朱鵬斌

(邢臺襄禹水利勘測設計有限公司,河北 邢臺 054000)

近年來,隨著國內經濟的發(fā)展,我國城鎮(zhèn)化率越來越高,截至2019年,我國城鎮(zhèn)化率已超過了61%。城鎮(zhèn)化的建設形成了排水管道和不透水地面的常態(tài)化,使區(qū)域徑流增量得到了增加,在一定程度上增加了城市發(fā)生內澇的風險[1-2]。城市內澇的頻繁發(fā)生,極大影響了居民生命和財產安全。為降低城市內澇發(fā)生的頻率,國外學者于2015年首次提出了低影響開發(fā)LID理念[3],強調了在城市建設過程中需重點關注對區(qū)域徑流的分散和吸收。該理念的提出對增加城市蓄洪防澇能力有著十分重要的意義。

暴雨徑流管理模型(SWMM)[4]是一種應用于城市雨水管理和LID措施實施的重要模型,目前在城市內澇研究中已取得了一定的進展。陳曦等[5]基于SWMM模型對區(qū)域市政道路的徑流量和水質情況進行了分析,研究得出了不同水質指標隨著降雨歷時的變化規(guī)律,指出了區(qū)域水質指標的削減情況不明顯;呂金燕等[6]基于SWMM模型對城市的排水能力和內澇風險進行了評估,研究表明內澇中、高風險區(qū)主要集中在城鄉(xiāng)接合部的中下游地區(qū);王建富等[7]、王昊等[8]均證明了SWMM模型的科學性。

由于SWMM模型涉及的參數較多,參數取值的準確性將直接影響SWMM模型的運行效率。常用的參數率定方法主要包括人工試錯法和模型率定法,人工試錯法耗時長、精度低,無法快速實現模型參數的確定。目前,遺傳算法[9]、GLUE法[10]等已用于SWMM模型參數率定中,但這些算法由于SWMM模型特有的線性結構,導致無法發(fā)揮算法功效,影響率定效率。BP神經網絡模型是一種具備反饋功能的機器學習算法,該模型可有效提高參數率定的速率,但傳統(tǒng)的BP模型易產生局部極值,限制了模型的適用性[11-12]。為找到SWMM模型參數快速率定的方法,本文基于優(yōu)化的BP神經網絡模型,采用Matlab軟件進行數據處理,并將率定后的模型應用于實際區(qū)域雨洪模擬中。

1 研究方法

1.1 研究區(qū)域概況

研究區(qū)域選擇河北中歐綠色產業(yè)園,產業(yè)園地屬溫帶大陸季風氣候區(qū),借助產業(yè)園平面圖,結合研究區(qū)域下墊面基本情況,將區(qū)域劃分為27個匯水區(qū),基本情況見圖1。

圖1 研究區(qū)域匯水區(qū)概況

1.2 SWMM模型相關參數

SWMM模型是由美國開發(fā)的暴雨洪水管理模型,該模型主要包括了降雨模型、產流模型和匯流模型三大部分。為實現SWMM模型與機器學習模型的混合調用,將SWMM與Matlab程序相結合,實現對SWMM模型參數的自動率定。SWMM模型需率定的參數及含義見表1[13]。

表1 SWMM模型參數及取值范圍

1.3 優(yōu)化BP神經網絡模型構建

麻雀搜索算法(SSA)[14]基于麻雀覓食為原理,將訓練種群分為發(fā)現者、加入者和警戒者三大類。但傳統(tǒng)的SSA算法易陷入局部最優(yōu)解中,因此需增加種群的多樣性。在傳統(tǒng)SSA算法中引入T分布,在算法迭代尋優(yōu)過程中,利用自適應T分布追尋發(fā)現者、加入者和警戒者的位置,增加種群多樣性,改進SSA算法優(yōu)化BP模型(TSSA-BP)的具體步驟如下:

a.對發(fā)現者、加入者和警戒者的位置進行初始化處理,計算個體適應度值并排序。

b.對發(fā)現者、加入者和警戒者進行更新。

c.當種群個數小于輸出值個數時,引入T分布進行種群變異處理。

d.重新計算個體適應度值,并更新位置。

e.如果達到最大迭代次數,則輸出結果;反之,則重新計算。

本文采用霍頓下滲模型對降雨徑流進行模擬,選擇區(qū)域實測降雨徑流數據作為模型輸入值。實測降雨數據采用產業(yè)園雨量筒測定,徑流數據在區(qū)域排水出口處測得。將TSSA-BP模型應用于SWMM模型參數率定中,為證明率定后的SWMM模型的精度,將本模型計算結果與SSA-BP模型、粒子群優(yōu)化BP模型(PSO-BP)、遺傳算法優(yōu)化BP模型(GA-BP)、BP模型和人工率定等5種方法率定后的SWMM模型精度進行對比,得出SWMM模型參數率定的最優(yōu)方法。

2 結果與分析

2.1 參數率定結果

利用區(qū)域實測降雨徑流數據,經不同模型的映射關系得出的最終SWMM模型的參數結果見表2。在表2中可以看出,不同機器學習模型的參數率定結果有所差異,但較人工率定方法而言,差距較小,人工率定方法無法獲得較精確的參數數值。

表2 不同模型率定的SWMM模型參數結果

2.2 模型驗證

將參數率定后的SWMM模型應用于城市雨洪模擬中,模擬出的徑流變化趨勢見圖2。在圖2中可以看出,不同參數率定方法率定后的SWMM模型模擬的徑流結果變化趨勢總體一致,不同模擬結果的徑流峰值均發(fā)生在降雨峰值之后的15min左右,其中TSSA-BP模型率定下的模擬結果與實測徑流的變化趨勢最為接近,其次為SSA-BP模型。傳統(tǒng)的BP模型和人工率定方法雖可模擬出徑流,但變化趨勢與實測值差距較大,無法滿足精度要求。

圖2 不同重現期不同率定方法降雨徑流變化趨勢

為進一步驗證不同率定方法的精度,以相對均方根誤差RRMSE、相對誤差RE、決定系數R2和納什系數NS共同組成精度指標評價體系,評價不同模型模擬結果的精度。不同模型模擬徑流的精度對比見圖3。在圖3中可以看出,在不同重現期下,TSSA-BP模型率定后的SWMM模型均表現出了較高的精度,該模型在兩種重現期下的RRMSE分別為2.87%和3.14%、2.72%和3.15%,RE分別為3.46%和3.60%、3.36%和2.88%,R2分別為0.974和0.972、0.984和0.982,NS分別為0.974和0.974、0.942和0.962。優(yōu)化后的BP模型率定效果明顯優(yōu)于BP模型和人工率定方法。

圖3 不同重現期不同率定方法SWMM模型模擬徑流精度指標對比

3 結 語

本文基于T分布優(yōu)化的SSA算法改進BP模型,構建出TSSA-BP模型用于SWMM模型參數率定中,將率定后的模型應用于城市雨洪徑流模擬中,取得了較高的模擬結果,率定后的SWMM模型模擬的徑流隨時間的變化趨勢與實測值最為接近,同時與實測值的RRMSE和RE均在3.6%以下,R2和NS均在0.9以上,表明經TSSA-BP模型率定后的SWMM模型可行性和穩(wěn)定性較高,可為今后SWMM模型的進一步應用提供依據。