基于BP神經(jīng)網(wǎng)絡(luò)的場次洪水河道沙量預(yù)報

　　本篇水利災(zāi)害論文通過BP神經(jīng)網(wǎng)絡(luò)方法研究大凌河流域的泥沙預(yù)報，首先分析單個因素與下游沙量的相關(guān)關(guān)系，得到各個因素與下游沙量的相關(guān)系數(shù)，分析其相關(guān)性的強弱，確定神經(jīng)網(wǎng)絡(luò)的輸入變量;然后通過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)，說明BP神經(jīng)網(wǎng)絡(luò)算法可以用于泥沙預(yù)報。但由于BP神經(jīng)網(wǎng)絡(luò)本身的缺點，收斂速度慢，易陷于局部最小點，且無法直觀地描述各個變量之間的關(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，同時為水資源開發(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)。《水處理技術(shù)》為環(huán)境類中文核心期刊，“中國期刊方陣”雙效期刊，如國科技論文統(tǒng)計源期刊，本刊論文被美國SCI、CA和日本科技文獻(xiàn)速報摘錄。

　　摘要：針對日益嚴(yán)重的河流泥沙問題，掌握河流泥沙的影響因素和泥沙的變化過程是泥沙治理的關(guān)鍵。以神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)，建立場次洪水沙量預(yù)報模型，對多沙河流的洪水挾沙量進(jìn)行預(yù)報，并取得較好的預(yù)報效果。[JP2]選擇遼西北多沙河流大凌河作為研究實例，首先將1984年-1998年間的29場歷史實測洪水資料進(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場洪水資料進(jìn)行驗證。模型計算結(jié)果表明，計算結(jié)果與實測結(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。

　　關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);沙量預(yù)測;場次洪水

　　我國大江大河的泥沙問題一直以來都是個棘手的問題，水利設(shè)施或多或少受其影響。由于泥沙的原因，最常見的危害是水庫有效庫容減少，嚴(yán)重影響水庫的使用壽命;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)重威脅河流周圍人民群眾的生產(chǎn)生活。沙量預(yù)報可以在高含沙洪水到來之前對其做出預(yù)測，并通過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)報將對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)報研究中，已有多種預(yù)報模型與方法，大致可分為水動力學(xué)方法和水文學(xué)方法。水動力學(xué)法是從泥沙運動與變化的[HJ]機理出發(fā)，對泥沙傳輸變化進(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力學(xué)模型以及流域泥沙動力學(xué)模型;吳作平[3]研究的水沙水力學(xué)方法也具有不錯的效果，該模型建立了流域中水利樞紐上下游的水沙水動力學(xué)銜接條件，并采用概化的算例對樞紐上下游進(jìn)行了水動力學(xué)模擬。水文學(xué)的處理方法一般都是尋求影響泥沙運動變化的主要因素，從而進(jìn)行洪水水沙預(yù)測。例如，萬新宇等[4]提出了壩址泥沙預(yù)測相似推理方法，并預(yù)測了三門峽水庫壩址泥沙過程;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)報中，并建立了珠江三角洲河網(wǎng)洪水水沙預(yù)報模型。由于水動力學(xué)法全面考慮洪水泥沙運動變化的各水力要素，對水沙模擬所需的資料要求高且計算量也大，因此其在實際應(yīng)用過程中存在一定問題。而水文學(xué)方法以影響水沙變化的主要因素為基礎(chǔ)，回避過多的細(xì)節(jié)，對資料的要求較低，能從宏觀角度解決水沙模擬問題[6]，因此該方法為水沙模擬預(yù)測提供了新途徑，也得到較廣泛的應(yīng)用。

　　人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，簡稱ANN)突破了以往傳統(tǒng)數(shù)學(xué)模型的思維與處理方法，運用黑箱理論，能較好地處理泥沙預(yù)報這一復(fù)雜的、非線性的問題，目前這方面已有大量的研究成果[7-12]，為泥沙預(yù)報提供了一種不同于模型試驗、理論公式的新思路。本文以大凌河流域為研究對象，通過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)行場次洪水河道沙量預(yù)報。

　　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，其中朝陽站和迷力營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，朝陽站以上流域受閻王鼻子水庫的控制，使得朝陽站以上區(qū)域天然來水來沙情況發(fā)生變化。因此，本文選取流域內(nèi)朝陽站、迷力營子站(后改為九連洞站)到義縣站區(qū)間的河道作為研究區(qū)域，通過上游兩站的水沙資料來模擬預(yù)測下游義縣站的沙量，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場洪水資料[JP2](來源于《中華人民共和國水文年鑒》的“遼河流域水文資料”第4 冊)，進(jìn)行場次洪水河道泥沙模擬與預(yù)測。所收集的資料中，各場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型的水沙組合情況。

　　2 場次洪水沙量預(yù)測影響因素分析

　　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洪水流動會起到不同程度的阻滯作用。但是，由于洪峰時段測量流速難度大，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場洪水資料，分別建立上游朝陽站、迷力營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。通過線性回歸分析(見圖2)，得到各個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下游沙量的影響有很大。由此可得，上游兩個水文站的洪水總量、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 場次洪水下游沙量的模擬與預(yù)測

　　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，采用朝陽和迷力營子兩站的洪峰流量、洪量以及平均含沙量來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%，有超過一半的洪水其誤差超過了30%，故結(jié)果不能達(dá)到實際應(yīng)用的水平。由此可見，對于下游站沙量的預(yù)測不是通過簡單的線性擬合就可以得到的;河道泥沙運動變化的復(fù)雜性決定了下游沙量預(yù)測是一個受多因素綜合影響的非線性問題。為了解決沙量預(yù)測這個復(fù)雜的非線性問題，本文將采用BP神經(jīng)網(wǎng)絡(luò)來進(jìn)行建模分析與預(yù)測。

　　3.2 基于BP神經(jīng)網(wǎng)絡(luò)的沙量預(yù)報

　　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，通過反向傳播來不斷調(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)場次洪水河道沙量的影響因素分析結(jié)果，以朝陽、迷力營子兩站的洪峰流量、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)來建立下游義縣站沙量預(yù)報模型，其主要步驟如下。

　　(1)將朝陽、迷力營子兩站的洪峰流量、洪水總量和平均含沙量合計6個變量作為模型輸入條件，下游站沙量作為輸出條件。

　　(2)將各個變量進(jìn)行模糊歸一化處理。由于各個因素的量綱不盡相同，為了達(dá)到同量綱計算的要求，現(xiàn)把各個變量的值進(jìn)行歸一化，使其成為0～1之間的數(shù)，以便于計算;歸一化公式如下：

　　(6)將驗證得到的結(jié)果與實測值進(jìn)行對比，見圖5。

　　3.3 結(jié)果分析

　　本文所建模型，以上游站資料(朝陽、迷力營子兩站的洪峰流量、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，模型模擬計算和驗證結(jié)果見圖4、圖5及表1。

　　由圖4可得，計算結(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t之間，平均誤差為1.0萬t，現(xiàn)有洪水資料義縣站的場次洪水平均輸沙量為414萬t，其模擬計算效果較好。由圖5和表1可得，其驗證結(jié)果偏離45°中心線均不遠(yuǎn)，驗證的6場水沙資料誤差都不是很大，其實際誤差變化范圍在0.8～391.1萬t之間，平均誤差為61.8萬t，其相對誤差有5場在20%以內(nèi)，效果較為理想。對于19880910號洪水其相對誤差達(dá)到了25.7%，但其絕對誤差僅有9.8萬t，不及平均水平的1/6;導(dǎo)致該場洪水所預(yù)測沙量誤差偏大的原因是該場洪水量級小，且其前期有一場洪水過程。因此，就預(yù)測的整體效果而言，預(yù)測結(jié)果基本達(dá)到了應(yīng)用要求。

轉(zhuǎn)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http://liangshanbai.cn/jjlw/8005.html