本文摘要：本篇 水利災(zāi)害論文 通過(guò)BP神經(jīng)網(wǎng)絡(luò)方法研究大凌河流域的泥沙預(yù)報(bào)，首先分析單個(gè)因素與下游沙量的相關(guān)關(guān)系，得到各個(gè)因素與下游沙量的相關(guān)系數(shù)，分析其相關(guān)性的強(qiáng)弱，確定神經(jīng)網(wǎng)絡(luò)的輸入變量;然后通過(guò)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬，得到的結(jié)果在誤差允許范圍之內(nèi)，說(shuō)明
本篇水利災(zāi)害論文通過(guò)BP神經(jīng)網(wǎng)絡(luò)方法研究大凌河流域的泥沙預(yù)報(bào)，首先分析單個(gè)因素與下游沙量的相關(guān)關(guān)系，得到各個(gè)因素與下游沙量的相關(guān)系數(shù)，分析其相關(guān)性的強(qiáng)弱，確定神經(jīng)網(wǎng)絡(luò)的輸入變量;然后通過(guò)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬，得到的結(jié)果在誤差允許范圍之內(nèi)，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)算法可以用于泥沙預(yù)報(bào)。但由于BP神經(jīng)網(wǎng)絡(luò)本身的缺點(diǎn)，收斂速度慢，易陷于局部最小點(diǎn)，且無(wú)法直觀地描述各個(gè)變量之間的關(guān)系，因此需在今后的研究工作中進(jìn)一步改進(jìn)。
《水處理技術(shù)》主要刊登各種水處理方法的研究和應(yīng)用成果，尤其是膜技術(shù)在水處理、化工、電力、電子、煤炭、醫(yī)藥、食品、紡織、冶金、鐵路、環(huán)保、軍事等領(lǐng)域的應(yīng)用成果，同時(shí)為水資源開(kāi)發(fā)、工業(yè)用水除鹽、工藝用水處理、超純水制備、廢水治理、水再生回用、海水淡化提供有效的新技術(shù)�！端幚砑夹g(shù)》為環(huán)境類(lèi)中文核心期刊，“中國(guó)期刊方陣”雙效期刊，如國(guó)科技論文統(tǒng)計(jì)源期刊，本刊論文被美國(guó)SCI、CA和日本科技文獻(xiàn)速報(bào)摘錄。
摘要：針對(duì)日益嚴(yán)重的河流泥沙問(wèn)題，掌握河流泥沙的影響因素和泥沙的變化過(guò)程是泥沙治理的關(guān)鍵。以神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)，建立場(chǎng)次洪水沙量預(yù)報(bào)模型，對(duì)多沙河流的洪水挾沙量進(jìn)行預(yù)報(bào)，并取得較好的預(yù)報(bào)效果。[JP2]選擇遼西北多沙河流大凌河作為研究實(shí)例，首先將1984年-1998年間的29場(chǎng)歷史實(shí)測(cè)洪水資料進(jìn)行分析，得到影響下游沙量的主要因素;然后，通過(guò)神經(jīng)網(wǎng)絡(luò)模型建立上游影響因素與下游沙量之間的關(guān)系;最后，選取其中6場(chǎng)洪水資料進(jìn)行驗(yàn)證。模型計(jì)算結(jié)果表明，計(jì)算結(jié)果與實(shí)測(cè)結(jié)果誤差在合理范圍之內(nèi)，[JP]精度符合要求，可以用于下游沙量的預(yù)報(bào)。
關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);沙量預(yù)測(cè);場(chǎng)次洪水
我國(guó)大江大河的泥沙問(wèn)題一直以來(lái)都是個(gè)棘手的問(wèn)題，水利設(shè)施或多或少受其影響。由于泥沙的原因，最常見(jiàn)的危害是水庫(kù)有效庫(kù)容減少，嚴(yán)重影響水庫(kù)的使用壽命;泥沙嚴(yán)重的河流導(dǎo)致泥沙抬高河底高程，降低河道行洪能力，嚴(yán)重威脅河流周?chē)嗣袢罕姷纳a(chǎn)生活。沙量預(yù)報(bào)可以在高含沙洪水到來(lái)之前對(duì)其做出預(yù)測(cè)，并通過(guò)一系列工程或非工程措施減少其造成的危害，因而河流挾沙量的準(zhǔn)確預(yù)報(bào)將對(duì)有效地控制和治理河流泥沙起到重要作用。
目前，在洪水水沙預(yù)報(bào)研究中，已有多種預(yù)報(bào)模型與方法，大致可分為水動(dòng)力學(xué)方法和水文學(xué)方法。水動(dòng)力學(xué)法是從泥沙運(yùn)動(dòng)與變化的[HJ]機(jī)理出發(fā)，對(duì)泥沙傳輸變化進(jìn)行描述。例如，張瑞瑾[1]提出的水流挾沙力公式已被廣泛應(yīng)用;王光謙[2]建立了水沙兩相流的動(dòng)力學(xué)模型以及流域泥沙動(dòng)力學(xué)模型;吳作平[3]研究的水沙水力學(xué)方法也具有不錯(cuò)的效果，該模型建立了流域中水利樞紐上下游的水沙水動(dòng)力學(xué)銜接條件，并采用概化的算例對(duì)樞紐上下游進(jìn)行了水動(dòng)力學(xué)模擬。水文學(xué)的處理方法一般都是尋求影響泥沙運(yùn)動(dòng)變化的主要因素，從而進(jìn)行洪水水沙預(yù)測(cè)。例如，萬(wàn)新宇等[4]提出了壩址泥沙預(yù)測(cè)相似推理方法，并預(yù)測(cè)了三門(mén)峽水庫(kù)壩址泥沙過(guò)程;耿艷芬等[5]將徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于復(fù)雜河網(wǎng)洪水水沙預(yù)報(bào)中，并建立了珠江三角洲河網(wǎng)洪水水沙預(yù)報(bào)模型。由于水動(dòng)力學(xué)法全面考慮洪水泥沙運(yùn)動(dòng)變化的各水力要素，對(duì)水沙模擬所需的資料要求高且計(jì)算量也大，因此其在實(shí)際應(yīng)用過(guò)程中存在一定問(wèn)題。而水文學(xué)方法以影響水沙變化的主要因素為基礎(chǔ)，回避過(guò)多的細(xì)節(jié)，對(duì)資料的要求較低，能從宏觀角度解決水沙模擬問(wèn)題[6]，因此該方法為水沙模擬預(yù)測(cè)提供了新途徑，也得到較廣泛的應(yīng)用。
人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，簡(jiǎn)稱(chēng)ANN)突破了以往傳統(tǒng)數(shù)學(xué)模型的思維與處理方法，運(yùn)用黑箱理論，能較好地處理泥沙預(yù)報(bào)這一復(fù)雜的、非線性的問(wèn)題，目前這方面已有大量的研究成果[7-12]，為泥沙預(yù)報(bào)提供了一種不同于模型試驗(yàn)、理論公式的新思路。本文以大凌河流域?yàn)檠芯繉?duì)象，通過(guò)篩選影響下游沙量的因素，采用BP 神經(jīng)網(wǎng)絡(luò)方法進(jìn)行場(chǎng)次洪水河道沙量預(yù)報(bào)。
1 研究區(qū)域選取與資料收集
大凌河為遼寧省西部最大的河流，流經(jīng)碎屑巖、火山巖和黃土地區(qū)，大部分為多石質(zhì)丘陵山區(qū)。該流域?qū)贉貛Ъ撅L(fēng)氣候，夏季炎熱多雨，冬春少雨，植被屬遼西丘陵地荊條—胡枝子—草甸—楊柳河谷群落系列，植被條件較差，加之流域內(nèi)降水年際、年內(nèi)分配極不均勻，導(dǎo)致水土流失嚴(yán)重，含沙量較大。如圖1所示，流域內(nèi)主要產(chǎn)沙區(qū)為左側(cè)牤牛河、老虎山河、第二牤牛河等支流，其中朝陽(yáng)站和迷力營(yíng)子站所控制流域的沙量占大凌河總流域的90%以上，而涼水河子站所控制區(qū)域沙量較小。另外，朝陽(yáng)站以上流域受閻王鼻子水庫(kù)的控制，使得朝陽(yáng)站以上區(qū)域天然來(lái)水來(lái)沙情況發(fā)生變化。因此，本文選取流域內(nèi)朝陽(yáng)站、迷力營(yíng)子站(后改為九連洞站)到義縣站區(qū)間的河道作為研究區(qū)域，通過(guò)上游兩站的水沙資料來(lái)模擬預(yù)測(cè)下游義縣站的沙量，能很好地反映大凌河流域的水沙變化情況。
本文主要收集了1984年-1998年間大凌河流域的29場(chǎng)洪水資料[JP2](來(lái)源于《中華人民共和國(guó)水文年鑒》的“遼河流域水文資料”第4 冊(cè))，進(jìn)行場(chǎng)次洪水河道泥沙模擬與預(yù)測(cè)。所收集的資料中，各場(chǎng)洪水之間的洪峰流量與平均含沙量的變幅均比較大，[JP]能反映大凌河流域不同類(lèi)型的水沙組合情況。
2 場(chǎng)次洪水沙量預(yù)測(cè)影響因素分析
多沙河流的洪水中挾帶有大量的泥沙，在泥沙從河道上游到下游的傳輸過(guò)程中，影響下游沙量變化的因素有很多，主要包括上游站的洪水總量、洪峰流量、平均含沙量、流速以及沿程的大斷面情況等。其中，洪水是泥沙輸送的載體，洪量的多少直接決定了下游洪水總沙量的多少;洪峰流量能直接反應(yīng)一場(chǎng)洪水的能量與輸沙能力的大小;平均含沙量是衡量洪水挾沙能力的標(biāo)準(zhǔn);不同的河道大斷面形狀則對(duì)洪水流動(dòng)會(huì)起到不同程度的阻滯作用。但是，由于洪峰時(shí)段測(cè)量流速難度大，洪峰流速資料可能不完整;而沿程大斷面資料又不易獲取且難以量化，因此在本文中暫不考慮流速和沿程大斷面情況對(duì)下游沙量的影響。
根據(jù)已有的大凌河流域1984年-1998年間29場(chǎng)洪水資料，分別建立上游朝陽(yáng)站、迷力營(yíng)子站的主要水文要素(洪水總量、洪峰流量、平均含沙量)與下游義縣站沙量的相關(guān)關(guān)系。通過(guò)線性回歸分析(見(jiàn)圖2)，得到各個(gè)影響因素與下游站沙量之間的關(guān)系：(1)上游各站洪水總量和洪峰流量與下游站沙量的相關(guān)關(guān)系較好。下游站沙量隨著上游兩站的洪量和洪峰流量的增加而增加，且兩站中迷力營(yíng)子站與下游沙量的相關(guān)系數(shù)最高，達(dá)到了0.9以上。(2)上游各站平均含沙量與下游站沙量的相關(guān)關(guān)系不密切;但是平均含沙量是衡量沙量的重要指標(biāo)，且平均含沙量與洪水總量二者的綜合作用對(duì)下游沙量的影響有很大。由此可得，上游兩個(gè)水文站的洪水總量、平均含沙量以及洪峰流量可作為影響下游義縣站沙量的主要因素。
3 場(chǎng)次洪水下游沙量的模擬與預(yù)測(cè)
3.1 多元線性回歸的沙量模擬分析
由于下游沙量受到多個(gè)因素的綜合影響，單因素模擬很難直觀、準(zhǔn)確地反映出下游沙量的情況。因此，本文應(yīng)用多元線性回歸方法，采用朝陽(yáng)和迷力營(yíng)子兩站的洪峰流量、洪量以及平均含沙量來(lái)綜合模擬下游義縣站的沙量。由圖3模擬結(jié)果可知道，其結(jié)果不甚理想，其中有的洪水誤差達(dá)到了285%，有超過(guò)一半的洪水其誤差超過(guò)了30%，故結(jié)果不能達(dá)到實(shí)際應(yīng)用的水平。由此可見(jiàn)，對(duì)于下游站沙量的預(yù)測(cè)不是通過(guò)簡(jiǎn)單的線性擬合就可以得到的;河道泥沙運(yùn)動(dòng)變化的復(fù)雜性決定了下游沙量預(yù)測(cè)是一個(gè)受多因素綜合影響的非線性問(wèn)題。為了解決沙量預(yù)測(cè)這個(gè)復(fù)雜的非線性問(wèn)題，本文將采用BP神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行建模分析與預(yù)測(cè)。
3.2 基于BP神經(jīng)網(wǎng)絡(luò)的沙量預(yù)報(bào)
BP神經(jīng)網(wǎng)絡(luò)[13]是一種按誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。該模型能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程;其學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小;其模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱層和輸出層。本文根據(jù)場(chǎng)次洪水河道沙量的影響因素分析結(jié)果，以朝陽(yáng)、迷力營(yíng)子兩站的洪峰流量、洪水總量和平均含沙量為模型的輸入變量，利用BP神經(jīng)網(wǎng)絡(luò)來(lái)建立下游義縣站沙量預(yù)報(bào)模型，其主要步驟如下。
(1)將朝陽(yáng)、迷力營(yíng)子兩站的洪峰流量、洪水總量和平均含沙量合計(jì)6個(gè)變量作為模型輸入條件，下游站沙量作為輸出條件。
(2)將各個(gè)變量進(jìn)行模糊歸一化處理。由于各個(gè)因素的量綱不盡相同，為了達(dá)到同量綱計(jì)算的要求，現(xiàn)把各個(gè)變量的值進(jìn)行歸一化，使其成為0～1之間的數(shù)，以便于計(jì)算;歸一化公式如下：
(6)將驗(yàn)證得到的結(jié)果與實(shí)測(cè)值進(jìn)行對(duì)比，見(jiàn)圖5。
3.3 結(jié)果分析
本文所建模型，以上游站資料(朝陽(yáng)、迷力營(yíng)子兩站的洪峰流量、洪水總量和平均含沙量)作為輸入條件，以下游義縣站沙量作為輸出條件，用BP神經(jīng)網(wǎng)絡(luò)的方法反映輸入變量和輸出變量的相關(guān)關(guān)系，模型模擬計(jì)算和驗(yàn)證結(jié)果見(jiàn)圖4、圖5及表1。
由圖4可得，計(jì)算結(jié)果與原始結(jié)果分布都位于45°中心線上，其誤差變化范圍在0.1～20.8萬(wàn)t之間，平均誤差為1.0萬(wàn)t，現(xiàn)有洪水資料義縣站的場(chǎng)次洪水平均輸沙量為414萬(wàn)t，其模擬計(jì)算效果較好。由圖5和表1可得，其驗(yàn)證結(jié)果偏離45°中心線均不遠(yuǎn)，驗(yàn)證的6場(chǎng)水沙資料誤差都不是很大，其實(shí)際誤差變化范圍在0.8～391.1萬(wàn)t之間，平均誤差為61.8萬(wàn)t，其相對(duì)誤差有5場(chǎng)在20%以?xún)?nèi)，效果較為理想。對(duì)于19880910號(hào)洪水其相對(duì)誤差達(dá)到了25.7%，但其絕對(duì)誤差僅有9.8萬(wàn)t，不及平均水平的1/6;導(dǎo)致該場(chǎng)洪水所預(yù)測(cè)沙量誤差偏大的原因是該場(chǎng)洪水量級(jí)小，且其前期有一場(chǎng)洪水過(guò)程。因此，就預(yù)測(cè)的整體效果而言，預(yù)測(cè)結(jié)果基本達(dá)到了應(yīng)用要求。
轉(zhuǎn)載請(qǐng)注明來(lái)自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///jjlw/8005.html
