染物信息及第二污染物信息对应的后验概率密度:
首先,将第一污染物信息中的各排放浓度输入至一维水质模拟模型,确定第二污染物信息,以及第二污染物信息对应的排水管网末端排口位置的模拟浓度。
在一可选实施例中,一维水质模拟模型公式同样表示为:
其中, A为过水断面面积,(m2);Q为流量,(m3/h);在本发明实施例中C为第一污染物信息中的各污染源水质特征因子排放浓度,(mg/L),或电导率,(μs/cm);t为时间,(s);x为距离排水管网末端排口位置的流程,(m);Ex为纵向离散系数,(m2/s);K1为污染物一级降解系数,(s-1);表示排水管网末端排口位置在第二污染物信息为X(排放位置为/>、排放时间为T、排放浓度为M)时的模拟浓度。
然后,将第一污染物信息作为先验分布参数,将第二污染物信息对应的排水管网末端排口位置的模拟浓度、第一实际浓度,输入至预构建的后验概率密度函数,得到第二污染物信息对应的后验概率密度。
在一可选实施例中,后验概率密度函数表示为:
其中,为污染源水质特征因子的后验概率密度函数;/>为先验分布参数,即第一污染物信息;/>为标准偏差;/>为第一实际浓度;M为污染源的排放浓度;/>为污染源的排放位置;T为污染源的排放时间;Ni为模拟浓度;n为模拟总次数。
通过本发明实施例,利用贝叶斯理论,建立包含污染源排放位置、排放浓度、水质特征因子排放时间的后验概率密度函数,将第一污染物信息作为先验分布参数,根据排水管网末端排口位置的实际浓度,可以获得不同排放位置、不同排放时间的污染源水质特征因子的排放浓度,相较于仅可以获得污染物入流位置和比例的化学平衡方法,极大丰富污染物溯源结果。
在一示例中,在上述步骤S104中,确定污染源的具体内容包括:
首先,根据预设置信区间和后验概率密度,对第二污染物信息进行筛选,得到筛选后的第二污染物信息和筛选后的后验概率密度。预设置信区间的设定可以根据实际需要确定,在此不做具体限制。
然后,根据筛选后的第二污染物信息、筛选后的后验概率密度,确定污染源。
下面通过三个具体的实施例来说明排水管网分别为生活污染源、工业污染源和混合污染源时的溯源过程。
实施例1
排水管网生活污染源的溯源步骤如下:
步骤b1:针对SKL箱涵存在晴天污水直排的情况,开展管网片区现场调研,查明箱涵收水范围内主要污染源类型为生活污水,初步判断生活污水非法排放个数。
步骤b2:连续10天,采集0、6、12、18时的箱涵直排污水和片区内10个小区接入市政干管的污水样品,各48个样品,监测其粪大肠杆菌指数与总氮浓度,明确各自的浓度范围,并将小区污水水质特征因子浓度范围作为先验分布参数的输入值。
步骤b3:依据贝叶斯理论,结合先验分布参数、似然函数与后验概率密度函数,将管网污染溯源过程转换成求解未知参数X的后验概率密度函数。
P(X|y),污染信息对应的后验概率密度;
p(Xi),先验分布参数,即为生活污染源粪大肠杆菌和总氮的排放浓度范围,及各排放浓度对应的排放位置和排放时间,一般认为在其取值区间上为均匀分布;
σ,标准偏差;
Yi,箱涵直排末端污水粪大肠杆菌和总氮的实际浓度;
M,生活污染源的排放浓度;,生活污染源的排放位置;
T,生活污染源的排放时间;
表示排水管网末端位置在污染物信息为X,即排放位置为/>、排放时间为T、排放浓度为M时的模拟浓度。
其中通过一维水质模拟模型得到:
其中,A为过水断面面积,(m2);Q为流量,(m3/h);C为污染物信息中的各水质特征因子排放浓度,(mg/L);t为时间,(s);x为距离排水管网末端位置的流程,(m);Ex为纵向离散系数,(m2/s);K1为污染物一级降解系数,(s-1);表示在污染物信息为X,即排放位置为/>、排放时间为T、水质特征因子排放浓度为M时的排水管网末端位置模拟浓度。
根据生活污染源水质特征因子浓度范围X的先验分布参数p(Xi),结合管网拓扑结构及箱涵直排污水水质特征因子实际浓度Yi,可以求得未知参数X的后验概率密度,即生活污染源的排放浓度、排放位置与排放时间。
步骤b4:运用MATLAB工具包调用蒙特卡罗方法,在生活污染源水质特征因子浓度范围X中进行均匀取样,将步长设置为1000。依据模拟浓度与排口污水水质特征因子实际浓度Y计算概率密度,根据预设置信区间保留概率较高所对应的未知参数X,摒弃概率较低所对应的未知参数X,最终得到片区生活污染源排放位置、排放浓度和排放时间的概率密度。
实施例2
排水管网工业污染源的溯源步骤如下:
步骤c1:针对CK工业园区晴天W12排口存在废水直排的情况,开展管网片区现场调研,查明箱涵收水范围内主要污染源类型为工业废水,初步判断工业废水非法排放个数。
步骤c2:连续10天,采集0、6、12、18时的W12排口废水和片区内10家不同类型工业企业生产车间尾水样品,各48个样品,监测其电导率与氟化物浓度,明确各自的浓度范围,并将企业废水的水质特征因子浓度范围作为先验函数的输入值。
步骤c3:依据贝叶斯理论,结合先验分布参数、似然函数与后验概率密度函数,将管网污染溯源过程转换成求解未知参数X的后验概率密度函数。
P(X|y),污染信息对应的后验概率密度;
p(Xi),先验分布参数,即为生活污染源粪大肠杆菌和总氮的排放浓度范围,及各排放浓度对应的排放位置和排放时间,一般认为在其取值区间上为均匀分布;
σ,标准偏差;
Yi,箱涵直排末端污水粪大肠杆菌和总氮的浓度范围;
M,工业污染源的排放浓度;,工业污染源的排放位置;
T,工业污染源的排放时间;
表示排水管网末端位置在污染物信息为X,即排放位置为/>、排放时间为T、水质特征因子排放浓度为M时的模拟浓度。
其中通过一维水质模拟模型得到:
其中, A为过水断面面积,(m2);Q为流量,(m3/h);C为各污染物信息中的污染源水质特征因子排放浓度,(mg/L),或电导率,(μs/cm);t为时间,(s);x为距离排水管网末端位置的流程,(m);Ex为纵向离散系数,(m2/s);K1为污染物一级降解系数,(s-1);表示在污染物信息为X,即排放位置为/>、排放时间为T、水质特征因子排放浓度为M时排水管网末端位置的模拟浓度。
即根据工业污染源水质特征因子浓度范围X的先验分布参数p(Xi),结合管网拓扑结构及排口废水水质特征因子实际浓度Y,可以求得未知参数X的后验概率密度,即不同工业污染源排放浓度、排放位置与排放时间。
步骤c4:运用MATLAB工具包调用蒙特卡罗方法,在工业污染源水质特征因子(电导率和氟化物)浓度范围X中进行均匀取样,将步长设置为1000。依据模拟计算值与排口污水水质特征因子浓度范围Y计算概率密度,根据预设置信区间保留概率较高所对应的未知参数X,摒弃概率较低所对应的未知参数X,最终得到片区工业污染源排放位置、排放浓度和排放时间的概率密度。
实施例3
排水管网混合污染源的溯源步骤如下:
步骤d1:针对YDDS箱涵晴天存在污水直排的情况,开展管网片区现场调研,查明箱涵收水范围内主要污染源类型包括生活污水和工业废水,初步判断生活污水和工业废水非法排放个数。
步骤d2:连续10天,采集0、6、12、18时的YDDS箱涵直排污水、片区内10个小区接入市政干管和片区内10家不同类型工业企业生产车间尾水样品,各48个样品,针对箱涵直排污水样品,监测其粪大肠杆菌指数、总氮、电导率与氟化物浓度,针对生活污水,监测其粪大肠杆菌指数与总氮浓度,针对工业废水,监测其电导率与氟化物浓度,明确各自的浓度范围,并将生活污水和工业废水排放源的水质特征因子浓度范围作为先验函数的输入值。
步骤d3:依据贝叶斯理论,结合先验分布参数、似然函数与后验概率密度函数,将管网污染溯源过程转换成求解未知参数X的后验概率密度函数。
P(X|y),污染信息对应的后验概率密度;
p(Xi),先验分布参数,即为生活污染源粪大肠杆菌和总氮的排放浓度范围,及各排放浓度对应的排放位置和排放时间,一般认为在其取值区间上为均匀分布;
σ,标准偏差;
Yi,YDDS箱涵直排末端污水粪大肠杆菌、总氮、电导率和氟化物的实际浓度;
M,不同类型污染源的排放浓度;,不同类型污染源的排放位置;
T,不同类型污染源的排放时间;
表示排水管网末端位置在污染物信息为X,即排放位置为/>、排放时间为T、水质特征因子排放浓度为M时的模拟浓度。
其中通过一维水质模拟模型得到:
其中, A为过水断面面积,(m2);Q为流量,(m3/h);C为污染物信息中的各排放浓度,(mg/L),或电导率,(μs/cm);t为时间,(s);x为流程,(m);Ex为纵向离散系数,(m2/s);K1为污染物一级降解系数,(s-1);表示排水管网末端位置在污染物信息为X,即排放位置为/>、排放时间为T、水质特征因子排放浓度为M时的模拟浓度。
分别根据生活污染源与工业污染源水质特征因子浓度范围X的先验分布p(Xi),结合管网拓扑结构及直排污水对应水质特征因子实际浓度Y,可以求得未知参数X的后验概率密度,即不同污染源排放浓度、排放节点与排放时间。
步骤d4:运用MATLAB工具包调用蒙特卡罗方法,在生活污染源水质特征因子(粪大肠杆菌和总氮)浓度范围X中进行均匀取样,将步长设置为1000。依据模拟计算值与箱涵直排污水粪大肠杆菌和总氮浓度范围Y计算概率密度,根据预设置信区间保留概率较高所对应的未知参数X,摒弃概率较低所对应的未知参数X,最终得到片区生活污染源排放位置、排放浓度和排放时间的概率密度。
步骤d5:运用MATLAB工具包调用蒙特卡罗方法,在工业污染源水质特征因子(电导率和氟化物)浓度范围X中进行均匀取样,将步长设置为1000。依据模拟计算值与箱涵直排污水电导率和氟化物浓度范围Y计算概率密度,根据预设置信区间保留概率较高所对应的未知参数X,摒弃概率较低所对应的未知参数X,最终得到片区工业污染源排放位置、排放浓度和排放时间的概率密度。
基于相同的发明构思,本发明还提供了一种排水管网污染物溯源装置,如图2所示,该装置包括:
第一确定模块201,用于确定排水管网的污染源水质特征因子的第一污染物信息;详细内容参见上述实施例中步骤S101的描述,在此不再赘述。
采集模块202,用于采集污染源水质特征因子在排水管网末端排口位置的第一实际浓度;详细内容参见上述实施例中步骤S102的描述,在此不再赘述。
第二确定模块203,用于将第一污染物信息作为先验分布参数,根据第一实际浓度,确定排水管网中的第二污染物信息及第二污染物信息对应的后验概率密度;详细内容参见上述实施例中步骤S103的描述,在此不再赘述。
第三确定模块204,用于根据第二污染物信息、第二污染物信息对应的后验概率密度,确定污染源。详细内容参见上述实施例中步骤S104的描述,在此不再赘述。
在一示例中,第一确定模块201包括:
第一采集子模块,用于采集多个预设区域在不同时刻的污水样品;详细内容参见上述实施例中的描述,在此不再赘述。
获取子模块,用于获取各污水样品的污染源水质特征因子浓度;详细内容参见上述实施例中的描述,在此不再赘述。
第一确定子模块,用于根据各污染源水质特征因子浓度,确定第三污染物信息;详细内容参见上述实施例中的描述,在此不再赘述。
第二采集子模块,用于采集污染源水质特征因子在排水管网末端排口位置的第二实际浓度;详细内容参见上述实施例中的描述,在此不再赘述。
第一筛选子模块,用于根据第二实际浓度和一维水质模拟模型,筛选第三污染物信息,得到第一污染物信息。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,污染物信息包括多个排放浓度,以及各排放浓度对应的排放时间和排放位置,第一筛选子模块包括:
获取单元,用于对第三污染物信息中各排放浓度进行均匀取样,获得多个取样后的排放浓度;详细内容参见上述实施例中的描述,在此不再赘述。
计算单元,用于根据取样后的排放浓度和一维水质模拟模型,计算排水管网末端排口位置的各模拟浓度;详细内容参见上述实施例中的描述,在此不再赘述。
筛选单元,用于根据各模拟浓度和第二实际浓度,筛选第三污染物信息,得到第一污染物信息。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,筛选单元包括:
计算子单元,用于计算各模拟浓度和第二实际浓度的拟合度;详细内容参见上述实施例中的描述,在此不再赘述。
筛选子单元,用于将拟合度大于预设阈值对应的各排放浓度,作为筛选后的排放浓度;详细内容参见上述实施例中的描述,在此不再赘述。
确定子单元,用于将筛选后的排放浓度,以及筛选后的排放浓度对应的排放时间和排放位置,作为第一污染物信息。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,污染物信息包括多个排放浓度,以及各排放浓度对应的排放时间和排放位置,第二确定模块203包括:
第二确定子模块,用于将第一污染物信息中的各排放浓度输入至一维水质模拟模型,确定第二污染物信息,以及第二污染物信息对应的排水管网末端排口位置的模拟浓度;详细内容参见上述实施例中的描述,在此不再赘述。
第三确定子模块,用于将第一污染物信息作为先验分布参数,将第二污染物信息对应的排水管网末端排口位置的模拟浓度、第一实际浓度,输入至预构建的后验概率密度函数,得到第二污染物信息对应的后验概率密度。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,第三确定模块204包括:
第二筛选子模块,用于根据预设置信区间和后验概率密度,对第二污染物信息进行筛选,得到筛选后的第二污染物信息和筛选后的后验概率密度;详细内容参见上述实施例中的描述,在此不再赘述。
第四确定子模块,用于根据筛选后的第二污染物信息、筛选后的后验概率密度,确定污染源。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,该装置还包括:
第四确定模块,用于确定排水管网的污染源类型;详细内容参见上述实施例中的描述,在此不再赘述。
第五确定模块,用于根据排水管网的污染源类型,确定污染源水质特征因子。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,第三确定子模块中的后验概率密度函数表示为:
其中,为污染源水质特征因子的后验概率密度函数;/>为先验分布参数,即第一污染物信息;/>为标准偏差;/>为第一实际浓度;M为污染源的排放浓度;/>为污染源的排放位置;T为污染源的排放时间;Ni为模拟浓度;n为模拟总次数。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,该装置中的一维水质模拟模型的公式包括:
其中, A为过水断面面积,(m2);Q为流量,(m3/h);C为污染物信息中的各污染源水质特征因子排放浓度,(mg/L),或电导率,(μs/cm);t为时间,(s);x为距离排水管网末端排口位置的流程,(m);Ex为纵向离散系数,(m2/s);K1为污染物一级降解系数,(s-1);表示在污染物信息为X,即排放位置为/>、排放时间为T、排放浓度为M时排水管网末端排口位置的模拟浓度。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,在该装置中,排水管网的污染源包括生活污染源,生活污染源水质特征因子包括粪大肠杆菌,和/或,总氮。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,在该装置中,排水管网的污染源包括工业污染源,工业污染源水质特征因子包括电导率,和/或,氟化物。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,在该装置中,排水管网的污染源包括混合污染源,混合污染源水质特征因子包括粪大肠杆菌、总氮、电导率和氟化物中的至少一种。详细内容参见上述实施例中的描述,在此不再赘述。
上述装置的具体限定以及有益效果可以参见上文中对于排水管网污染物溯源方法的限定,在此不再赘述。上述各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图3是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。如图3所示,该设备包括一个或多个处理器310以及存储器320,存储器320包括持久内存、易失内存和硬盘,图3中以一个处理器310为例。该设备还可以包括:输入装置330和输出装置340。
处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图3中以通过总线连接为例。
处理器310可以为中央处理器(Central Processing Unit,CPU)。处理器310还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320作为一种非暂态计算机可读存储介质,包括持久内存、易失内存和硬盘,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中排水管网污染物溯源方法对应的程序指令/模块。处理器310通过运行存储在存储器320中的非暂态软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述任意一种排水管网污染物溯源方法。
存储器320可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据、需要使用的数据等。此外,存储器320可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器320可选包括相对于处理器310远程设置的存储器,这些远程存储器可以通过网络连接至数据处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的信号输入。输出装置340可包括显示屏等显示设备。
一个或者多个模块存储在存储器320中,当被一个或者多个处理器310执行时,执行如图1所示的方法。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,具体可参见如图1所示的实施例中的相关描述。
本发明实施例还提供了一种非暂态计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的溯源方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccess Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (13)
1.一种排水管网污染物溯源方法,其特征在于,所述方法包括:
确定排水管网的污染源水质特征因子的第一污染物信息;
采集所述污染源水质特征因子在排水管网末端排口位置的第一实际浓度;
将所述第一污染物信息作为先验分布参数,根据所述第一实际浓度,确定所述排水管网中的第二污染物信息及第二污染物信息对应的后验概率密度;
根据所述第二污染物信息、所述第二污染物信息对应的后验概率密度,确定污染源;
确定排水管网的污染源水质特征因子的第一污染物信息,包括:
采集多个预设区域在不同时刻的污水样品;
获取各所述污水样品的污染源水质特征因子浓度;
根据各所述污染源水质特征因子浓度,确定第三污染物信息;
采集所述污染源水质特征因子在排水管网末端排口位置的第二实际浓度;
根据所述第二实际浓度和一维水质模拟模型,筛选所述第三污染物信息,得到所述第一污染物信息;
污染物信息包括多个排放浓度,以及各所述排放浓度对应的排放时间和排放位置,根据所述第二实际浓度和一维水质模拟模型,筛选所述第三污染物信息,得到所述第一污染物信息,包括:
对第三污染物信息中各排放浓度进行均匀取样,获得多个取样后的排放浓度;
根据取样后的排放浓度和所述一维水质模拟模型,计算排水管网末端排口位置的各模拟浓度;
根据各所述模拟浓度和所述第二实际浓度,筛选所述第三污染物信息,得到所述第一污染物信息。
2.根据权利要求1所述的方法,其特征在于,根据各所述模拟浓度和所述第二实际浓度,筛选所述第三污染物信息,得到所述第一污染物信息,包括:
计算各所述模拟浓度和所述第二实际浓度的拟合度;
将拟合度大于预设阈值对应的各排放浓度,作为筛选后的排放浓度;
将筛选后的排放浓度,以及筛选后的排放浓度对应的排放时间和排放位置,作为所述第一污染物信息。
3.根据权利要求1所述的方法,其特征在于,污染物信息包括多个排放浓度,以及各所述排放浓度对应的排放时间和排放位置,将所述第一污染物信息作为先验分布参数,根据所述第一实际浓度,确定所述排水管网中的第二污染物信息及第二污染物信息对应的后验概率密度,包括:
将所述第一污染物信息中的各排放浓度输入至一维水质模拟模型,确定所述第二污染物信息,以及所述第二污染物信息对应的排水管网末端排口位置的模拟浓度;
将所述第一污染物信息作为先验分布参数,将所述第二污染物信息对应的排水管网末端排口位置的模拟浓度、所述第一实际浓度,输入至预构建的后验概率密度函数,得到所述第二污染物信息对应的后验概率密度。
4.根据权利要求1所述的方法,其特征在于,根据所述第二污染物信息、所述第二污染物信息对应的后验概率密度,确定污染源,包括:
根据预设置信区间和所述后验概率密度,对所述第二污染物信息进行筛选,得到筛选后的第二污染物信息和筛选后的后验概率密度;
根据筛选后的第二污染物信息、筛选后的后验概率密度,确定污染源。
5.根据权利要求1所述的方法,其特征在于,所述污染源水质特征因子的确定步骤包括:
确定所述排水管网的污染源类型;
根据所述排水管网的污染源类型,确定所述污染源水质特征因子。
6.根据权利要求3所述的方法,其特征在于,所述后验概率密度函数表示为:
其中,为污染源水质特征因子的后验概率密度函数;/>为先验分布参数,即第一污染物信息;/>为标准偏差;/>为第一实际浓度;M为污染源的排放浓度;/>为污染源的排放位置;T为污染源的排放时间;Ni为模拟浓度;n为模拟总次数。
7.根据权利要求1或3所述的方法,其特征在于,所述一维水质模拟模型的公式包括:
其中,A为过水断面面积,(m2);Q为流量,(m3/h);C为污染物信息中的各污染源水质特征因子的排放浓度,(mg/L或μs/cm);t为时间,(s);x为距离管网末端排口位置的流程,(m);Ex为纵向离散系数,(m2/s);K1为污染物一级降解系数,(s-1);表示在污染物信息为X,即排放位置为/>、排放时间为T、排放浓度为M时排水管网末端排口位置的模拟浓度。
8.根据权利要求1所述的方法,其特征在于,所述排水管网的污染源包括生活污染源,生活污染源水质特征因子包括粪大肠杆菌,和/或,总氮。
9.根据权利要求1所述的方法,其特征在于,所述排水管网的污染源包括工业污染源,工业污染源水质特征因子包括电导率,和/或,氟化物。
10.根据权利要求1所述的方法,其特征在于,所述排水管网的污染源包括混合污染源,混合污染源水质特征因子包括粪大肠杆菌、总氮、电导率和氟化物中的至少一种。
11.一种排水管网污染物溯源装置,其特征在于,所述装置包括:
第一确定模块,用于确定排水管网的污染源水质特征因子的第一污染物信息;
采集模块,用于采集所述污染源水质特征因子在排水管网末端排口位置的第一实际浓度;
第二确定模块,用于将所述第一污染物信息作为先验分布参数,根据所述第一实际浓度,确定所述排水管网中的第二污染物信息及第二污染物信息对应的后验概率密度;
第三确定模块,用于根据所述第二污染物信息、所述第二污染物信息对应的后验概率密度,确定污染源;
确定排水管网的污染源水质特征因子的第一污染物信息,包括:
采集多个预设区域在不同时刻的污水样品;
获取各所述污水样品的污染源水质特征因子浓度;
根据各所述污染源水质特征因子浓度,确定第三污染物信息;
采集所述污染源水质特征因子在排水管网末端排口位置的第二实际浓度;
根据所述第二实际浓度和一维水质模拟模型,筛选所述第三污染物信息,得到所述第一污染物信息;
污染物信息包括多个排放浓度,以及各所述排放浓度对应的排放时间和排放位置,根据所述第二实际浓度和一维水质模拟模型,筛选所述第三污染物信息,得到所述第一污染物信息,包括:
对第三污染物信息中各排放浓度进行均匀取样,获得多个取样后的排放浓度;
根据取样后的排放浓度和所述一维水质模拟模型,计算排水管网末端排口位置的各模拟浓度;
根据各所述模拟浓度和所述第二实际浓度,筛选所述第三污染物信息,得到所述第一污染物信息。
12.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-10中任一项所述的排水管网污染物溯源方法的步骤。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-10中任一项所述的排水管网污染物溯源方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906319.XA CN116629034B (zh) | 2023-07-24 | 2023-07-24 | 一种排水管网污染物溯源方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906319.XA CN116629034B (zh) | 2023-07-24 | 2023-07-24 | 一种排水管网污染物溯源方法、装置、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629034A CN116629034A (zh) | 2023-08-22 |
CN116629034B true CN116629034B (zh) | 2023-10-03 |
Family
ID=87617388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310906319.XA Active CN116629034B (zh) | 2023-07-24 | 2023-07-24 | 一种排水管网污染物溯源方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629034B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956664A (zh) * | 2016-04-27 | 2016-09-21 | 浙江大学 | 一种河流点源突发污染事故溯源方法 |
CN108897964A (zh) * | 2018-07-09 | 2018-11-27 | 重庆大学 | 一种污水管网超标排放工业废水的贝叶斯统计溯源方法 |
CN112418426A (zh) * | 2020-11-19 | 2021-02-26 | 中科三清科技有限公司 | 排污口污染物排放溯源方法、装置、计算设备及存储介质 |
CN113269564A (zh) * | 2021-04-16 | 2021-08-17 | 佛山市奥博环保技术有限公司 | 一种园区排污管网污染源反向追踪溯源方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128129B (zh) * | 2021-05-07 | 2023-03-24 | 大连理工大学 | 一种突发水污染正逆耦合溯源方法及系统 |
-
2023
- 2023-07-24 CN CN202310906319.XA patent/CN116629034B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956664A (zh) * | 2016-04-27 | 2016-09-21 | 浙江大学 | 一种河流点源突发污染事故溯源方法 |
CN108897964A (zh) * | 2018-07-09 | 2018-11-27 | 重庆大学 | 一种污水管网超标排放工业废水的贝叶斯统计溯源方法 |
CN112418426A (zh) * | 2020-11-19 | 2021-02-26 | 中科三清科技有限公司 | 排污口污染物排放溯源方法、装置、计算设备及存储介质 |
CN113269564A (zh) * | 2021-04-16 | 2021-08-17 | 佛山市奥博环保技术有限公司 | 一种园区排污管网污染源反向追踪溯源方法及系统 |
Non-Patent Citations (1)
Title |
---|
供水管网突发污染试验模拟及污染源定位研究;吕谋;王梦琳;孙贤忠;;青岛理工大学学报(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116629034A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Freni et al. | Assessment of the integrated urban water quality model complexity through identifiability analysis | |
CN108717453B (zh) | 一种基于gis平台的平原河网区污染负荷计算方法 | |
CN113111478B (zh) | 排水系统管网混接与入流、入渗程度的评估方法及设备 | |
CN113269564A (zh) | 一种园区排污管网污染源反向追踪溯源方法及系统 | |
Zhang et al. | The impact of stormwater biofilter design and operational variables on nutrient removal-a statistical modelling approach | |
Todeschini et al. | Impact assessment of urban wet-weather sewer discharges on the Vernavola river (Northern Italy) | |
Mannina | Uncertainty assessment of a water-quality model for ephemeral rivers using GLUE analysis | |
CN116628914B (zh) | 一种排水管网入流入渗分析方法、计算机设备及介质 | |
CN110765213A (zh) | 一种地表水流域污染源排放清单(动态清单)的编制方法 | |
US20220316994A1 (en) | A method for predicting operation effectiveness of decentralized sewage treatment facility by using support vector machine | |
Khamis et al. | Calibration of an in-situ fluorescence-based sensor platform for reliable BOD5 measurement in wastewater | |
CN116629034B (zh) | 一种排水管网污染物溯源方法、装置、计算机设备及介质 | |
CN111161119A (zh) | 一种水陆两用管道溯源设备及其方法 | |
Manache et al. | Calibration of a continuous simulation fecal coliform model based on historical data analysis | |
Xu et al. | Influences of rainfall variables and antecedent discharge on urban effluent concentrations and loads in wet weather | |
CN116756523B (zh) | 跨界水污染源解析方法、系统、装置和存储介质 | |
Revelli et al. | Stochastic dynamics of BOD in a stream with random inputs | |
Jamalianzadeh et al. | Modeling DO and BOD5 Changes in the Dez River by Using QUAL2Kw | |
Vollertsen et al. | Modeling odors and hydrogen sulfide in the sewers of San Francisco | |
Hanafi et al. | Uncertainty in nutrient spiraling: sensitivity of spiraling indices to small errors in measured nutrient concentration | |
CN114324800A (zh) | 一种排水管道来水监测方法及其系统、存储介质 | |
Riasi et al. | Reliability-based water quality assessment with load resistance factor design: Application to TMDL | |
CN113341091A (zh) | 基于传感器及智能算法的农田径流总氮总磷快速监测方法 | |
CN106682271B (zh) | 一种确定swmm水质冲刷模型参数的方法 | |
CN116431976B (zh) | 一种考虑外水的污水处理厂和管网效能计算方法及装置 |
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 |