本文摘要：本篇 水利災害論文 通過BP神經網絡方法研究大凌河流域的泥沙預報，首先分析單個因素與下游沙量的相關關系，得到各個因素與下游沙量的相關系數，分析其相關性的強弱，確定神經網絡的輸入變量;然后通過BP神經網絡進行模擬，得到的結果在誤差允許范圍之內，說明
本篇水利災害論文通過BP神經網絡方法研究大凌河流域的泥沙預報，首先分析單個因素與下游沙量的相關關系，得到各個因素與下游沙量的相關系數，分析其相關性的強弱，確定神經網絡的輸入變量;然后通過BP神經網絡進行模擬，得到的結果在誤差允許范圍之內，說明BP神經網絡算法可以用于泥沙預報。但由于BP神經網絡本身的缺點，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系，因此需在今后的研究工作中進一步改進。
《水處理技術》主要刊登各種水處理方法的研究和應用成果，尤其是膜技術在水處理、化工、電力、電子、煤炭、醫藥、食品、紡織、冶金、鐵路、環保、軍事等領域的應用成果，同時為水資源開發、工業用水除鹽、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�！端幚砑夹g》為環境類中文核心期刊，“中國期刊方陣”雙效期刊，如國科技論文統計源期刊，本刊論文被美國SCI、CA和日本科技文獻速報摘錄。
摘要：針對日益嚴重的河流泥沙問題，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鍵。以神經網絡模型為基礎，建立場次洪水沙量預報模型，對多沙河流的洪水挾沙量進行預報，并取得較好的預報效果。[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行分析，得到影響下游沙量的主要因素;然后，通過神經網絡模型建立上游影響因素與下游沙量之間的關系;最后，選取其中6場洪水資料進行驗證。模型計算結果表明，計算結果與實測結果誤差在合理范圍之內，[JP]精度符合要求，可以用于下游沙量的預報。
關鍵詞：BP神經網絡;沙量預測;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，嚴重影響水庫的使用壽命;泥沙嚴重的河流導致泥沙抬高河底高程，降低河道行洪能力，嚴重威脅河流周圍人民群眾的生產生活。沙量預報可以在高含沙洪水到來之前對其做出預測，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確預報將對有效地控制和治理河流泥沙起到重要作用。
目前，在洪水水沙預報研究中，已有多種預報模型與方法，大致可分為水動力學方法和水文學方法。水動力學法是從泥沙運動與變化的[HJ]機理出發，對泥沙傳輸變化進行描述。例如，張瑞瑾[1]提出的水流挾沙力公式已被廣泛應用;王光謙[2]建立了水沙兩相流的動力學模型以及流域泥沙動力學模型;吳作平[3]研究的水沙水力學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銜接條件，并采用概化的算例對樞紐上下游進行了水動力學模擬。水文學的處理方法一般都是尋求影響泥沙運動變化的主要因素，從而進行洪水水沙預測。例如，萬新宇等[4]提出了壩址泥沙預測相似推理方法，并預測了三門峽水庫壩址泥沙過程;耿艷芬等[5]將徑向基函數神經網絡方法應用于復雜河網洪水水沙預報中，并建立了珠江三角洲河網洪水水沙預報模型。由于水動力學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，因此其在實際應用過程中存在一定問題。而水文學方法以影響水沙變化的主要因素為基礎，回避過多的細節，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測提供了新途徑，也得到較廣泛的應用。
人工神經網絡(Artificial Neural Network，簡稱ANN)突破了以往傳統數學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報這一復雜的、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 神經網絡方法進行場次洪水河道沙量預報。
1 研究區域選取與資料收集
大凌河為遼寧省西部最大的河流，流經碎屑巖、火山巖和黃土地區，大部分為多石質丘陵山區。該流域屬溫帶季風氣候，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，加之流域內降水年際、年內分配極不均勻，導致水土流失嚴重，含沙量較大。如圖1所示，流域內主要產沙區為左側牤牛河、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，使得朝陽站以上區域天然來水來沙情況發生變化。因此，本文選取流域內朝陽站、迷力營子站(后改為九連洞站)到義縣站區間的河道作為研究區域，通過上游兩站的水沙資料來模擬預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)，進行場次洪水河道泥沙模擬與預測。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準;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關系。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系：(1)上游各站洪水總量和洪峰流量與下游站沙量的相關關系較好。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系數最高，達到了0.9以上。(2)上游各站平均含沙量與下游站沙量的相關關系不密切;但是平均含沙量是衡量沙量的重要指標，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、準確地反映出下游沙量的情況。因此，本文應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模擬結果可知道，其結果不甚理想，其中有的洪水誤差達到了285%，有超過一半的洪水其誤差超過了30%，故結果不能達到實際應用的水平。由此可見，對于下游站沙量的預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雜性決定了下游沙量預測是一個受多因素綜合影響的非線性問題。為了解決沙量預測這個復雜的非線性問題，本文將采用BP神經網絡來進行建模分析與預測。
3.2 基于BP神經網絡的沙量預報
BP神經網絡[13]是一種按誤差逆向傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。該模型能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程;其學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小;其模型拓撲結構包括輸入層、隱層和輸出層。本文根據場次洪水河道沙量的影響因素分析結果，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神經網絡來建立下游義縣站沙量預報模型，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)將各個變量進行模糊歸一化處理。由于各個因素的量綱不盡相同，為了達到同量綱計算的要求，現把各個變量的值進行歸一化，使其成為0～1之間的數，以便于計算;歸一化公式如下：
(6)將驗證得到的結果與實測值進行對比，見圖5。
3.3 結果分析
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神經網絡的方法反映輸入變量和輸出變量的相關關系，模型模擬計算和驗證結果見圖4、圖5及表1。
由圖4可得，計算結果與原始結果分布都位于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，其驗證結果偏離45°中心線均不遠，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，效果較為理想。對于19880910號洪水其相對誤差達到了25.7%，但其絕對誤差僅有9.8萬t，不及平均水平的1/6;導致該場洪水所預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，就預測的整體效果而言，預測結果基本達到了應用要求。
轉載請注明來自發表學術論文網：http://www.cnzjbx.cn/jjlw/8005.html
