降雨时空分布的随机性,下垫面的复杂性,以及管网在设计、施工、使用过程中的不确定性,导致排水管网水力模型参数取值存在着不确定性.为了评估参数不确定性对节点和管道功能状态评价的影响,建立了考虑降雨输入、产流、汇流、管网水动力...降雨时空分布的随机性,下垫面的复杂性,以及管网在设计、施工、使用过程中的不确定性,导致排水管网水力模型参数取值存在着不确定性.为了评估参数不确定性对节点和管道功能状态评价的影响,建立了考虑降雨输入、产流、汇流、管网水动力计算各过程不确定性参数的分析模型.根据建模流程的参数要求和文献结论,选择了暴雨洪水管理模型(storm water management model,SWMM)建模过程中的14个参数作为不确定性参数;基于模型参数的增量对计算结果的影响分析,进行了参数灵敏度排序,选取了5个主要参数进行不确定性分析;基于SWMM求解器,采用Monte Carlo随机模拟方法计算了节点、管道的失效概率和相应的溢流时间、体积、充满度模拟均值、变异系数;通过对比参数取中值的确定性工况计算出的节点、管道的相应结果,分析了不确性与确定性分析结果的差异性.算例分析结果表明:在降雨输入和模型计算过程中均存在影响较大的不确定性参数,有必要考虑模型计算全过程参数的不确定性;相对于确定性工况,不确定性分析模型对高风险概率的节点和管道具有较好的识别效果;不确定性分析识别出的不可靠节点的溢流时间、体积模拟值相对确定性工况全网平均值的变化率分别达到了29.13%、10.41%,各管道充满度的变化率最高可达22.31%.展开更多
文摘针对污水处理复杂系统中关键水质参数生化需氧量(biochemical oxygen demand,BOD)难以准确实时预测的问题,在分析污水处理过程相关影响因素的基础上,提出一种基于敏感度分析法的自组织随机权神经网络(selforganizing neural network with random weights,SONNRW)软测量方法.该方法首先通过机理分析选取原始辅助变量,经过数据预处理,之后采用主元分析法对辅助变量进行精选,作为SONNRW的输入变量进行污水处理关键水质参数BOD的预测.SONNRW算法利用隐含层节点输出及其权值向量计算该隐含层节点对于残差的敏感度,根据敏感度大小对网络隐含层节点进行排序,删除敏感度较低的隐含层节点即冗余点.仿真结果表明:该软测量方法对水质参数BOD的预测精度高、实时性好、模型结构稳定,能够用于污水水质的在线预测.
文摘降雨时空分布的随机性,下垫面的复杂性,以及管网在设计、施工、使用过程中的不确定性,导致排水管网水力模型参数取值存在着不确定性.为了评估参数不确定性对节点和管道功能状态评价的影响,建立了考虑降雨输入、产流、汇流、管网水动力计算各过程不确定性参数的分析模型.根据建模流程的参数要求和文献结论,选择了暴雨洪水管理模型(storm water management model,SWMM)建模过程中的14个参数作为不确定性参数;基于模型参数的增量对计算结果的影响分析,进行了参数灵敏度排序,选取了5个主要参数进行不确定性分析;基于SWMM求解器,采用Monte Carlo随机模拟方法计算了节点、管道的失效概率和相应的溢流时间、体积、充满度模拟均值、变异系数;通过对比参数取中值的确定性工况计算出的节点、管道的相应结果,分析了不确性与确定性分析结果的差异性.算例分析结果表明:在降雨输入和模型计算过程中均存在影响较大的不确定性参数,有必要考虑模型计算全过程参数的不确定性;相对于确定性工况,不确定性分析模型对高风险概率的节点和管道具有较好的识别效果;不确定性分析识别出的不可靠节点的溢流时间、体积模拟值相对确定性工况全网平均值的变化率分别达到了29.13%、10.41%,各管道充满度的变化率最高可达22.31%.
