葉陳雷,徐宗學(xué),雷曉輝,陳陽(yáng),李鵬,王京晶

(1.北京師范大學(xué)水科學(xué)研究院 城市水循環(huán)與海綿城市技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室,北京 100875；2.中國(guó)水利水電科學(xué)研究院水資源研究所,北京 100038；3.東北大學(xué)資源與土木工程學(xué)院,沈陽(yáng) 110819)

近年來，我國(guó)經(jīng)濟(jì)社會(huì)快速發(fā)展，城市面積不斷擴(kuò)大，城市人口持續(xù)增長(zhǎng)，城市水問題隨之而來。城市“看?！睂映霾桓F，逢雨必澇逐漸演變?yōu)槲覈?guó)很多大中城市的痼疾。氣候變化與城市化對(duì)城市水文循環(huán)規(guī)律產(chǎn)生了深遠(yuǎn)的影響[1]，“城市雨島”與“城市熱島”效應(yīng)被廣泛關(guān)注，城市內(nèi)澇已成為危害居民財(cái)產(chǎn)安全的重要問題[2-5]。城市化使下墊面對(duì)降雨的響應(yīng)機(jī)制發(fā)生改變，不透水面積增多，植被覆蓋顯著減少，徑流量增加[6-7]。

城市雨洪模擬方法主要包括水文學(xué)方法、水動(dòng)力學(xué)方法以及水文水動(dòng)力結(jié)合的方法[8-9]。自然情況下，城市中的降雨經(jīng)過初期損失后形成凈雨，再經(jīng)過坡面匯流進(jìn)入城市管網(wǎng)中，最終由管網(wǎng)系統(tǒng)排出。在這一過程中，水流在城市地表的產(chǎn)流、匯流以及在管網(wǎng)中的匯流過程極為重要，是研究城市洪澇過程的重要工作。國(guó)內(nèi)外相關(guān)研究人員[10-12]已針對(duì)城市雨洪模擬開展了大量研究。對(duì)于城市降雨徑流的計(jì)算，我國(guó)自主研發(fā)的雨洪模型較少，主要集中在對(duì)徑流量的計(jì)算上。岑國(guó)平[13]通過對(duì)城市雨水的地表產(chǎn)流、地表匯流、管網(wǎng)匯流過程進(jìn)行研究，建立了城市雨水徑流計(jì)算模型。周玉文等[14]將徑流分為地表徑流和管網(wǎng)徑流兩個(gè)階段，構(gòu)建了城市雨水徑流模型。目前應(yīng)用廣泛的城市雨洪模擬軟件包括美國(guó)環(huán)境保護(hù)署開發(fā)的SWMM(storm water management model)[15]、丹麥DHI開發(fā)的MIKE URBAN[16]以及英國(guó)Wallingford開發(fā)的InfoWorks ICM[17]。相比于其他模型軟件，SWMM由于其開源的特性，被廣大從事科學(xué)研究的人員應(yīng)用在城市雨洪模擬中。石小芳等[18]基于SWMM對(duì)寧波地區(qū)構(gòu)建了臺(tái)風(fēng)和非臺(tái)風(fēng)暴雨情景內(nèi)澇響應(yīng)模型，對(duì)比分析了兩種不同暴雨情景下內(nèi)澇的特征及差異。戎貴文等[19]基于SWMM中的低影響開發(fā)(low impact development,LID)模塊以淮南某一工業(yè)園區(qū)為研究對(duì)象，分析了多種LID組合措施對(duì)水質(zhì)水量的影響。目前，雖然關(guān)于SWMM的應(yīng)用研究已較為豐富，但對(duì)于城市社區(qū)尺度下管網(wǎng)排水全過程的分析尚待進(jìn)一步完善。鑒于SWMM開源的特點(diǎn)，本文基于實(shí)測(cè)場(chǎng)次降雨水位數(shù)據(jù)，采用優(yōu)化算法對(duì)模型參數(shù)進(jìn)行自動(dòng)率定，并對(duì)各水文參數(shù)進(jìn)行局部敏感性分析。在此基礎(chǔ)上，選取不同重現(xiàn)期與不同降雨歷時(shí)的組合工況對(duì)該管網(wǎng)排水系統(tǒng)進(jìn)行計(jì)算。通過數(shù)據(jù)準(zhǔn)備、模型構(gòu)建、參數(shù)自動(dòng)率定及敏感性分析、組合情景模擬及管網(wǎng)排水分析等主要步驟，以我國(guó)沿海地區(qū)福州市晉安區(qū)某典型排水小區(qū)為例，提出一套較為完整的城市排水內(nèi)澇分析體系。

1 研究區(qū)數(shù)據(jù)

福建省會(huì)福州是典型的沿海易澇城市，位于閩江下游地區(qū)，屬于亞熱帶季風(fēng)氣候。近年來，福州頻繁受臺(tái)風(fēng)暴雨影響，強(qiáng)降雨天氣嚴(yán)重影響人們的日常生活。如：2005年的“龍王”臺(tái)風(fēng)對(duì)福州市造成了極大破壞，城區(qū)主要交通道路幾乎全部被淹;2016年的“鲇魚”臺(tái)風(fēng)登陸福州時(shí)，12 h降雨量達(dá)到195 mm，經(jīng)濟(jì)損失14.2億元[20-22]。選擇福州市晉安區(qū)某典型居民區(qū)為研究區(qū)域，小區(qū)西面為茶園路，北面為晉安河支流，東面和南面以居民區(qū)街道與附近其他居民區(qū)相隔開，總面積約11.48 hm2。小區(qū)中有社區(qū)、學(xué)校、廣場(chǎng)等典型居民區(qū)建筑設(shè)施。建模時(shí)，將房屋、廣場(chǎng)、道路等概化為不透水面，將綠地等概化為透水面。圖1(a)為該居民區(qū)位置示意圖。利用SWMM對(duì)其排水系統(tǒng)進(jìn)行評(píng)估，使用數(shù)據(jù)主要包括小區(qū)排水管網(wǎng)設(shè)施、土地類型以及小區(qū)地形。研究小區(qū)建模數(shù)據(jù)包括小區(qū)內(nèi)的管網(wǎng)數(shù)據(jù)、地形數(shù)據(jù)和土地類型數(shù)據(jù)。管網(wǎng)數(shù)據(jù)包括檢查井、管道、排口3個(gè)組成部分，其中：檢查井?dāng)?shù)據(jù)包括檢查井的位置、井底高程、井深；管道數(shù)據(jù)包括各管段的位置、形狀、尺寸；排口信息包括排口位置等。

圖1 研究區(qū)及SWMM概化圖

本文使用2 m分辨率DEM數(shù)據(jù)計(jì)算子匯水區(qū)平均坡度，管網(wǎng)數(shù)據(jù)及地形數(shù)據(jù)來自于福州市城區(qū)水系聯(lián)排聯(lián)調(diào)中心，土地類型數(shù)據(jù)通過目視解譯得到。概化的小區(qū)SWMM見圖1，共計(jì)排口6個(gè)，檢查井78個(gè)，管段78根。圖1(b)為SWMM的概化示意圖，本文使用的部分建模數(shù)據(jù)見表1。

表1 SWMM需要的基礎(chǔ)管網(wǎng)數(shù)據(jù)

2 主要方法

2.1 SWMM

SWMM是一個(gè)分布式水文模型，將子匯水區(qū)作為基本水文響應(yīng)單元，產(chǎn)匯流過程在每個(gè)基本單元上進(jìn)行計(jì)算。根據(jù)不同的城市地表特性，每個(gè)基本單元被概化為透水區(qū)和不透水區(qū)兩部分。在不透水區(qū)中，根據(jù)地表是否能夠洼蓄劃分為有洼蓄不透水區(qū)和無洼蓄不透水區(qū)兩部分?；谘芯繀^(qū)地形數(shù)據(jù)，利用ArcGIS表面分析計(jì)算百分比坡度，通過分區(qū)統(tǒng)計(jì)可得各子匯水區(qū)的平均坡度為2.09%。該模型[23]提供了下滲、坡面匯流及管網(wǎng)匯流等主要的水文水動(dòng)力計(jì)算。

SWMM的下滲模塊提供了Horton模型、Green-Ampt、Curve Number等不同的下滲模型，本文選擇廣泛使用的Horton模型進(jìn)行計(jì)算。Horton模型可以較好地描述下滲率隨降雨動(dòng)態(tài)變化過程的規(guī)律，其計(jì)算公式為

ft=fc+(f0-fc)e-kt

(1)

式中：ft為土壤t時(shí)刻下滲率，mm/h；f0為初期下滲率，mm/h；fc為穩(wěn)定下滲率，mm/h；t為時(shí)間，h；k為衰減指數(shù)，1/h。

在計(jì)算坡面匯流時(shí)，SWMM將每一個(gè)子匯水區(qū)概化為一個(gè)非線性水庫(kù)，將最大洼地蓄水量作為水庫(kù)的容量，根據(jù)水量平衡方程計(jì)算每一個(gè)水庫(kù)中的水深，通過曼寧公式計(jì)算得到地表出流量為

(2)

式中：Q為出流量，m3/s；W為子流域?qū)挾?，m；S為平均坡度；n為地表曼寧系數(shù);d為水深，m;dp為洼蓄深度，m。

城市雨洪過程中，經(jīng)下滲損失后形成的凈雨由坡面匯流進(jìn)入管網(wǎng)系統(tǒng)。在管網(wǎng)匯流階段，SWMM提供了恒定流、運(yùn)動(dòng)波、動(dòng)力波3種計(jì)算方式。其中：恒定流假設(shè)管網(wǎng)中任意時(shí)刻水流運(yùn)動(dòng)要素保持不變，是對(duì)實(shí)際水流運(yùn)動(dòng)最為簡(jiǎn)化的處理方式；運(yùn)動(dòng)波通過聯(lián)立求解簡(jiǎn)化的連續(xù)方程和動(dòng)量方程計(jì)算水量，但是其無法有效模擬復(fù)雜逆坡、回水、環(huán)狀管網(wǎng)等復(fù)雜的實(shí)際情形；動(dòng)力波通過求解完全的圣維南方程組，可以對(duì)復(fù)雜流態(tài)進(jìn)行模擬。因此，本文采用動(dòng)力波對(duì)管網(wǎng)水流進(jìn)行模擬。

(3)

(4)

式中：Q為流量，m3/s；H為水深，m；A為過水?dāng)嗝婷娣e，m2；g為重力加速度，9.8 m/s2；Sf為摩阻比降；t為時(shí)間，s；x為距離，m。

2.2 遺傳算法

遺傳算法(genetic algorithm，GA)是一種通過模擬自然選擇和進(jìn)化過程來搜索最優(yōu)解集的算法，常被使用在最優(yōu)化問題的研究中。由于SWMM開源的特性，可以在遺傳算法優(yōu)化參數(shù)過程中，將SWMM的模擬值與實(shí)測(cè)數(shù)據(jù)計(jì)算得到的評(píng)價(jià)指標(biāo)作為遺傳算法種群個(gè)體中的適應(yīng)度函數(shù)，進(jìn)而完成遺傳算法的更新迭代。遺傳算法主要包括以下3個(gè)基本的遺傳算子，分別為交叉操作、變異操作和選擇操作?；谶z傳算法優(yōu)化SWMM參數(shù)的主要步驟見圖2。

圖2 遺傳算法優(yōu)化SWMM參數(shù)步驟

初始種群的初始化。SWMM需率定的參數(shù)構(gòu)成一個(gè)解空間，設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器以及最大進(jìn)化代數(shù)，并隨機(jī)生成M個(gè)個(gè)體作為初始群體P(0)。

個(gè)體適應(yīng)度計(jì)算。計(jì)算群體P(t)中各個(gè)個(gè)體的適應(yīng)度。

將交叉算子作用于群體，交叉算子是遺傳算法中起核心作用的算子。

將變異算子作用于群體。即是對(duì)群體中的個(gè)體串的某些基因座上的基因值作變動(dòng)。群體P(t)經(jīng)過選擇、交叉、變異運(yùn)算之后得到下一代群體P(t+1)。

計(jì)算目標(biāo)函數(shù)。將更新得到的種群個(gè)體作為需要率定的模型參數(shù)，SWMM通過讀取其輸入文件(.inp)進(jìn)行計(jì)算，(.inp)是一個(gè)結(jié)構(gòu)化的文本格式，模型參數(shù)在文本中位于對(duì)應(yīng)的模塊下，通過Python語(yǔ)言對(duì)其進(jìn)行參數(shù)的讀取和寫入。在參數(shù)替換為GA更新后的個(gè)體數(shù)值后，即產(chǎn)生新的(.inp)文件，即更新后的模型驅(qū)動(dòng)數(shù)據(jù)，利用第三方庫(kù)Pyswmm可以方便地調(diào)用模型計(jì)算引擎，以獲取SWMM計(jì)算結(jié)果，提取目標(biāo)點(diǎn)位水位或流量過程作為模擬值，通過模擬值與實(shí)測(cè)值計(jì)算目標(biāo)函數(shù)。該步驟是通過遺傳算法率定SWMM參數(shù)的核心。

選擇操作。將選擇算子作用于群體。選擇的目的是把優(yōu)化的個(gè)體直接遺傳到下一代或通過配對(duì)交叉產(chǎn)生新的個(gè)體再遺傳到下一代。選擇操作是建立在群體中個(gè)體的適應(yīng)度評(píng)估基礎(chǔ)上的。

終止條件判斷。在每輪迭代更新種群后，計(jì)算納什效率系數(shù)或判斷是否已滿足迭代次數(shù)要求，如滿足條件則停止遺傳算法迭代過程，以算法進(jìn)化過程中的最大適應(yīng)度個(gè)體作為最優(yōu)解輸出，并終止循環(huán)。

2.3 Morris敏感性分析

本文選用Morris篩選法分析參數(shù)的敏感性[24]。Morris篩選法是從模型參數(shù)中選出某一個(gè)變量，在其取值范圍內(nèi)進(jìn)行變動(dòng)，使自變量以固定步長(zhǎng)百分率改變，并以此驅(qū)動(dòng)模型，從而得到不同xi對(duì)應(yīng)的目標(biāo)函數(shù)y的結(jié)果。最終敏感性判別因子取多個(gè)Morris系數(shù)的平均值，其計(jì)算公式為

(5)

式中：y*為改變參數(shù)后的模型輸出；y為改變參數(shù)前的模型輸出；Δxi為參數(shù)的變化。本文針對(duì)通過遺傳算法率定的參數(shù)，選取一定范圍改變參數(shù)值，并固定其他參數(shù)，以研究區(qū)主要排水口的洪峰流量為衡量指標(biāo)，分析各參數(shù)的靈敏性。敏感性系數(shù)的計(jì)算公式為

(6)

式中：Y0為基準(zhǔn)輸出結(jié)果；Yi為參數(shù)第i次變化的輸出；Pi為參數(shù)相對(duì)于基準(zhǔn)輸入的百分比變化量；n為參數(shù)的改變次數(shù)；S為參數(shù)的敏感性判別因子。當(dāng)|S|≥1時(shí)，表明參數(shù)高度敏感；當(dāng)0.2≤|S|<1時(shí)，表明參數(shù)中高等敏感；當(dāng)0.05≤|S|<0.2時(shí)，表明參數(shù)中低等敏感；當(dāng)|S|<0.05時(shí)，表明參數(shù)不敏感。

3 結(jié)果分析

3.1 參數(shù)優(yōu)化及其敏感性

在構(gòu)建研究小區(qū)SWMM的過程中，綜合利用泰森多邊形以及研究區(qū)的衛(wèi)星影像圖對(duì)其進(jìn)行子流域劃分。計(jì)算時(shí)每個(gè)子流域可以看作一個(gè)集總式水文模型，且包括下滲、地表匯流以及管網(wǎng)匯流3個(gè)主要的物理過程。因此，SWMM降雨徑流模擬中主要有以下3個(gè)模塊的參數(shù)，包括：子匯水區(qū)面積(hm2)、不透水百分比(%)、特征寬度(m)、平均坡度百分比(%)、不透水地表曼寧系數(shù)、透水地表曼寧系數(shù)、不透水地表洼地蓄水深度(mm)、透水地表洼地蓄水深度(mm)等子匯水區(qū)模塊參數(shù)；最大入滲速率(mm/h)、最小入滲速率(mm/h)、衰減指數(shù)(1/h)等下滲模塊參數(shù)；糙率等管道匯流模塊參數(shù)。其中:子匯水區(qū)面積(hm2)、特征寬度(m)等參數(shù)由實(shí)際地形數(shù)據(jù)提取得到，不需要進(jìn)行人為率定;而其他參數(shù)如糙率、最大入滲速率(mm/h)、最小入滲速率(mm/h)等雖然具有明確的物理意義，但是一般需要通過實(shí)測(cè)數(shù)據(jù)與模擬數(shù)據(jù)的對(duì)比來進(jìn)行率定。由于其物理意義明確，這類參數(shù)通常具有一定的取值范圍，而其中一些參數(shù)對(duì)模型模擬結(jié)果影響比較大，稱之為敏感參數(shù)。準(zhǔn)確率定模型參數(shù)，使模型能夠更好地體現(xiàn)研究區(qū)實(shí)際特征，是建模過程中十分重要的步驟。在實(shí)際工作中，往往有大量的監(jiān)測(cè)數(shù)據(jù)，手動(dòng)率定往往帶有極大的主觀性，且工作量很大。與手動(dòng)調(diào)參相比，遺傳算法能夠?qū)崿F(xiàn)模型參數(shù)的自動(dòng)尋優(yōu)，為模型率定工作提供了便利。本文在遺傳算法中，設(shè)置種群參數(shù)為30，迭代次數(shù)為200，其余超參數(shù)的突變概率設(shè)置為0.1，交叉概率為0.5，適應(yīng)度函數(shù)使用納什效率系數(shù)(Nash-Sutcliffe coefficient of efficiency，ENS)，其計(jì)算表達(dá)式為

(7)

本文通過參考文獻(xiàn)中給出的模型參數(shù)范圍，以匯水區(qū)及管道參數(shù)的上、下閾值作為遺傳算法種群個(gè)體的上下邊界。參考文獻(xiàn)[25]與文獻(xiàn)[26]，分別設(shè)置SWMM中子匯水區(qū)模塊、下滲模塊、管道模塊中的參數(shù)，見表2。經(jīng)過200次迭代，遺傳算法計(jì)算得到的參數(shù)值已趨于收斂，最終得到的參數(shù)值如下所述。子匯水區(qū)模塊參數(shù)中，不透水面曼寧系數(shù)為0.022，透水面曼寧系數(shù)為0.226，不透水區(qū)洼地蓄水深度為0.659 mm，透水區(qū)洼地蓄水深度為5.998 mm；下滲模塊參數(shù)中，最大下滲率為83.62 mm/h，最小下滲率為1.534 mm/h，衰減系數(shù)為3.502，干燥時(shí)間為5 d；管道模塊參數(shù)中，糙率為0.01。

表2 SWMM關(guān)鍵參數(shù)的取值范圍

率定期選取20180531場(chǎng)次降雨，該場(chǎng)次總降雨量為43.8 mm，降雨歷時(shí)為200 min，計(jì)算得到納什效率系數(shù)為0.82。實(shí)測(cè)最大水位為4.64 m，模型計(jì)算得到的水位為4.66 m。實(shí)測(cè)峰現(xiàn)時(shí)間為當(dāng)日20：40，模型計(jì)算得到峰現(xiàn)時(shí)間為20：35。將模型率定得到的參數(shù)代入SWMM，并用驗(yàn)證場(chǎng)次的降雨數(shù)據(jù)驅(qū)動(dòng)模型，將模擬結(jié)果與驗(yàn)證場(chǎng)次的實(shí)測(cè)數(shù)據(jù)進(jìn)行比較。驗(yàn)證期選取20180620場(chǎng)次降雨，該場(chǎng)次總降雨量為53.1 mm，降雨歷時(shí)為240 min，計(jì)算得到納什效率系數(shù)為0.81。實(shí)測(cè)最大水位為4.750 m，模型計(jì)算得到的水位為4.758 m。實(shí)測(cè)峰現(xiàn)時(shí)間為當(dāng)日18：30，模型計(jì)算得到峰現(xiàn)時(shí)間為18：25。因此，模型模擬的效果較好，可以用于實(shí)際洪澇情景計(jì)算。兩次峰值的模擬水位和實(shí)測(cè)水位誤差均在2%以內(nèi)，模型的擬合度較高。率定參數(shù)后的SWMM在兩場(chǎng)降雨實(shí)測(cè)水位與模擬水位的對(duì)比見圖3。

圖3 模擬水位與實(shí)測(cè)水位

由于小區(qū)實(shí)測(cè)資料比較缺乏，無法使用更多的場(chǎng)次降水資料進(jìn)行模型率定和驗(yàn)證。較少的實(shí)測(cè)數(shù)據(jù)較易導(dǎo)致模型的適用性降低。因此，為進(jìn)一步深化對(duì)模型參數(shù)的認(rèn)識(shí)，有必要對(duì)模型主要參數(shù)的靈敏性進(jìn)行一定的分析，找到敏感性強(qiáng)的參數(shù)，在模型的后續(xù)應(yīng)用中重點(diǎn)率定這些參數(shù)。對(duì)于不敏感的參數(shù)，結(jié)合參數(shù)的物理意義及其取值區(qū)間進(jìn)行適當(dāng)調(diào)整。利用修正的Morris法，將率定后的參數(shù)作為基準(zhǔn)參數(shù)值。為分析主要參數(shù)的靈敏性，在原參數(shù)基礎(chǔ)上設(shè)置-30%、-20%、-10%、10%、20%、30%的變動(dòng)，驅(qū)動(dòng)模型計(jì)算得到多組輸出結(jié)果。選擇排水口的洪峰流量和小區(qū)平均徑流系數(shù)為衡量指標(biāo)，分析和討論各參數(shù)的敏感性。

圖4為采用Morris篩選法得到的洪峰流量對(duì)模型參數(shù)敏感性系數(shù)S分布，在計(jì)算過程中發(fā)現(xiàn)，下滲模塊的參數(shù)干燥時(shí)間在變動(dòng)中對(duì)結(jié)果的影響為0，這里不在圖中作出。從圖4可以看出，隨著重現(xiàn)期的變化，各參數(shù)敏感性有所變化，其中：在重現(xiàn)期為1 a時(shí)，各參數(shù)敏感性系數(shù)分布較為接近，均位于[0.05,0.20)內(nèi)，屬于中等敏感參數(shù)；在重現(xiàn)期為20 a 時(shí)，最大下滲率位于[0.2,1.0)內(nèi)，屬于敏感參數(shù)，其他參數(shù)仍為中等敏感，但判別因子S有所增大；在重現(xiàn)期為50 a時(shí)，衰減系數(shù)與最小下滲率位于[0.2,1.0)內(nèi)，屬于敏感參數(shù)，其他參數(shù)為中等敏感。在該小區(qū)模型中，最大下滲率、最小下滲率以及衰減系數(shù)的敏感性系數(shù)隨雨強(qiáng)的變化更為明顯。

圖4 Morris篩選法洪峰流量對(duì)參數(shù)的敏感性系數(shù)S分布

3.2 SWMM情景模擬

以3種設(shè)計(jì)降雨驅(qū)動(dòng)模型，設(shè)計(jì)雨型來自福建省《城市及部分縣城暴雨強(qiáng)度公式》[27]，共設(shè)置16種降雨方案。其中：設(shè)置4種降雨重現(xiàn)期，分別為1 a一遇、10 a一遇、20 a一遇、50 a一遇；同時(shí)設(shè)置4套降雨歷時(shí)方案，分別為2、6、12、24 h。所有設(shè)計(jì)暴雨方案見表3。20 a一遇的3種降雨歷時(shí)下的設(shè)計(jì)降雨過程線見圖5。

表3 設(shè)計(jì)降雨方案

圖5 20 a一遇的3種設(shè)計(jì)降雨過程線

設(shè)置4種降雨重現(xiàn)期以及4種降雨歷時(shí)，通過SWMM計(jì)算得到在16種情景下小區(qū)排口的洪峰流量。小區(qū)內(nèi)共有2個(gè)主要的排水管網(wǎng)系統(tǒng)，因此分別統(tǒng)計(jì)了2個(gè)排口處的流量過程線，見圖6。圖6中的C17為連接排口A的管道，C74為連接排口B的管道，分別用以統(tǒng)計(jì)模型計(jì)算的過流量。

通過計(jì)算可知，模型較為準(zhǔn)確地模擬了小區(qū)的降雨徑流過程。降雨歷時(shí)為2 h時(shí):當(dāng)重現(xiàn)期為1 a時(shí)，排口A的洪峰流量為0.39 m3/s，峰現(xiàn)時(shí)間為1:00；當(dāng)重現(xiàn)期為10 a時(shí)，排口A的洪峰流量為0.59 m3/s，峰現(xiàn)時(shí)間為0:55；當(dāng)重現(xiàn)期為20 a，排口A的洪峰流量為0.67 m3/s,峰現(xiàn)時(shí)間為0:55;當(dāng)重現(xiàn)期為50 a時(shí)，排口A的洪峰流量為0.75 m3/s,峰現(xiàn)時(shí)間為0:55。對(duì)于排口B以及其他重現(xiàn)期的降雨規(guī)律類似，隨著降雨重現(xiàn)期的增加，該小區(qū)的洪峰流量逐漸增加，峰現(xiàn)時(shí)間較為接近。從圖6還可以看出：當(dāng)降雨重現(xiàn)期為20 a時(shí)，2 h降雨歷時(shí)下排口B的洪峰流量為0.32 m3/s，峰現(xiàn)時(shí)間為0：55，而此時(shí)的降雨峰值出現(xiàn)時(shí)間為0：50；6 h降雨歷時(shí)下排口B的洪峰流量為0.32 m3/s，峰現(xiàn)時(shí)間為2：30，而此時(shí)的降雨峰值出現(xiàn)時(shí)間為2：25；12 h降雨歷時(shí)下排口B的洪峰流量為0.34 m3/s，峰現(xiàn)時(shí)間為4：55，而此時(shí)的降雨峰值出現(xiàn)時(shí)間為4：50；24 h降雨歷時(shí)下排口B的洪峰流量為0.32 m3/s，峰現(xiàn)時(shí)間為9：40，而此時(shí)的降雨峰值出現(xiàn)時(shí)間為9：35?？梢钥吹皆诓煌慕涤隁v時(shí)下，小區(qū)排口峰值流量比較接近，而峰現(xiàn)時(shí)間直接受雨型的影響，一般出現(xiàn)在降雨峰值后的5 min。為進(jìn)一步分析小區(qū)管網(wǎng)排水特征，統(tǒng)計(jì)各情景方案下小區(qū)排口的洪峰流量，見表4。相比于降雨歷時(shí)，小區(qū)洪峰流量受降雨重現(xiàn)期或雨強(qiáng)的影響較大。

表4 不同內(nèi)澇情景下的洪峰流量(排口B)

圖6 不同情景下排口流量過程模擬

3.3 管網(wǎng)排水能力分析

為進(jìn)一步分析小區(qū)管網(wǎng)排水特征，在4種降雨重現(xiàn)期與4種降雨歷時(shí)的組合下驅(qū)動(dòng)SWMM，并將模型計(jì)算時(shí)間統(tǒng)一設(shè)置為48 h，統(tǒng)計(jì)各情景方案下管網(wǎng)排水特征，見表5。在不同重現(xiàn)期下，均有部分節(jié)點(diǎn)和管道發(fā)生超載。節(jié)點(diǎn)超載個(gè)數(shù)和管道超載個(gè)數(shù)達(dá)52個(gè)以上。對(duì)于同一降雨歷時(shí)的降雨，隨著降雨重現(xiàn)期的增大，由于降雨強(qiáng)度變大，同一時(shí)間內(nèi)城市下墊面收集的雨水更多，匯入排水管網(wǎng)的水量更大，這使得節(jié)點(diǎn)超載數(shù)、節(jié)點(diǎn)溢流數(shù)、滿流管道數(shù)以及滿管時(shí)間均呈現(xiàn)增加的趨勢(shì)。但節(jié)點(diǎn)平均超載時(shí)長(zhǎng)卻呈現(xiàn)減少的趨勢(shì)，是由于在降雨重現(xiàn)期增大導(dǎo)致超載的節(jié)點(diǎn)隨之增多所致。當(dāng)降雨重現(xiàn)期不變，降雨歷時(shí)變大時(shí)，節(jié)點(diǎn)平均超載時(shí)長(zhǎng)、節(jié)點(diǎn)超載數(shù)、滿流管道數(shù)基本保持不變，而節(jié)點(diǎn)溢流數(shù)減少，滿管時(shí)間增加。其中，在更短的降雨歷時(shí)下，同一重現(xiàn)期降雨在時(shí)程上的分配更為密集，當(dāng)管道排水能力不足時(shí)，水從管道兩側(cè)進(jìn)入檢查井，此時(shí)更容易造成檢查井溢流，實(shí)際中對(duì)于短歷時(shí)強(qiáng)降雨要引起足夠重視?？偟膩碚f，各項(xiàng)指標(biāo)受降雨重現(xiàn)期的影響較大，而節(jié)點(diǎn)超載數(shù)、滿流管道數(shù)受降雨歷時(shí)影響相對(duì)較小。

表5 不同內(nèi)澇情景下管網(wǎng)排水特征統(tǒng)計(jì)

4 結(jié) 論

以福州市某典型居民小區(qū)為例，基于實(shí)測(cè)的管道液位數(shù)據(jù)，利用遺傳算法對(duì)SWMM參數(shù)進(jìn)行優(yōu)化率定，并利用Morris法對(duì)影響產(chǎn)匯流計(jì)算的主要參數(shù)敏感性進(jìn)行了分析。在此基礎(chǔ)上，利用不同重現(xiàn)期的降雨驅(qū)動(dòng)模型，比較分析各種情景下小區(qū)排水管網(wǎng)的排水能力。主要結(jié)論如下：

基于遺傳算法率定研究區(qū)SWMM參數(shù)，20180531場(chǎng)次降雨計(jì)算得到納什效率系數(shù)為0.82；實(shí)測(cè)最大水位為4.64 m，模型計(jì)算得到的水位為4.66 m；實(shí)測(cè)峰現(xiàn)時(shí)間為當(dāng)日20：40，模型計(jì)算得到峰現(xiàn)時(shí)間為20：35。20180620場(chǎng)次降雨計(jì)算得到納什效率系數(shù)為0.81；實(shí)測(cè)最大水位為4.750 m，模型計(jì)算得到的水位為4.758 m；實(shí)測(cè)峰現(xiàn)時(shí)間為當(dāng)日18：30，模型計(jì)算得到峰現(xiàn)時(shí)間為18：25。基于Morris篩選法進(jìn)行SWMM參數(shù)敏感性分析，得到洪峰流量對(duì)模型參數(shù)敏感性系數(shù)S分布圖。結(jié)果顯示，降雨重現(xiàn)期較小時(shí)，參數(shù)敏感性系數(shù)分布相對(duì)均勻。隨著降雨重現(xiàn)期增大，參數(shù)敏感性分布相對(duì)集中。衰減系數(shù)、最大下滲率、最小下滲率以及管道曼寧系數(shù)比其他參數(shù)更為敏感。

對(duì)研究小區(qū)進(jìn)行管網(wǎng)排水計(jì)算，得到不同降雨情景下的洪峰流量、節(jié)點(diǎn)平均超載時(shí)長(zhǎng)、節(jié)點(diǎn)超載數(shù)、節(jié)點(diǎn)溢流數(shù)、滿流管道數(shù)、滿管時(shí)間等指標(biāo)。結(jié)果表明，在降雨歷時(shí)相同時(shí)，隨著降雨重現(xiàn)期的增加，該小區(qū)的洪峰流量逐漸增加，峰現(xiàn)時(shí)間較為接近。在不同的降雨歷時(shí)下，小區(qū)排口峰值流量比較接近，而峰現(xiàn)時(shí)間直接受雨鋒的影響，一般出現(xiàn)在降雨峰值后的5 min。在降雨歷時(shí)增加時(shí)，滿管時(shí)間相應(yīng)增加。各項(xiàng)指標(biāo)受降雨重現(xiàn)期的影響較大，其中，節(jié)點(diǎn)超載數(shù)、滿流管道數(shù)受降雨歷時(shí)影響相對(duì)較小。

本文在城市社區(qū)尺度下完成排水模型構(gòu)建、參數(shù)率定及敏感性分析、組合工況模擬及排水能力量化分析等工作，較為完整地分析了城市排水內(nèi)澇情勢(shì)，對(duì)相關(guān)防洪排澇工作有一定的借鑒意義。論文工作本身也存在以下不足：實(shí)測(cè)數(shù)據(jù)的缺乏使本文僅使用2場(chǎng)實(shí)測(cè)雨洪過程進(jìn)行參數(shù)的率定和驗(yàn)證，使模型參數(shù)在其他場(chǎng)次降雨中的泛化能力有所欠缺，未來應(yīng)搜集更多的實(shí)測(cè)資料，不斷地對(duì)模型進(jìn)行優(yōu)化，增加模型的魯棒性和泛化能力。此外，更多的實(shí)測(cè)資料也有利于進(jìn)一步對(duì)遺傳算法的超參數(shù)進(jìn)行校核；本文僅對(duì)社區(qū)尺度洪澇過程中地表產(chǎn)流、地表匯流及管網(wǎng)匯流3個(gè)過程做了模擬，并未涉及河網(wǎng)匯流及地表漫流等重要過程，如直接導(dǎo)致城市內(nèi)澇節(jié)點(diǎn)的溢水過程。在后續(xù)工作中需要將SWMM與其他模型工具相結(jié)合，綜合利用水文與水動(dòng)力學(xué)方法，模擬城市尺度洪澇全過程。