不确定水质模型在城市河流水质模拟中的应用.pdf

万方数据

不确定水质模型在城市河流水质模拟中的应用田一梅1，刘扬1，王彬蔚1’2ModelQualitySimulationApplicationofUncertainUrbanRiverYen91，WANG土木建筑与环境工程要：鉴于城市景观河流受沿河排水污染，水质波动较大，建立了内嵌神经网络的一维不确定性水质模型，利用改进适应度函数的遗传算法，优化水质模型的参数解。经实例验证，不确定性水质模型拟合的精度更高，对排入污染物的波动更敏感，其对景观河流水质预测的平均准确度基本在80％以上，普遍高于确定性水质模型，尤其是在靠近污染源的监测断面，其不确定性水质模型预测优势更加明显，更能适应变化的景观河流水体环境。关键词：不确定性水质模型；人工神经网络；遗传算法；模拟中图分类号：X522文献标志码：A文章编号：1674—4764(2011)03一0119一05in水质模型是用来描述水体中污染物与时间、空间的定量关系，描述物质在水环境中的{昆合、迁移过程的数学方程。根据模型中的变量是否为随机变量，水质模型可分为确定性水质模型和不确定性水质模型。确定性水质模型，如SIMCAT，ISIS[1。21等已广泛应用于水环境的模拟预测，但由于水环境的不确定性、复杂性，使水质变化呈现出基于一定变化规律的不确定性变化特征，同时由于监测数据本身均带有随机性，故建立不确定性水质模型更能反映水质的实际变化规律[3]。早年的不确定性水质模型较多是利用随机理论建立的，如1966年Loucks和Lgnn基于随机过程理论首先提出了预测最小溶解氧的概率模型，1969年Custer与Krutcheff[4]提出了随机游动模型，1984年，Deway提出了Bo口N()nD0随机模型。而近年来，随着神经网络理论的成熟，将其应用于各类不确定性水质模拟问题已逐渐成为重要的研究方向之一，2002年Huang和Foo[53利用人工神经网络模拟了受支流流入、潮汐以及风力等不确定性因素影响的河流中盐度的变化；Maier等人[6]利用人工神经网络对混凝剂的投加量进行了优化；Mozejko等第33卷第3期JournalCivil，Architectural&Environmental(1．天津大学环境科学与工程学院，天津300072；2．陕西省环境监测中心站，西安，710054)摘TIANYi-meil，LIUBin—weil'2one—dimension80％thanmodel；artificialTOMCAT，QUAL2E，QUASAR，MIKE-11和基金项目：国家水体污染控制与治理重大专项(2008ZX07314—003)；天津市科技创新专项资金资助项目作者简介：田一梅(1959一)，女，教授，博士，主要从事环境系统优化研究，(E—mail)[e-mail]2011年6月EngineeringEngineering，TianjinUniversity，TianjinMonitoringAbstract：Owingthefluctuationwaterqualityurbanriverwhichpollutedbydrainagealongriver，uncertainmodelembededneuralnetworkisestablished．Geneticalgorithmsandmodifiedfitnessfunctionusedoptimizeparametersmodel．Examplesillustratethathashigherpredictionwithcertainmodel，andiSmoresensitivepollutantsdischargedintoriver．Thesignificantadvantagecouldbetteradaptchangingenvironment，especiallypointsclosepollutionwords：uncertainnetwork；geneticalgorithms；simulation收稿日期：2010—03—10V01．33No．3Jun．2011(1．SchoolEnvironmentalScience300072，P．R．China；2．ShanghaiCenterShanxiProvince，Xian710054，P．R．China)accuracyaveragetoKey(06FZZDSH0090)tOaoveratsources．are
万方数据

“：祟一D。笔一是c“誓一一惫c+u一维不确定性水质模型的建立“五一一意L量，即：U=∑口ih(∑㈨，c一一岛)r}j；口；，f．O州为神经网络权重系数；B为阈值；人[71和Chen等人凹1模拟了河流中氮磷