基于潮流变化的污水深海优化排放响应关系确定方法

发布时间：2018-12-27 11:29:49  中国污水处理工程网

　　申请日2018.02.01

　　公开(公告)日2018.07.13

　　IPC分类号G06Q50/26; G06N3/12

　　摘要

　　本发明公开了一种基于潮流变化的污水深海优化排放响应关系，通过以最佳污水稀释效果、最低能源消耗和最优污水排放效率为目标，建立工程海域潮流变化区间中流速及与之对应的最优污水排放量间的响应关系，应用该响应关系，实时优化调整污水深海排放量，能够使污水在尽可能小的时空范围内高度稀释，以提升其初始稀释效果并最终达标排放，能够提升污水深海排放的管理水平，维护海域环境生态质量水平。

　　权利要求书

　　1.一种基于潮流变化的污水深海优化排放响应关系确定方法，其特征在于，采用以下步骤：

　　1)采用模拟反算法计算工程海域潮流变化区间(umin,u1,…,ui,…,un,umax)中n+2个潮流流速和与之对应的最优污水排放量(Qmin,Q1,…,Qi,…,Qn,Qmax)，具体步骤如下：

　　1.1)建立模拟反算方法模型

　　1.1.1)采用排污口污染物扩散数学模型;

　　1.1.2)建立多目标函数

　　MAX.DD=C0/C1 (1)

　　MIN.EC=0.0414×Q+13.828 (2)

　　MAX.OE=OE (3)

　　式(1)中，DD为污染物稀释度;C0为射流水体中污染物浓度值;C1为环境水体中某点处污染物浓度值;EC为能源消耗值;Q为泵污水排放量，Q=m×v×S，m为喷口个数，v为排放速率，S为喷口断面面积;OE为污水排放效率;

　　1.1.3)采用遗传算法模型

　　1.1.3.1)采用进化计算算子

　　1.1.3.2)采用交叉计算算子

　　1.1.3.3)采用变异计算算子

　　1.2)初始设置

　　1.2.1)将污水排放量作为最优化过程的控制变量，并采用实数编码形式;

　　1.2.2)设定控制变量取值范围，并以此作为遗传算法种群取值的约束条件;

　　1.3)针对工程海域潮流变化区间(umin,u1,…,ui,…,un,umax)中的每个潮流流速均按照以下步骤进行最优污水排放量的模拟反算，即可获得针对n+2个潮流流速的n+2个最优污水排放量(Qmin,Q1,…,Qi,…,Qn,Qmax)

　　1.3.1)针对每一个潮流流速，在控制变量取值范围内随机选取r个数值，得到r条染色体，构成该潮流流速条件下的最优污水排放量可能解的种群(r);

　　1.3.2)以每一条染色体为数值算例，采用排污口污染物扩散数学模型进行r次计算，并同时输出和存储计算水域内部观测点的r个污染物浓度结果;

　　1.3.3)以最佳污水稀释效果、最低能源消耗和最优污水排放效率为目标，采用步骤1.1.2)建立的多目标函数进行染色体评价;

　　1.3.4)在满足最大世代数目标时，跳出程序并输出最佳染色体即最优污水排放量;若不满足最大世代数目标，则采用步骤1.1.3)中的遗传算法模型进行遗传计算;

　　1.3.5)通过遗传计算，更新步骤1.3.1)中被选择的染色体，并获得全新种群，按照步骤(1.3.2)-(1.3.4)进行重复计算，直到输出最佳染色体即最优污水排放量为止;

　　2)建立数据驱动的人工神经网络BP算法模型，人工神经网络BP算法模型中非线性转换函数采用双曲型Sigmoid函数，如式(9)所示：

　　f(x)=1/1+e-x+θ (9)

　　式中θ表示阀值;

　　人工神经网络BP算法模型中采用均方根误差(RMSE)评价网络的预测能力，如式(10)所示：

　　式中a为数据个数;Yi为实测值;Y′i为预测值;

　　人工神经网络BP算法模型中所有数据的归一化处理采用式(11)：

　　其中：表示归一化后的值;Yi表示归一化前的值;Ymax表示所有数据中的最大值;Ymin表示所有数据中的最小值;

　　3)初始化网络权重，结合工程海域潮流变化区间(umin,u1,…,ui,…,un,umax)中n+2个潮流流速和与之对应的最优污水排放量(Qmin,Q1,…,Qi,…,Qn,Qmax)设定网络架构，并设置人工神经网络BP算法模型的基本参数;

　　4)将n+2个潮流流速数据作为人工神经网络BP算法模型的输入，对应地将n+2个最优污水排放量作为人工神经网络BP算法模型的输出，代入到人工神经网络模型中进行训练学习，计算均方根误差;

　　5)在满足均方根误差(RMSE)误差要求时，跳出程序建立响应关系;若不满足均方根误差(RMSE)误差要求，则进入后续计算;

　　6)以均方根误差为依据，逆向调整网络权重后，再按照步骤3)-5)进行重复计算，直到建立响应关系为止。

　　说明书

　　基于潮流变化的污水深海优化排放响应关系确定方法

　　技术领域

　　本发明涉及一种污水排放方法，特别是一种基于潮流变化的污水深海优化排放响应关系确定方法。

　　背景技术

　　近年来，随着我国沿海经济的高速发展，一系列重大涉海工程频繁兴建，新增排污势必会对工程海域造成更大的生态环境压力。借助浪、潮和流具有极强的掺混输移能力，污水离岸深海排放因其较低的工程造价和运行费用渐已成为滨海地区污水排放优先考虑的工程措施。但目前的深海排放工程未能实现随复杂潮波运动而实时优化动态调节的机制，因此进入环境水体的污水并不能获得最佳的实时稀释效果。为此，迫切需要研究开发一种基于潮流变化的污水深海优化排放响应关系，以实时优化调整污水排放量，使污水在尽可能小的时空范围内高度稀释，以提升其初始稀释效果并最终达标排放。

　　发明内容

　　本发明为解决公知技术中存在的技术问题而提供一种基于潮流变化的污水深海优化排放响应关系，采用该响应关系控制的污水排放量能够随复杂潮波运动进行实时优化调整，使污水在尽可能小的时空范围内高度稀释，以提升其初始稀释效果并最终达标排放。

　　本发明为解决公知技术中存在的技术问题所采取的技术方案是：一种基于潮流变化的污水深海优化排放响应关系确定方法，采用以下步骤：

　　1)采用模拟反算法计算工程海域潮流变化区间(umin,u1,…,ui,…,un,umax)中n+2个潮流流速和与之对应的最优污水排放量(Qmin,Q1,…,Qi,…,Qn,Qmax)，具体步骤如下：

　　1.1)建立模拟反算方法模型

　　1.1.1)采用排污口污染物扩散数学模型;

　　1.1.2)建立多目标函数

　　MAX.DD=C0/C1 (1)

　　MIN.EC=0.0414×Q+13.828 (2)

　　MAX.OE=OE (3)

　　式(1)中，DD为污染物稀释度;C0为射流水体中污染物浓度值;C1为环境水体中某点处污染物浓度值;EC为能源消耗值;Q为泵污水排放量，Q=m×v×S，m为喷口个数，v为排放速率，S为喷口断面面积;OE为污水排放效率;

　　1.1.3)采用遗传算法模型

　　1.1.3.1)采用进化计算算子

　　1.1.3.2)采用交叉计算算子

　　1.1.3.3)采用变异计算算子

　　1.2)初始设置

　　1.2.1)将污水排放量作为最优化过程的控制变量，并采用实数编码形式;

　　1.2.2)设定控制变量取值范围，并以此作为遗传算法种群取值的约束条件;

　　1.3)针对工程海域潮流变化区间(umin,u1,…,ui,…,un,umax)中的每个潮流流速均按照以下步骤进行最优污水排放量的模拟反算，即可获得针对n+2个潮流流速的n+2个最优污水排放量(Qmin,Q1,…,Qi,…,Qn,Qmax)

　　1.3.1)针对每一个潮流流速，在控制变量取值范围内随机选取r个数值，得到r条染色体，构成该潮流流速条件下的最优污水排放量可能解的种群(r);

　　1.3.2)以每一条染色体为数值算例，采用排污口污染物扩散数学模型进行r次计算，并同时输出和存储计算水域内部观测点的r个污染物浓度结果;

　　1.3.3)以最佳污水稀释效果、最低能源消耗和最优污水排放效率为目标，采用步骤1.1.2)建立的多目标函数进行染色体评价;

　　1.3.4)在满足最大世代数目标时，跳出程序并输出最佳染色体即最优污水排放量;若不满足最大世代数目标，则采用步骤1.1.3)中的遗传算法模型进行遗传计算;

　　1.3.5)通过遗传计算，更新步骤1.3.1)中被选择的染色体，并获得全新种群，按照步骤(1.3.2)-(1.3.4)进行重复计算，直到输出最佳染色体即最优污水排放量为止;

　　2)建立数据驱动的人工神经网络BP算法模型，人工神经网络BP算法模型中非线性转换函数采用双曲型Sigmoid函数，如式(9)所示：

　　f(x)=1/1+e-x+θ (9)

　　式中θ表示阀值;

　　人工神经网络BP算法模型中采用均方根误差(RMSE)评价网络的预测能力，如式(10)所示：

　　式中a为数据个数;Yi为实测值;Yi'为预测值;

　　人工神经网络BP算法模型中所有数据的归一化处理采用式(11)：

其中： 表示归一化后的值;Yi表示归一化前的值;Ymax表示所有数据中的最大值;Ymin表示所有数据中的最小值;

　　3)初始化网络权重，结合工程海域潮流变化区间(umin,u1,…,ui,…,un,umax)中n+2个潮流流速和与之对应的最优污水排放量(Qmin,Q1,…,Qi,…,Qn,Qmax)设定网络架构，并设置人工神经网络BP算法模型的基本参数;

　　4)将n+2个潮流流速数据作为人工神经网络BP算法模型的输入，对应地将n+2个最优污水排放量作为人工神经网络BP算法模型的输出，代入到人工神经网络模型中进行训练学习，计算均方根误差;

　　5)在满足均方根误差(RMSE)误差要求时，跳出程序建立响应关系;若不满足均方根误差(RMSE)误差要求，则进入后续计算;

　　6)以均方根误差为依据，逆向调整网络权重后，再按照步骤3)-5)进行重复计算，直到建立响应关系为止。

　　本发明具有的优点和积极效果是：通过以最佳污水稀释效果、最低能源消耗和最优污水排放效率为目标，建立工程海域潮流变化区间中流速及与之对应的最优污水排放量间的响应关系，应用该响应关系，实时优化调整污水深海排放量，能够使污水在尽可能小的时空范围内高度稀释，以提升其初始稀释效果并最终达标排放，能够提升污水深海排放的管理水平，维护海域环境生态质量水平。

　　具体实施方式

　　为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例进行说明如下：

　　一种基于潮流变化的污水深海优化排放响应关系确定方法，采用以下步骤：

　　1)采用模拟反算法计算工程海域潮流变化区间(umin,u1,…,ui,…,un,umax)中n+2个潮流流速和与之对应的最优污水排放量(Qmin,Q1,…,Qi,…,Qn,Qmax)，具体步骤如下：

　　1.1)建立模拟反算方法模型

　　1.1.1)采用排污口污染物扩散数学模型，请参考以下两篇文献，一)周丰，梁书秀，孙昭晨.动水环境中射流喷角对射流特性影响数值模拟[J].大连理工大学学报,2007,47(4):583-588.二)Li M C,Si Q,Liang S X,et al.Multiple Objectives forGenetically Optimized Coupled Inversion Method for Jet Models in FlowingAmbient Fluid[J].Engineering Applications of Computational Fluid Mechanics,2014,8(1):82-90。

　　1.1.2)建立多目标函数

　　MAX.DD=C0/C1 (1)

　　MIN.EC=0.0414×Q+13.828 (2)

　　MAX.OE=OE (3)

　　式(1)中，DD为污染物稀释度;C0为射流水体中污染物浓度值;C1为环境水体中某点处污染物浓度值;EC为能源消耗值;Q为泵污水排放量，Q=m×v×S，m为喷口个数，v为排放速率，S为喷口断面面积;OE为污水排放效率，对于实际工程者而言，效率越高越好;式(2)根据德国KSB公司K400-500型卧式污水泵在不同运行模式下的流量与能耗，采用最小二乘法拟合获得。

　　1.1.3)采用遗传算法模型

　　遗传算法应用现有技术，包括三个计算部分，分别为进化、交叉和变异，具体讲遗传算法模型包括：

　　1.1.3.1)采用进化计算算子

　　1.1.3.2)采用交叉计算算子

　　1.1.3.3)采用变异计算算子

　　遗传算法包括：进化计算(轮盘赌选择)、交叉计算(如式(4)和式(5)所示)和变异计算(如式(6)-式(8)所示)。

　　Os1=ω×Pa1+(1-ω)×Pa2 (4)

　　Os2=ω×Pa2+(1-ω)×Pa1 (5)

　　式(4)和式(5)中，ω为–0.25至1.25间的随机参数;Os和Pa分别代表子代和父代;1和2是子代和父代的标记。

　　变异计算：

　　X=X'+Δ(t,y) (6)

　　式(6)和式(7)中，X为变异基因,X'为初始基因，t为当前世代数,T为最大世代数，r为0-1之间的随机数，b为系统参数。参数y按照式(8)取值，LD为基因最小值，UD为基因最大值，i是分别取0或1的随机数。

　　1.2)初始设置

　　1.2.1)将污水排放量作为最优化过程的控制变量，并采用实数编码形式。

　　1.2.2)设定控制变量取值范围，并以此作为遗传算法种群取值的约束条件。

　　1.3)针对工程海域潮流变化区间(umin,u1,…,ui,…,un,umax)中的每个潮流流速均按照以下步骤进行最优污水排放量的模拟反算，即可获得针对n+2个潮流流速的n+2个最优污水排放量(Qmin,Q1,…,Qi,…,Qn,Qmax)，具体步骤为：

　　1.3.1)针对每一个潮流流速，在控制变量取值范围内随机选取r个数值，得到r条染色体，构成该潮流流速条件下的最优污水排放量可能解的种群(r)。

　　1.3.2)以每一条染色体为数值算例，采用排污口污染物扩散数学模型进行r次计算，并同时输出和存储计算水域内部观测点的r个污染物浓度结果。

　　1.3.3)以最佳污水稀释效果、最低能源消耗和最优污水排放效率为目标，采用步骤1.1.2)建立的多目标函数进行染色体评价。

　　1.3.4)在满足最大世代数目标时，跳出程序并输出最佳染色体即最优污水排放量;若不满足最大世代数目标，则采用步骤1.1.3)中的遗传算法模型进行遗传计算。

　　1.3.5)通过遗传计算，更新步骤1.3.1)中被选择的染色体，并获得全新种群，按照步骤(1.3.2)-(1.3.4)进行重复计算，直到输出最佳染色体即最优污水排放量为止。

　　上述模拟反算法将排污口污染物扩散数学模型(亦称为射流模型)和运行能源消耗公式嵌入到遗传算法模型中，以最佳污水稀释效果、最低能源消耗和最佳排放效率为目标，进行最优污水排放量模拟反算的耦合方法模型，采用排污口污染物扩散数学模型进行各染色体的计算并输出计算水域内部观测点污染物浓度数据;采用多目标函数计算分析各个染色体的稀释度、污水输送能源消耗和排放效率;以模型设定的最大世代数为判断条件，满足条件即跳出计算程序，不满足则进入遗传计算;遗传计算以进化、交叉和变异三项遗传计算算子调整染色体，形成全新的种群，再代入排污口污染物扩散数学模型，进行下一世代的计算。

　　2)建立数据驱动的人工神经网络BP算法模型，人工神经网络BP算法模型中非线性转换函数采用双曲型Sigmoid函数，如式(9)所示：

　　f(x)=1/1+e-x+θ (9)

　　式中θ表示阀值;

　　人工神经网络BP算法模型中采用均方根误差(RMSE)评价网络的预测能力，如式(10)所示：

　　式中a为数据个数;Yi为实测值;Yi'为预测值。

　　人工神经网络BP算法模型中所有数据的归一化处理采用式(11)：

其中： 表示归一化后的值;Yi表示归一化前的值;Ymax表示所有数据中的最大值;Ymin表示所有数据中的最小值。

　　3)初始化网络权重，结合工程海域潮流变化区间(umin,u1,…,ui,…,un,umax)中n+2个潮流流速和与之对应的最优污水排放量(Qmin,Q1,…,Qi,…,Qn,Qmax)设定网络架构，并设置人工神经网络BP算法模型的基本参数。基本参数的确定可参考文献：李明昌,张光玉,司琦,等.基于数据驱动与遗传计算的海域组合单元水质模型多参数分步耦合优化反演方法研究[J].数学的实践与认识,2015,45(12):167-175。

　　4)将n+2个潮流流速数据作为人工神经网络BP算法模型的输入，对应地将n+2个最优污水排放量作为人工神经网络BP算法模型的输出，代入到人工神经网络模型中进行训练学习，计算均方根误差。

　　5)在满足均方根误差(RMSE)误差要求时，跳出程序建立响应关系;若不满足均方根误差(RMSE)误差要求，则进入后续计算。

　　6)以均方根误差为依据，逆向调整网络权重后，再按照步骤3)-5)进行重复计算，直到建立响应关系为止。

　　上述响应关系建立方法的优势在于，采用数据驱动模型-人工神经网络BP算法，可以在对系统物理知识知之甚少的基础上，仅以系统状态变量和控制变量作为模型输入、输出，并分析系统数据的特点，即可建立系统变量之间的响应关系。

　　尽管上面结合本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围的情况下，还可以做出很多形式，这些均属于本发明的保护范围之内。