[发明专利]一种预测暴雨期二级河道排水对干流水质动态影响的方法

说明书

本发明公开了一种预测暴雨期二级河道排水对干流水质动态影响的方法，步骤(1)、以不同降雨重现期时支流的排放量作为设计变量、河道干流控制断面处的水质参数COD、DO、NH₃‑N和TP作为目标变量构建EFDC模型，并给出四种水质参数的计算公式；步骤(2)、训练并优化RBF神经网络；步骤(3)、步骤3、采用优化RBF神经网络进行预测。与现有技术相比，本发明基于EFDC模型和RBF神经网络构造了一种动态预测方法，预测结果与模型模拟结果有很好的吻合度，该方法具有计算速度快、预测精度高及实时性的优点。

技术领域

本发明属于水质预测技术领域，具体涉及一种动态预测暴雨时期河道干流水质变化的方法。

背景技术

水是维持人类和生态系统生存和健康的重要资源。但是由于区域经济和城镇化的快速发展，很多区域的水资源已遭受不同程度的污染。主要的污染源有工业废水、生活污水、农业灌溉等，近年来暴雨径流也被人们视作重要污染源，其夹带大量污染物，如COD、TP及重金属等。很多研究学者就暴雨径流的影响进行了研究，但是以往研究很少关注暴雨时期雨水径流对河道水质的动态影响。

环境流体动力学模型(Environmental Fluid Dynamics Code,EFDC)是一款三维数学模型，由威廉玛丽大学维吉尼亚海洋科学研究所的John Hamrick等人开发。该模型包括水动力模块、水质模块和泥沙模块等模块，可以实现河流、湖泊和海洋等水体的水动力学和水质模拟，已被成功应用于Niagara River、太湖和官厅水库等水域的水质研究。径向基函数神经网络(Radial Basis Function，RBF)是一种三层的前向网络，包括输入层、隐含层和输出层，属于前向神经网络。利用径向基函数对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分的问题在高维空间内线性可分，是RBF神经网络预测的基本思想。RBF神经网络具有结构简单、训练简洁且能够逼近任意非线性函数的优点。

暴雨时期，雨水径流汇入支流再排入干流，干流水质因此变差。所以为及时获知暴雨时期河道干流水质的动态变化，本发明基于EFDC模型和RBF神经网络提出了一种动态预测暴雨时期河道干流水质变化的方法，以期达到可以快速预测暴雨后河道干流水质动态变化的目的。

发明内容

为解决上述问题，本发明提供了一种预测暴雨期二级河道排水对干流水质动态影响的方法，该方法利用EFDC(环境流体动力学模型Environmental Fluid Dynamics Code)模型获得训练样本和测试样本，结合RBF神经网络(径向基函数神经网络Radial BasisFunction)的预测功能，实现暴雨时期河道干流水质动态变化的快速预测。

本发明的一种预测暴雨期二级河道排水对干流水质动态影响的方法，其特征在于，该方法包括以下步骤：

步骤(1)、以不同降雨重现期时支流的排放量作为设计变量、河道干流控制断面处的水质参数COD、DO、NH₃-N和TP作为目标变量构建EFDC模型，构建EFDC模型的过程包括首先将计算区域离散为2604个网格，将离散后的网格区域输入到EFDC模型软件中，设置初始条件，从而构建起EFDC模型，利用构建的EFDC模型模拟这10组计算工况；

四种水质参数的计算公式如下：

K_COD＝K_CD·exp[KT_COD(T-TR_COD)]