王 淑 楠，顧 峰 峰，李 俊 花，趙 德 招

(1.上海海事大學(xué) 海洋科學(xué)與工程學(xué)院，上海 201306； 2.上海河口海岸科學(xué)研究中心 河口海岸交通行業(yè)重點(diǎn)實(shí)驗(yàn)室，上海 201201； 3.交通運(yùn)輸部長江口航道管理局，上海 200003)

0 引 言

長江口屬于世界巨型河口，在徑流、潮流等作用下，易形成由細(xì)顆粒泥沙組成的高渾濁帶，垂向水沙鹽分布的分層特征顯著、近底含沙量高，使得長江口深水航道的回淤強(qiáng)度較大[1]。長江口深水航道治理工程于2011年5月18日通過國家竣工驗(yàn)收，發(fā)揮了巨大的經(jīng)濟(jì)效益和社會(huì)效益。然而，航道回淤量大、時(shí)空分布高度集中的難題也較為突出，給航道管理及維護(hù)施工調(diào)度(月度)帶來巨大困難，因而如何精準(zhǔn)預(yù)測航道回淤量是一個(gè)重要技術(shù)難題。

航道回淤量預(yù)測的方法通常包括：現(xiàn)場資料分析法、物理模型試驗(yàn)法、數(shù)值模擬法等。數(shù)值模擬法目前應(yīng)用最為普遍，大多數(shù)學(xué)者采用的是三維水沙鹽數(shù)值模型，例如王奎峰[2]等采用三維HEM-3D數(shù)值模型對黃河三角洲海域流場變化、鹽度等進(jìn)行了數(shù)值模擬，模擬結(jié)果與衛(wèi)星遙感解譯的岸線變化基本一致。吳修廣[3]等應(yīng)用FVCOM建立了三維潮流泥沙數(shù)學(xué)模型，成功再現(xiàn)了杭州灣潮流泥沙運(yùn)動(dòng)的過程。但數(shù)值模擬法在實(shí)際應(yīng)用中還存在一些問題，如關(guān)鍵性泥沙參數(shù)的精確取值和整體模擬精度不高等[4]。隨著各種工程技術(shù)領(lǐng)域研究的不斷深入，人工智能的優(yōu)勢逐步體現(xiàn)。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)是由大量簡單神經(jīng)元互聯(lián)組成的非線性的信息處理系統(tǒng)，經(jīng)過多年的發(fā)展，目前已有上百種的人工神經(jīng)網(wǎng)絡(luò)模型被提出[5]。常用的神經(jīng)網(wǎng)絡(luò)方法有誤差反向傳播算法(Back Propagation，BP)[6]、自適應(yīng)共振理論ART(Adaptive Resonance Theory，ART)[7]、Hopfield網(wǎng)絡(luò)[8]以及卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Nerworks，CNN)[9]等數(shù)十種。其中，BP神經(jīng)網(wǎng)絡(luò)在所有神經(jīng)網(wǎng)絡(luò)模型中應(yīng)用最為普遍，被廣泛應(yīng)用于水沙研究的預(yù)測當(dāng)中。例如：Deibel等[10]利用神經(jīng)網(wǎng)絡(luò)對鹿特丹港區(qū)航道進(jìn)行泥沙預(yù)測，建立了以波浪、流量、沉降勢能為輸入?yún)?shù)，含沙量為輸出參數(shù)的BP神經(jīng)網(wǎng)絡(luò)模型；霍粵薊[11]運(yùn)用BP神經(jīng)網(wǎng)絡(luò)以不同風(fēng)力的風(fēng)的作用時(shí)間作為輸入?yún)?shù)、航道回淤量作為輸出參數(shù)，建立了港口航道淤積分析模型。以上研究結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)具有優(yōu)異的多因子非線性逼近能力和較高的計(jì)算精度。

長江口深水航道維護(hù)一般以月為時(shí)段安排施工力量，月度回淤強(qiáng)度大且時(shí)空變化明顯，導(dǎo)致如何精準(zhǔn)預(yù)測航道回淤量成為了一個(gè)重要技術(shù)難題。人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型的優(yōu)點(diǎn)在于具有多因子耦合作用下針對關(guān)注目標(biāo)快速的非線性擬合和預(yù)報(bào)能力。因此，本文在長江口航道淤積機(jī)制分析的基礎(chǔ)上，建立了基于BP神經(jīng)網(wǎng)絡(luò)的航道回淤量預(yù)測模型，對逐月、逐個(gè)疏浚單元的回淤量進(jìn)行訓(xùn)練、驗(yàn)證和預(yù)測，并優(yōu)化預(yù)測模型。與文獻(xiàn)[10-11]不同的是，本文并不是直接應(yīng)用已有的傳統(tǒng)泥沙沖淤理論，而是在此基礎(chǔ)上根據(jù)長江口航道實(shí)際回淤機(jī)理篩選確定了多個(gè)導(dǎo)致長江口航道局部超強(qiáng)度淤積的主要影響因子作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)來建立一種新的映射關(guān)系，以實(shí)現(xiàn)高效率和高精度的預(yù)測。所以，在工程及河勢邊界相對固定，施工管理方法也相對固定的條件下，該模型可根據(jù)各河段實(shí)際回淤機(jī)理確定具體影響因子來預(yù)測月度內(nèi)的航道淤積情況，并且模型預(yù)測結(jié)果也將為航道維護(hù)的科學(xué)管理和疏浚船舶的合理調(diào)度提供參考。

1 長江口航道淤積主要影響因子選取

長江口深水航道位于長江入?？冢降阑赜儆绊懸蜃颖姸?，潮汐作用、長江徑流、臺(tái)風(fēng)等惡劣天氣都會(huì)造成航道淤積現(xiàn)象。目前關(guān)于長江口航道回淤特征已有很多學(xué)者進(jìn)行了相關(guān)研究[12-14]，得到回淤總量巨大、回淤部位集中、以洪季回淤為主的回淤特征。孫繼濤[15]發(fā)現(xiàn)由邊灘進(jìn)入航道的浮泥是長江口深水航道淤積的最重要來源；徐俊杰[16]發(fā)現(xiàn)導(dǎo)致長江口北槽航道回淤的主要原因是高床面切力引起的強(qiáng)再懸浮和泥沙沉降造成的高濃度近底含沙量；金镠[17]研究發(fā)現(xiàn)近底高濃度水層的橫向運(yùn)動(dòng)對航道回淤起著重要作用；戚定滿等[18]發(fā)現(xiàn)在航槽內(nèi)部近底可觀察得到存在可達(dá)上百公斤“超高”濃度泥沙層。因此，“超高”濃度泥沙層是導(dǎo)致航道局部超強(qiáng)度的主要原因之一。而近底高濃度泥沙層的形成與該區(qū)域多種宏觀和微觀作用機(jī)制密切相關(guān)。根據(jù)相關(guān)研究可知[18-20]，長江口航道回淤機(jī)制的主要物理過程可以描述如下。

(1) 在徑潮流和波浪等作用下，長江口泥沙起動(dòng)，形成長江口航道泥沙供給的來源。

(2) 北槽中下段航道底部的水沙凈向下輸運(yùn)能力受徑潮流及鹽水入侵壓力的影響，在一個(gè)潮周期內(nèi)通常無法將高濃度底部泥沙團(tuán)完整輸運(yùn)出北槽，造成泥沙往復(fù)振蕩輸運(yùn)，匯聚槽內(nèi)形成近底高濃度泥沙場。

(3) 北槽中下段區(qū)域受泥沙沉降和密度制紊的影響，泥沙在洪季易形成近底層高濃度，并主要以近底層高濃度的形式輸運(yùn)。

(4) 不同的潮位下，漲潮時(shí)期北槽中下段部分水沙越過南導(dǎo)堤進(jìn)入航道，增加航道內(nèi)泥沙供給，形成槽內(nèi)近底高濃度泥沙場的重要泥沙來源。

(5) 在不同的動(dòng)力、航道水深及沉速下，近底泥沙形成航道淤積。

綜上可知，長江口深水航道回淤的外部主要因素可梳理包括如下：徑潮流輸運(yùn)、鹽水入侵、浮泥運(yùn)輸、泥沙絮凝沉降、風(fēng)浪紊動(dòng)等。其中徑潮流輸運(yùn)、浮泥運(yùn)輸和鹽水入侵主要對應(yīng)潮位、潮差、流量和水深等影響因子；泥沙絮凝沉降對應(yīng)水溫影響因子；風(fēng)浪、紊動(dòng)對應(yīng)波能影響因子等，其主要的對應(yīng)關(guān)系如圖1所示。在剔除相關(guān)度較高的影響因子后，篩選獲取長江口航道淤積的主要影響因子為如下6個(gè)：上游流量、潮位、潮差、水溫、水深和波浪。上述幾個(gè)因子基本涵蓋了徑潮流驅(qū)動(dòng)下的水沙輸運(yùn)、泥沙起動(dòng)沉降、風(fēng)浪影響等宏觀和微觀的回淤機(jī)制對航道回淤的影響。由于本文嘗試建立一種外部水文條件與航道回淤量的間接映射關(guān)系，其中含沙量、泥沙粒徑、水動(dòng)力等直接影響因素受上述6個(gè)主要的外部水文條件影響，因此模型建立時(shí)不把直接影響因素作為本文模型的計(jì)算因子；且本文模型利用大數(shù)據(jù)的數(shù)據(jù)量大、易于獲取的特點(diǎn)，以達(dá)到在大量實(shí)測水文數(shù)據(jù)的基礎(chǔ)上進(jìn)行模型預(yù)測的目的。因此，本文嘗試進(jìn)行一種可以表征外部水文條件與航道回淤量之間的間接映射關(guān)系的神經(jīng)網(wǎng)絡(luò)預(yù)測模型的構(gòu)建方法和應(yīng)用研究。

圖1 影響因子及影響因子對應(yīng)的回淤機(jī)制Fig.1 Influence factors and back siltation mechanism corresponding to influence factors

2 研究區(qū)域概況與資料說明

長江口共有北支、北港、北槽、南槽4個(gè)入海通道(見圖2)，北槽是長江口的主要入海通道。目前長江口下段及口外呈“南匯東灘-南槽-九段沙-北槽-橫沙淺灘-北港-崇明東灘-北支”灘、槽相間的格局。本次模型預(yù)測的分析數(shù)據(jù)主要來源于3個(gè)水文站：大通站、北槽中站、牛皮礁站，各個(gè)站點(diǎn)位置分布見圖2。為降低航道回淤量，2015年11月實(shí)施了南壩田擋沙堤加高工程(+3.5 m)，南壩田擋沙堤加高完善工程(+4.5 m)于2019年12月實(shí)施。在此期間工程及河勢邊界相對固定，施工管理方法也相對固定，回淤量也較為穩(wěn)定，維持在5 332萬～5 550萬m3之間，因此收集2016～2019年的資料用于預(yù)測和驗(yàn)證月度內(nèi)的航道淤積情況。其中流量采用大通水文站數(shù)據(jù)，潮位、潮差、水溫采用北槽中站數(shù)據(jù)，波高采用牛皮礁水文站數(shù)據(jù)，即用這6組數(shù)據(jù)分別代表航道回淤量變化的6個(gè)主要影響因素。

圖2 長江口水文波浪觀測系統(tǒng)站點(diǎn)布置Fig.2 Stations layout of hydrological wave observation system in the Yangtze Estuary

上游流量采用長江口上游潮臨界區(qū)域的水文站——大通站的數(shù)據(jù)，通過水利主管部門的公開數(shù)據(jù)獲取。北槽中站的水溫、潮位、流速，牛皮礁站的波高及其對應(yīng)的長序列數(shù)據(jù)，通過“長江口水文波浪觀測系統(tǒng)”獲取，該系統(tǒng)數(shù)據(jù)通過現(xiàn)場實(shí)時(shí)采集和內(nèi)業(yè)實(shí)時(shí)接收，采集數(shù)據(jù)時(shí)間間隔一般為10 min。本次分析數(shù)據(jù)中，測量儀器問題導(dǎo)致2018年12月24日至2018年底的潮位以及2018年8～9月牛皮礁站波高及周期的部分?jǐn)?shù)據(jù)缺失，模型計(jì)算時(shí)采用線性插補(bǔ)。航道水深采用“長江口深水航道考核測量水深”數(shù)據(jù)，由長江口航道管理局每月收集一次，取臨近測次航道加密測量水深統(tǒng)計(jì)的航道單元平均值。

圖3 長江口深水航道疏浚單元位置及主要單元布置Fig.3 Location of dredging units and layout of main units of deep-water channel in the Yangtze Estuary

基于上述數(shù)據(jù)資料，按月整理歷年資料，分別為：上游代表站點(diǎn)的月度平均流量Qm(m3/s)，航道縱向中部位置代表站點(diǎn)處的平均水溫Tm(℃)，航道縱向中部位置處代表站點(diǎn)處的平均潮位Hm(m)，航道縱向中部位置處代表站點(diǎn)處的平均潮差ΔHm(m)，航道單元水深Di，m(m)，m=1，2，…，M，M為以月為單位的統(tǒng)計(jì)數(shù)據(jù)總數(shù)，航道下段代表站點(diǎn)處的波能Em(kW·h/m)，其中波能E代表波浪能量的指標(biāo)，其計(jì)算公式如下[21]：

(1)

式中：H為波高，m；k為波數(shù)，個(gè)；h為水深，m；σ=2π/T為波浪圓頻率，s-1；T為波周期，s；g為重力加速度，m2/s。其中波高和周期為“長江口水文波浪觀測系統(tǒng)”的實(shí)測數(shù)據(jù)，其中計(jì)算波能時(shí)，波高選取大于1.5 m進(jìn)行計(jì)算?？紤]上游徑流傳遞和波浪影響與泥沙落淤之間存在一定的滯后性，本次研究經(jīng)計(jì)算比對，選擇提前7 d的實(shí)測資料進(jìn)行統(tǒng)計(jì)。

由于歷年的航道回淤量統(tǒng)計(jì)本身就是以月和航道單元進(jìn)行統(tǒng)計(jì)，因而可以直接使用，但因航道單元的回淤量波動(dòng)較大，個(gè)別數(shù)據(jù)存在異常值，所以需對回淤量數(shù)據(jù)進(jìn)行平滑預(yù)處理。平滑處理采用smooth移動(dòng)平均濾波函數(shù)，并選用lowess線性最小二乘濾波法。經(jīng)過預(yù)處理后可以減小回淤量波動(dòng)和回淤量預(yù)測誤差。航道單元水深每月底按單元進(jìn)行一次測量，在模型的訓(xùn)練和預(yù)測過程中使用前一個(gè)月的月底水深來預(yù)測月底的回淤量。

3 基于BP神經(jīng)網(wǎng)絡(luò)的航道回淤預(yù)測模型

3.1 模型基本原理

神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)是一種旨在模仿人腦結(jié)構(gòu)及其功能的信息處理系統(tǒng)[22]。神經(jīng)網(wǎng)絡(luò)有很多種，用途各不相同，常用的有前饋神經(jīng)網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)等。BP神經(jīng)網(wǎng)絡(luò)是一種根據(jù)誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，它主要由輸入層、隱含層和輸出層3部分組成，具有較強(qiáng)的非線性映射能力、自學(xué)習(xí)和自適應(yīng)能力、泛化能力、容錯(cuò)能力[23]。

BP神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元閾值和網(wǎng)絡(luò)權(quán)值的確定，是一個(gè)需要不斷調(diào)整的過程，該過程主要通過BP算法來完成，更新過程主要包括網(wǎng)絡(luò)信息輸出的正向傳播和誤差的反向傳播兩個(gè)階段。將每組輸入信號的輸出值和期望輸出值進(jìn)行比較，如果滿足精度要求，則網(wǎng)絡(luò)訓(xùn)練結(jié)束，如果不符合精度要求，那么開始誤差反向傳播。由于BP神經(jīng)網(wǎng)絡(luò)具備簡單直觀的網(wǎng)絡(luò)結(jié)構(gòu)和可以無限逼近任意函數(shù)的能力，可以提升多因子作用下回淤機(jī)制研究能力，提高航道回淤預(yù)測的效率和精度，所以本文選擇BP神經(jīng)網(wǎng)絡(luò)作為本次研究的網(wǎng)絡(luò)模型。

3.2 模型構(gòu)建

模型網(wǎng)絡(luò)結(jié)構(gòu)見圖4。針對每個(gè)航道單元，輸入層為xij，輸出層為uij，輸入層與隱含層各神經(jīng)元之間的連接權(quán)重為wik，隱含層與輸出層各神經(jīng)元之間的連接權(quán)重為wkp，下標(biāo)i、k以及p分別表示輸入層、隱含層以及輸出層神經(jīng)元的個(gè)數(shù)，下標(biāo)j表示樣本數(shù)。其中BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型設(shè)置的輸入變量為6個(gè)，輸出變量為1個(gè)，也即航道回淤量，具體參數(shù)見表1。該模型采用的激活函數(shù)為traingdm，網(wǎng)絡(luò)的其他參數(shù)為：學(xué)習(xí)速率h=0.01，訓(xùn)練次數(shù)epochs=1 000，目標(biāo)誤差goal=10-6，訓(xùn)練步長show=25。

圖4 回淤量預(yù)測的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.4 Network topology of back siltation prediction

表1 神經(jīng)網(wǎng)絡(luò)模型參數(shù)Tab.1 Parameters of neural network model

對一個(gè)含有隱含層的BP神經(jīng)網(wǎng)絡(luò)來說，隱含層的層數(shù)以及神經(jīng)元數(shù)量會(huì)影響B(tài)P神經(jīng)網(wǎng)絡(luò)的性能。所以選擇恰當(dāng)?shù)碾[含層個(gè)數(shù)以及神經(jīng)元數(shù)量對于神經(jīng)網(wǎng)絡(luò)模型十分重要。目前被廣泛用來確定隱含層節(jié)點(diǎn)數(shù)目的公式為[24]

(2)

式中：l為隱含層節(jié)點(diǎn)數(shù)；m，n為輸出層與輸入層的節(jié)點(diǎn)數(shù)；a的范圍為[1，10]。

在上述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，建立基于神經(jīng)網(wǎng)絡(luò)的回淤量的預(yù)測模型，并進(jìn)行訓(xùn)練和驗(yàn)證。本次模擬預(yù)測的步驟如下：① 根據(jù)收集的2016～2019年各水文站數(shù)據(jù)資料和實(shí)測資料，建立航道回淤預(yù)測的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)庫，并對回淤量進(jìn)行標(biāo)準(zhǔn)化處理(轉(zhuǎn)換成單元淤積強(qiáng)度)；② 構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)并確定BP神經(jīng)網(wǎng)絡(luò)模型的基本參數(shù)；③ 利用2016～2018年的數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以每一個(gè)航道單元、每一個(gè)月的回淤量作為訓(xùn)練目標(biāo)，以每一個(gè)月相應(yīng)的水文條件及實(shí)測的航道單元水深作為輸入因子，即可完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；④ 利用2019年的數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行預(yù)測驗(yàn)證，分析預(yù)測結(jié)果精度和模型可靠性。

3.3 網(wǎng)絡(luò)模型優(yōu)化

為找到最佳的隱含層層數(shù)以及神經(jīng)元個(gè)數(shù)，通過比較訓(xùn)練網(wǎng)絡(luò)與預(yù)測網(wǎng)絡(luò)的46個(gè)航道單元的模擬值與實(shí)測值之間的Pearson相關(guān)系數(shù)(R)的平均值來完成。R的計(jì)算公式如下：

(3)

表2列出了不同隱含層及不同神經(jīng)元數(shù)目下模型的R值，其中預(yù)測網(wǎng)絡(luò)R值包括空間上的46個(gè)航道單元的R值平均值和時(shí)間上12個(gè)月各航道單元總回淤量的R值平均值。綜合比較訓(xùn)練網(wǎng)絡(luò)和預(yù)測網(wǎng)絡(luò)的R值發(fā)現(xiàn)：隱含層層數(shù)為2層時(shí)訓(xùn)練網(wǎng)絡(luò)的結(jié)果較1層時(shí)稍好。其中預(yù)測網(wǎng)絡(luò)的各航道單元R值平均值較其他3組R值偏小，是由于46個(gè)航道單元的上段和下段中的一些單元R值過小，導(dǎo)致R值平均值偏小，網(wǎng)絡(luò)預(yù)測精度偏低，但從預(yù)測網(wǎng)絡(luò)的航道總量R值來看，可以達(dá)到0.8左右，可以用于回淤量預(yù)測模型當(dāng)中。因此，綜合考慮訓(xùn)練網(wǎng)絡(luò)和預(yù)測網(wǎng)絡(luò)的R值，網(wǎng)絡(luò)規(guī)模為[6，20，20，1]的表現(xiàn)最佳，所以最終使用的訓(xùn)練和預(yù)測網(wǎng)絡(luò)的隱含層數(shù)為2層，且各層神經(jīng)元分別為20個(gè)。

表2 不同隱含層及不同神經(jīng)元數(shù)目下模型的R值Tab.2 R value of model under different hidden layers and different number of neurons

3.4 網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果分析

(1) 典型航道單元的回淤量擬合結(jié)果分析。選取2016～2018年3 a數(shù)據(jù)的擬合數(shù)據(jù)，并選取航道的上、中、下3段的典型單元，擬合結(jié)果參見圖5，訓(xùn)練得到的各區(qū)段回淤的相關(guān)系數(shù)基本在0.78以上，其中航道中段訓(xùn)練結(jié)果最好，上段和下段根據(jù)前述可知其回淤量絕對值較小，實(shí)測數(shù)據(jù)誤差影響較大，導(dǎo)致訓(xùn)練結(jié)果比中段稍差。這里回淤量為負(fù)表示航道淤積，正為沖刷，下同。

圖5 不同航道單元月度回淤量預(yù)測和實(shí)測對比Fig.5 Comparison of monthly back siltation prediction and actual measurement of different channel units

(2) 月度回淤總量及洪枯季典型月份的回淤量分布擬合結(jié)果分析。月度航道回淤總量的擬合結(jié)果參見圖6(a)，可以看到，2016～2018年各月回淤總量擬合結(jié)果很好，R值可達(dá)0.98。另外，選取洪枯季代表月份(2月和8月)的各航道單元回淤量擬合結(jié)果進(jìn)行分析，結(jié)果見圖6(b)和圖6(c)?？梢钥吹?，洪枯季的總體擬合度都較高，其中洪季(R=0.97)的訓(xùn)練擬合的結(jié)果明顯優(yōu)于枯季(R=0.76)。

圖6 月度航道回淤總量及洪枯季典型月各單元回淤量訓(xùn)練值和實(shí)測值對比Fig.6 Total monthly channel back siltation amount and the comparison of the training values and the measured values of monthly siltation amount of each unit in a typical flood and dry season

3.5 網(wǎng)絡(luò)模型的預(yù)測結(jié)果分析

以2019年航道回淤量作為模型驗(yàn)證和誤差分析目標(biāo)，預(yù)測模型的各航道單元月度回淤量的實(shí)測與預(yù)測對比見圖7(a)，月度航道總量的預(yù)測結(jié)果與實(shí)測的對比情況見圖7(b)。

結(jié)合2019年回淤量實(shí)測數(shù)據(jù)和圖7(a)擬合圖可知，中下段的航道單元K～W回淤量較大，其預(yù)測精度明顯高于回淤量較小的上段航道單元并且航道單元的月度回淤量實(shí)測值與預(yù)測值擬合點(diǎn)基本分布在Y=X線附近。而上段和末段回淤量絕對值較小，實(shí)測數(shù)據(jù)誤差影響較大，并且存在個(gè)別異常數(shù)據(jù)，導(dǎo)致上段航道單元的擬合程度不好。

由圖7(b)可知，預(yù)測月度航道回淤總量變化趨勢與實(shí)測基本一致，較好地反映了月度航道回淤總量的年內(nèi)變化特征，其各月統(tǒng)計(jì)結(jié)果的R值基本在0.70以上，洪季可以達(dá)到0.90。

圖7 2019年實(shí)測與預(yù)測值比較Fig.7 Comparison chart of measured and predicted back siltation values in 2019

2019年洪枯季典型月的航道各單元回淤量預(yù)測值和實(shí)測值比較參見圖8，全航道年總量預(yù)測結(jié)果及誤差統(tǒng)計(jì)見表3。由圖表可知：① 洪枯季典型月份各航道單元的回淤量預(yù)測的結(jié)果具有較高的精度(洪季典型月R值為0.91，枯季典型月R值為0.78)，反映出航道回淤量時(shí)空差異和分布規(guī)律：洪季淤積高于枯季，淤積部位集中在H～O單元。② 整體上來看，年回淤總量預(yù)測誤差較小，僅為4.13%。上述誤差分析結(jié)果證明了本文選取的影響因子及構(gòu)建的預(yù)測模型的合理性，驗(yàn)證了本文建立的模型在回淤總量和回淤量較大的航道單元的預(yù)測上效果較好，可以用來進(jìn)行航道回淤的預(yù)測當(dāng)中。

圖8 2019年洪枯季典型月的航道各單元回淤量預(yù)測和實(shí)測對比Fig.8 Comparison of predicted and measured back siltation volume of each channel unit in typical months in flood and dry seasons of 2019

表3 2019年航道回淤量總量實(shí)測與預(yù)測比較Tab.3 Comparison of measured and predicted total amount of back siltation in 2019

3.6 回淤參數(shù)敏感性分析

模型參數(shù)敏感性分析能夠確定參數(shù)對模型輸出的重要性及貢獻(xiàn)度，以便有針對性地優(yōu)選較為重要的參數(shù)。本文采用局部分析法對6個(gè)參數(shù)進(jìn)行敏感性分析，將6個(gè)輸入?yún)?shù)上下變動(dòng)10%，計(jì)算回淤量的變化情況。本文使用相對敏感性值將參數(shù)敏感性歸一化，計(jì)算敏感性指數(shù)I[25]：

(4)

式中：O為模型模擬輸出結(jié)果；Fi為影響O的因子(參數(shù))；ΔO為模型模擬輸出結(jié)果的改變量；ΔFi為表示影響O的因子(參數(shù))的改變量。根據(jù)I，可將敏感性進(jìn)行分類(見表4)。

表4 參數(shù)敏感性分類Tab.4 Classification of parameter sensitivity

應(yīng)用式(4)計(jì)算2019年全航道46個(gè)單元各參數(shù)的敏感性指數(shù)并進(jìn)行對比，結(jié)果見表5。表5中初值、回淤量改變量、敏感性指數(shù)|I|均為12個(gè)月的平均值。由表5可知各參數(shù)敏感性排序?yàn)椋核?潮差>潮位>流量>水溫>波能。其中水深的敏感性指數(shù)最大，說明水深因子對全航道的回淤量影響最大。并且所有參數(shù)敏感性指數(shù)|I|均大于1，因此各參數(shù)敏感性等級均為Ⅳ級，也說明了前文在回淤影響因子上選取以及模型構(gòu)建的合理性。

表5 參數(shù)敏感性分析結(jié)果Tab.5 Results of parameter sensitivity analysis

4 結(jié)論及展望

(1) 本文構(gòu)建的預(yù)測模型對航道不同區(qū)段單元的回淤量、月度回淤總量及洪枯季典型月份的回淤量分布都具有較高的擬合精度。

(2) 中下段航道單元的月度回淤量實(shí)測值與預(yù)測值擬合程度較好，上段航道單元擬合程度稍差。

(3) 預(yù)測月度航道回淤總量變化趨勢與實(shí)測基本一致，較好地反映了月度航道回淤總量的年內(nèi)變化特征，其各月統(tǒng)計(jì)結(jié)果的R值基本在0.70以上，洪季可以達(dá)到0.90。

(4) 洪枯季典型月份各航道單元的回淤量預(yù)測的結(jié)果具有較高的精度(洪季典型月R值為0.91，枯季典型月R值為0.78)，反映出航道回淤量時(shí)空差異和分布規(guī)律。

(5) 整體上來看，年回淤總量預(yù)測誤差較小，僅為4.13%。

(6) 通過對回淤影響參數(shù)進(jìn)行敏感性分析得到全航道各參數(shù)敏感性指數(shù)排序?yàn)椋核?潮差>潮位>流量>水溫>波能。

上述研究結(jié)果證明了本文選取的影響因子及構(gòu)建的預(yù)測模型的合理性，同時(shí)驗(yàn)證了模型在回淤總量和回淤量較大的航道單元和月度的預(yù)測上效果較好，在回淤量較小的航道單元預(yù)測精度上稍差，在之后的研究中可以增加幾年的水文數(shù)據(jù)，增大訓(xùn)練數(shù)據(jù)容量，進(jìn)一步提升預(yù)測精度。在工程及河勢邊界相對固定，施工管理方法也相對固定的條件下，該模型可根據(jù)各河段實(shí)際回淤機(jī)理確定具體影響因子來預(yù)測月度內(nèi)的航道淤積情況，模型預(yù)測結(jié)果可為航道維護(hù)的科學(xué)管理和疏浚船舶的合理調(diào)度提供重要支撐。在后續(xù)工作中，可以進(jìn)一步分析不同區(qū)域的回淤受各因子的影響，從而獲取具體準(zhǔn)確的回淤機(jī)理。