水质模型

水质模型（精选9篇）

水质模型 篇1

1 概论

随着社会发展, 饮用水水质越来越受到人们的关注, 供水管网作为城市供水的重要基础设施, 直接关系到城市广大居民的安全。在这样的情况下, 对给水管网中的水质指标进行及时有效的监测, 并且通过建立水质模型对管网水质进行监测, 将其应用于实际, 并提供水质预报已经迫在眉睫。

2 城市供水管网水质检验监测技术

2.1 水质监测的重要性

给水管网主要由铸铁管或钢管构成, 而钢管或铸铁管在电化学反应、微生物等的共同作用下极易被腐蚀, 从而导致管网泄漏, 输送水力损失增大及管网水质的恶化。因此, 符合饮用标准的出厂水在管网输送中变为不合格的可能性就会越高。

目前, 管网水质的管理和提高已经成为制约我国饮用水水质提高的瓶颈。而提高管网水质的管理水平, 就必须加强管网水质的有效监控和数据的及时分析。

2.2 水质监测技术的分类

给水管网水质监测技术是给水管网水质监测系统中的一项技术。给水管网水质监测技术按监测手段可分为以下三类:

2.2.1 人工采样监测系统。

该系统测量的数据精度可以根据需要达到较高的水平。但是, 因为受到人员和分析经费的制约, 容易错过潜在的重要事件, 而且反馈较慢, 缺乏实效性, 系统容易呈现不稳定。

2.2.2 自动监测系统。

这种系统减少了人力消耗, 能够及时地反馈水质数据, 保证采样数据和频率, 系统稳定性也较强, 监测过程不容易受干扰。但是此系统必须定期进行校核和维护, 监测投资大, 监测指标种类不及人工多, 精度不及人工高, 运行过程也不及人工采样灵活。

2.2.3 综合监测系统。

该系统集合了上述两种系统的优点, 克服各自的缺点, 达到了最优的效费比。但是此系统要协同分析两种系统的数据, 因此在实际操作中具有一定的技术难度。

3 城市供水管网水质检验监测模型

3.1 给水管网水质模型的种类

水质监测系统中所得到的数据, 可以通过水质模型来提高数据的利用效率、补充常规监测的不足, 并将其应用于实际, 从而起到指导实践、提供水质预报的作用。

最近的管网水质模型包括余氯衰减模型、消毒副产物模型和微生物模型, 其中余氯衰减模型已经研究得比较成熟, 其他两种模型的研究也在逐步完善。

3.1.1 余氯衰减模型

余氯是管网水质的主要指标, 出厂水在管网的输送过程中要维持足够的余氯来保证用户的饮水安全。含有一定余氯浓度的源水进入供水管网后, 由于管道流速流向的变化, 余氯和管壁发生的反应, 以及各种余氯浓度水的混合, 引起了供水管网中余氯浓度的逐渐衰减[1]。

目前对余氯衰减的研究主要可以分为两方面[1]:一是研究余氯衰减的各个影响因素;二是从定量的角度来分析余氯衰减规律, 至今已经有不少较为成熟的模型被应用于实际且取得了较为满意的效果。

为了使管网中各点都能保证有适当的余氯含量, 就要及时、全面地了解余氯在管网中的变化。因此, 建立管网的余氯模型就可以根据监测到的有限数据快速准确地对管网中关键控制点的余氯量进行模拟和预测。

3.1.2 消毒副产物模型———三卤甲烷 (THMS)

氯投入到水体中后, 会与水中某些有机物反应生成对人体有害的副产物, 这一结论已经毋庸置疑。生成的这类对人体有害的物质统称为消毒副产物 (DBPS) 。New oriean发现的三卤甲烷 (THMS) 被证实为是水体中最为常见的、浓度最高的消毒副产物[2]。

三卤甲烷的生成过程复杂而繁琐, 所以但凡能影响该生成反应的因素都是THMS的影响因素。不同的学者针对不同的地区, 在不同的环境下进行取样、实验与检测, 得到的THMS影响因素略有不同, 但总体上可以归纳为:水源或水体自身有机物的浓度和组成特征;氯化条件的影响;某些特殊地区特有的影响因素, 如Br-、NH4+等。

3.1.3 微生物模型

出厂水在输送的过程中, 水沿着管壁流动时, 并不是直接沿着管壁表面流动, 而是沿着管道内壁的“生长环[3]”进行流动, 它使管网内水质受到二次污染, 且导致管道的通水能力下降, 增加电耗和漏失。因此, 生长环是造成管网水质变化的主要原因之一。

因配水管网中细菌的繁殖与余氯和营养物质密切相关, 所以研究余氯对细菌生长的抑制作用、营养物质对细菌生长的促进作用都很重要, 从而科学地建立管网水质数学模型、实现水质模拟, 就可以掌握管网内主要节点水质状况。尤其在当今饮用水水源受到不同程度有机污染的情况下[4], 研究 (生物可同化有机碳) 在配水系统中的变化规律、建立配水管网生物稳定性模型尤为重要, 而且对管网水质优化调度、指导水厂加氯和管网优化改扩建等提供科学依据。

3.2 水质监测模型的优点

通过建立水质监测模型, 可以在减少水质监测点的数量、降低人工劳动强度与成本的同时, 获得大量的实时的水质指标。其优点有如下:

3.2.1 其应用将会给给水工业带来巨大的效益;

3.2.2 可用于预测水质下降, 校正系统的水力条件;

3.2.3 可以设计水质抽样程序、合理投加消毒剂量、优化消毒过程、提高管网及储水池的水质;

3.2.4 可评估运行方案, 确定风险区域, 为配水系统中维护和提高供水水质提供决策方案, 以最低的成本减少风险的影响;

3.2.5 可根据不同地区的水质, 因地制宜地投放消毒剂, 降低消毒剂的消耗, 节省制水成本;

3.2.6 还可对旧城区的给水管网改建及扩建系统中的水质提出系统设计, 以避免重大失误。

4 结论

未来, 水质模型的功能必将更加丰富和智能化。在监测系统中, 综合监测系统不仅能自动的协调人工采样和在线采样的关系, 还应能对分析和预测的数据进行判断, 判断是否达到相关的标准。另外, 水质模型不只能够自动地与水质监测数据的相互作用, 在发现水质事故的同时, 找到污染源位置, 判断出水质事故的影响范围及时发出报警信号, 并且提出具有一定辅助性的解决方案。

参考文献

[1]钟丹.给水管网余氯衰减规律及影响因素研究[D].哈尔滨:哈尔滨工业大学, 2009.

[2]郭诗文.管网中基于余氯衰减的三卤甲烷动力学模型研究[D].浙江:浙江大学建筑工程学院, 2008.

[3]赵志领, 赵洪宾, 何文杰等.生长环作用下的给水管网水质特质[J].哈尔滨商业大学学报, 2008, 24 (5) :532-538.

[4]董晓磊, 沈致和.城市给水管网水质研究动态[J].合肥工业大学学报, 2006, 29 (9) :1155-1158.

水质模型 篇2

在松花江洪水管理系统项目基础上,引进丹麦DHI公司技术开发了松花江水质模型.利用已建立的松花江流域的降雨径流模型,为河流模型提供径流量和面源负荷量的`估算,完成松花江流域河流水动力学模型和传输、扩散模型的率定,为政府部门启动相应的应急预案提供科学的决策依据.

作 者：马铁民 MA Tie-min  作者单位：辽宁水利委员会,吉林,长春,130021 刊 名：东北水利水电 英文刊名：WATER RESOURCES & HYDROPOWER OF NORTHEAST CHINA 年，卷(期)： “”(9) 分类号：X824 关键词：松花江   水质   MIKE11   模型  

德国DWA水质模型 篇3

水质模型是描述各种物质在水体中的混合和输运、在时间和空间上的迁移转化规律以及各影响因素之间相互关系的数学方程。它是水环境管理规划、水环境污染治理规划决策分析、水容量研究分析、水环境污染预警研究的重要工具和有效手段。水质模型是一种数学描述, 在对水质进行研究分析的过程中涉及到物理、化学、和生物过程, 因而要根据需求选择因子与研究方法, 建立不同的模型。

1925年, 美国工程师Streeler和Phelps提出了S-P模型, 描述一维稳态河流中的BOD和DO的变化规律。经过近一个世纪的发展, 水质模型的研究日益成熟, 特别是近30年以来, 随着计算机技术的广泛应用, 水质模拟领域也有了重大发展, 各国相继出现了一批功能强大、通用性好、准确可靠的综合水质模型。

文章就M3 (Monitoring, Modelling, Management) 系统及德国DWA水质模型作一介绍与分析及其在埃尔夫特河 (Erft River) 的应用。

2 M3系统理论

M3系统由水质监测系统、水质模拟系统和水质管理系统三个方面组成, 是一个全面的对水体进行监测、模拟和管理的系统, 从空间和时间上确定水体的现状, 以期达到合理规划管理水体的目的。如图1所示。

2.1 水质监测系统

水质监测系统进行水体质量监测, 分别对点源污染和面源污染监测, 包括常规监测、在线监测和固体物调研, 根据监测数据呈现水体质量的调查结果。

对水质监测系统的要求:

(1) 取样技术:自动监测和与排放同步监测; (2) 取样方式:代表性的混合样本; (3) 取样周期:动态时间段, 高时间精度和混合污水溢流浓度梯度; (4) 取样时间间隔:溢流的时间段; (5) 通信机制:准确及时的信息传输。

2.2 水质模拟系统

水质模拟系统对输入的监测数据进行可信度验证, 根据模拟计算结果得出水体质量的调查结果。水质模拟的应用:

(1) 数据分析; (2) 系统分析; (3) 设计效益分析; (4) 环境影响评价; (5) 设计控制和管理调控的研发基础; (6) 预警规划中的操作应用。

如图2所示是M3系统中监测和模拟的应用。

2.3 水质管理系统

水质管理系统对水质监测系统和水质模拟系统得到的数据进行研究分析后, 改进边界条件, 反馈给水质监测系统和水质模拟系统, 优化监测方案和模拟计算过程。

3 DWA水质模型

3.1 模型的产生

德国水资源、污水及废物管理联合会 (DWA) 的水体质量模型由原德国污水技术联合会 (ATV) 的“水体质量管理中的模型计算”专业委员会于1991至1995年期间开发, 并自此随着发展进步中的科学认识和水体质量管理领域的要求不断进行更新。目前该模型由DWA的GB1.4专业委员会指导。

3.2 目标和任务设置

流动水域展现了高度交错的生物学、化学和物理学的相互影响以及自然与人为因素的多样性影响而形成的庞杂的体系。这样的体系的典型特征是巨大的活力和空间上的易变形。人类通过对水域的使用和污染介入这一体系, 使用和污染两方面既相互并存, 也和作为生存空间的水域的各种生态功能间形成了多层次的对立。人为的介入不仅涉及水域的总体结构, 也涉及物理、化学层面的水体质量。污染物的负荷一方面来源于点源污染, 另一方面由直接或间接的面源污染造成。

水资源管理的任务在于, 为确保尽可能与水域的自然状态相符的生活状况, 将人为的影响局限在必要的尺度内并平衡在水资源使用过程中出现的矛盾冲突。就此而言, 水体质量模型作为一种辅助手段被使用, 其目的是以水域保护的既定目标为基础, 认识行动的必要或了解措施与介入手段的效果。为达到此目的, 需对水域在空间上的多变性和时间上的动态特征进行描述, 并对多种不同类型的人为介入行为所引起的反应进行近似的量化。

由这些要求衍生出水体质量模拟型的各种任务和应用领域。其应用范围很广泛, 从数据和系统分析开始, 到水域保护规划中的方案调研, 以及流量管理中的运用和预警机制等等。

模型的第一组应用是对真实的水域体系进行模拟, 以在给定状态的基础上对其进行或强或弱的调整。水质模拟中的“经典”任务如厂址优化、措施规划等便属于此范畴。各种模型的灵活度的与日俱增, 使得对一些状况的研究也成为可能, 例如能通过对河道疏通与引流、自然修复或新的设施等措施来实现水域体系的调节。

水框架法为这类模拟提供了一个广阔的应用领域。该水法要求在某一规定的时间框架内达到根据某类型特征而定义的目标状态。在此, 水体质量模拟可在相应生物群落生态环境条件 (生物形态、辐射环境、底质) 的模拟中协助进行措施的规划, 规划时可将相互关联的分支水系列入考察范围。

模型的第二组应用是对在地貌空间、水文环境、负荷和使用方面符合某一特定类型的标准水域进行模拟。可利用已定义的不同场景对这些类型中某些物质的比例关系、相关物质的极限值的合理性等方面进行比较研究。

例如在富营养化控制方面, 可针对“蓄水调节水域”、“高山河流”或“低地河”流类型推导出相应的磷的界限值。该类型的标准水域可用于检验环境化学污染物, 如用于排入物质的去向。对于污水排入方面的检验和水域保护措施的保障, 则尤其可针对负荷结果各不相同的特定流域, 可以支持进行经济-效益分析。

模型的研发始终伴随着大量在德国水域进行的实际应用。应用案例的范围覆盖了从上游地区平坦的自然流动水域到常用于蓄水调解或船只通行的中、下游的所有地区。全面性和可操作性一直是模型研发的重要标准。

3.3 模型应用的前提条件

DWA模型的应用可能是非常多样的。然而要使模型的各项功能能得以完全发挥, 对数据处理技术和人力资源方面提出了不可低估的前提条件。

3.3.1 数据要求。

对于较复杂的水体质量模型而言, 巨大的数据需求量常被视为其引入和全面推广过程中一种不小的障碍。此处应对数据需求的范围和数据获取的工作量加以区分。对已给定的模拟而言, 数据需求的范围几乎无以变更, 相对而言, 数据获取的工作量却可明显地缩减。为达到此目的, 将输入的数据分为以下两类:

被认为是普遍适用或被近似估计, 因而可作为规定或建议值而提供的使用。

用于描述水域体系项目专门的数据, 需针对每一当前的模拟案例由用户自己获取。

另外, 数据需求量还取决于问题的设置:为回答所设置的问题需要的子模型越多, 数据需求量自然就越大。但该需求不随板块结合的范围而“成比例”增长, 因为重复需要的数据 (如温度或辐射) 只计算一次而在各板块间进行交换使用。

由此提出了关于数据和模拟结果的准确性的问题。在此关键的问题首先在于:例如要调查一水域的水质是否符合某种特定的用途, 则算入模型中的浓度值必须与相应用途的界限值具有可比性, 即超越界限值的情况必须能用尽可能可靠的方式来证实, 因此在设计模型、各过程的数学描述和对输入数据提出要求的过程中, 必须通过对表述的可靠性提出要求来保证准确度。除了数据的质以外, 数据的量也起着重要作用, 它又取决于连续性在时空上的分解 (离散化) 。

给定数据能很大程度上地简化模型的运用。因此该模型开发时在这一综合体内投入了相当的工作量。此外, 模型中给定数据部分的扩展将是既定框架内未来更新工作的重要任务。这些给定数据中的多数基于监测、估算或是通过某些专门的调研项目获取。因而这些数据原则上不具备绝对有效性, 而作为经验数据只合乎当前的认知水平。所以不管是与项目密切相关的专业层面还是从普遍意义上, 用户具有随时对数据进行修改的可能性。

另一个重点是批量数据输入过程的简化 (如污水处理厂工作流程中的动态日流量过程) 。在此将不再要求输入每一时间间隔的完整数据, 而是针对周期性的波动情况, 如日或周过程, 有经模型标准化的分布方式供选择。某一日过程的模型内部运算仅要求输入一个平均值和一个振幅值。输入冲击荷载时同样可利用某一标准分布。在缺乏描述水域断面几何特征的断面数据时, 用户可在已有选项中选择断面类型, 而针对该类型仅需输入少量易估计的参数。在上述情况中, 用户若有可支配的监测值, 同样还可将所需数据以文档的方式进行提交。

3.3.2 模型结果的评估。

在每一应用案例中都须认真地核查, 在考虑可用的输入数据和被模拟的体系自身特征的情况下, 对模拟结果抱有哪些期望是合适的。总体而言, 模拟的结果应作为近似解决方案进行考察:它们的可靠性仅取决于输入数据, 还取决于 (在每一个应用案例中) , 模型中拟定的过程和影响能在多大程度上理解和描述所模拟的水域水质的情况。

对此不可能存在普遍适用的数据信息。同样, 用户使用水质和流量模拟工具的经验及其对于水域和荷载结构的了解在此过程中起着重要作用。应预防高估甚至滥用模拟结果。

参考文献

[1]李程.水质模型的研究进展及发展趋势[J].现代农林科技, 2013, 6:208-209.

[2]郭劲松, 李胜海, 龙腾锐.水质模型及其应用研究进展[J].重庆建筑大学学报, 2002, 24 (2) :110-115.

[3]樊敏, 顾兆林.水质模型研究进展及发展趋势[J].上海环境科学, 2010, 29 (6) :266-269.

[4]姜云超, 南忠仁.水质数学模型的研究进展及存在的问题[J].兰州大学学报 (自然科学版) , 2008, 44 (5) :8-9.

水质模型 篇4

汉江下游河段水质生态模型及数值模拟

基于包含浮游动物作用的一维水质生态数学模型, 考虑了长江水位的顶托作用,采用有限体积法,建立了汉江水质生态数值模型,用1992年的实测资料进行参数识别,对汉江1995年至的水动力、氨氮、硝氮、凯氏氮、总磷、溶解氧(DO)、生化需氧量(BOD),以及浮游植物的`迁移转化规律进行了数值模拟,模拟结果与实测资料吻合较好,说明所建的模型符合汉江下游河段的实际情况.数值模拟结果表明:当汉江下游水体有机物含量较高,水温6℃以上和光照充足时,汉江下游河段适宜藻类生长,易发生“水华”现象.特别在枯水季节,在流量较小和流速低的情况下,水体中藻类会过快生长.藻类的生长速度因各断面的流速、水深和水面宽的不同而不同.

作 者：彭虹 郭生练  作者单位：武汉大学水利水电学院,武汉,430072 刊 名：长江流域资源与环境  ISTIC PKU CSSCI英文刊名：RESOURCES AND ENVIRONMENT IN THE YANGTZE BASIN 年，卷(期)：2002 11(4) 分类号：X1 关键词：水质生态模型   浮游植物   数值模拟  

水质模型 篇5

湿地是介于陆地和水体之间的过渡带, 是遍布全球的、参与地球系统水、物质和能量循环的重要部分, 并由其特殊的水文条件和水成土支持了复杂的生物系统。由于湿地丰富的生物多样性, 并在供水、抵御洪水、调节径流、防止盐水侵入、分解有害物质、调节区域气候起到重要作用, 被称为“地球之肾”, 同时湿地还是重要的天然产品源和能源输出源[1,2,3]。

研究湿地需要对湿地系统建立模型, 传统的生态模型只是静态的模拟生物与环境间的关系, 缺乏湿地重要水力要素, 这些要素却是影响生物存在特性的重要因素, 水力要素形成了各种湿地的功能。而基于数理方程的水动力学模型的引入将整个湿地生物、环境变化过程动态化, 以解释一些静态模型难以解释的生态问题[4]。生态水力学作为水动力学和生态学的交叉学科, 通过研究水文水力学要素与流域环境、生物过程之间的关系, 可为湿地利用保护及流域综合管理起到指导作用。目前生态水力学研究侧重于河流水动力学与河流生态系统之间的关系, 而针对有大量挺水植被的沼泽、湖泊、滩涂等湿地类型的研究并不多[5]。同时, 对湿地水质、生化过程的研究还主要集中在水文数据分析与静态模型的结合上[6,7,8]。下面结合已有湿地表面流连续方程[5]对湿地环境下的水量平衡、水质模拟进行探讨。

1 湿地区域内水量变化

湿地水量平衡将湿地作为一个闭合系统, 它满足常规的水量平衡方程, 即:

ΔV=Pn+Si+Gi-ET-S0-G0±T (1)

这是一个通用的湿地水量平衡方程[9], 其中ΔV为湿地水量变化, Pn为净降水量, Si为表层入流量, Gi为地下水入流量, ET为蒸散发, S0为表层出流量, G0为地下水出流量, T为潮汐入流量和出流量 (河口滩涂湿地) 。根据不同的湿地类型, 各个变量会发生变化。

在这里, 简单的假设为有一个地表水补给源及一个出水口;有明显的弱透水下伏层 (即垂向水力联系忽略不计) 的淡水湿地 (见图1) 。式 (1) 即简化为:

ΔV=Pn+Si-ET-S0 (2)

宋新山、邓伟在文献[5]中给出了湿地表面流方程:

n=0.048 4h-0.3501。

h为水深, 令$\left({\rm H}-{\rm Z}\right){}^{5/3}\left(n\left|\frac{\partial {\rm H}}{\partial l}\right|{}^{1/2}\right){}^{-1}=E{}_l$;

$\frac{\partial {\rm H}}{\partial t}=\frac{\partial }{\partial x}\left(E{}_x\frac{\partial {\rm H}}{\partial x}\right)+\frac{\partial }{\partial y}\left(E{}_y\frac{\partial {\rm H}}{\partial y}\right)$ (3)

(3) 式中Z为地面高程, n为表面曼宁糙率, H为水位高程。入流处边界条件[5]:

在出流边界处有[5]:

其中, Fu、Fl分别表示入流边界和出流边界的湿地表面流水位变化函数。

在非流边界, 假定水流不向模拟区域外流动, 则其边界条件[5]:

令, $F{}_u=\frac{\partial {}^{2}S{}_i}{\partial x\partial y},F{}_l=\frac{\partial {}^{2}S{}_0}{\partial x\partial y}$ (7)

将 (3) 式代入能量守恒和质量守恒方程[10,11], 可得两个方向的方程组:

及

其中, Cchezy为谢才系数;R为水力半径 (m) ;α是动能校正系数;β是动量校正系数。式 (8) 的边界条件为式 (4) 、式 (5) , 式 (9) 的边界条件为式 (6) 。

将Fu、Fl, 代入式 (7) 可确定Si、S0。Pn值可以观测, ET可使用Penman-Monteith蒸散发模型或Priestly-Taylor联合蒸散发模型, 通过常规气象观测资料计算, 这两个模型相对其它众多蒸散发模型, 在各种条件下被证实有较好的可靠性和适用性[9]。由此, ΔV可以确定。

2 湿地水质模型

水力学模型包括水质变化模拟, 用来描述水中元素循环转化、物质的支流与去除、污染物净化、沉积物拦截等过程[9,12], 。基于弱透水下伏层的假设, 仅对湿地表面水质进行讨论。

根据扩散定律[12,13], 对污染物在湿地中的扩散规律做如下假设: (1) 在区域内部, 由于水流缓慢, 只考虑扩散;在边界, 既考虑扩散也考虑移流 (见图1) 。 (2) 湿地水域内各向匀质。可得如下方程:

$\{\begin{array}{l}\frac{\partial C}{\partial t}=D\left(\frac{\partial {}^{2}C}{\partial x{}^2}+\frac{\partial {}^{2}C}{\partial y{}^2}+\frac{\partial {}^{2}C}{\partial h{}^2}\right)；x\ne 0,x\ne x{}_B\\ \frac{\partial C}{\partial t}-\frac{\partial {}^2(E{}_x\partial {\rm H})}{\partial x{}^2\partial t}\frac{\partial C}{\partial x}-\frac{\partial {}^2(E{}_y\partial {\rm H})}{\partial y{}^2\partial t}\frac{\partial C}{\partial y}+\frac{\partial {\rm H}}{\partial t}\frac{\partial C}{\partial h}=\\ D\left(\frac{\partial {}^{2}C}{\partial x{}^2}+\frac{\partial {}^{2}C}{\partial y{}^2}+\frac{\partial {}^{2}C}{\partial h{}^2}\right)；x=0,x=x{}_B\end{array}(10)$

(10) 式中, C为溶质浓度, D为扩散系数, 为紊动扩散系数和分散系数之和。与河流不同的是, 在湿地内部水流不可假设为一维, 流速也较小, 并不易测定[9], 故在上式中以单宽流量的变化率来表示水平流速, 而以水位高程的变化率来表示垂向流速。

在这个保守模型的基础上加上污染物的化学和生化降解作用[12,14], 对于单一的某种污染物可得:

$\{\begin{array}{l}\frac{\partial C}{\partial t}=D\left(\frac{\partial {}^{2}C}{\partial x{}^2}+\frac{\partial {}^{2}C}{\partial y{}^2}+\frac{\partial {}^{2}C}{\partial h{}^2}\right)-kC；x\ne 0,x\ne x{}_B\\ \frac{\partial C}{\partial t}-\frac{\partial {}^2(E{}_x\partial {\rm H})}{\partial x{}^2\partial t}\frac{\partial C}{\partial x}-\frac{\partial {}^2(E{}_y\partial {\rm H})}{\partial y{}^2\partial t}\frac{\partial C}{\partial y}+\frac{\partial {\rm H}}{\partial t}\frac{\partial C}{\partial h}=\\ D\left(\frac{\partial {}^{2}C}{\partial x{}^2}+\frac{\partial {}^{2}C}{\partial y{}^2}+\frac{\partial {}^{2}C}{\partial h{}^2}\right)-kC；x=0,x=x{}_B\end{array}(11)$

其中k为一级动力反应速率。文献[14]中, 作者对8种不同成分的降解速度进行了比较, 分别得出了不同结果。

对于BOD-DO (生物耗氧量-溶解氧) , 考虑湿地中的底泥和生物作用, 参考几种主要水质模型[15], BOD方程可由 (11) 改写成:

$\{\begin{array}{l}\frac{\partial C}{\partial t}=D\left(\frac{\partial {}^{2}C}{\partial x{}^2}+\frac{\partial {}^{2}C}{Vy{}^2}+\frac{\partial {}^{2}C}{\partial h{}^2}\right)-(k{}_1+k{}_2+k{}_3)L+\\ \frac{S{}_t}{{\rm H}}；x\ne 0,x\ne x{}_B\\ \frac{\partial C}{\partial t}-\frac{\partial {}^2(E{}_x\partial {\rm H})}{\partial x{}^2\partial t}\frac{\partial C}{\partial x}-\frac{\partial {}^2(E{}_y\partial {\rm H})}{\partial y{}^2\partial t}\frac{\partial c}{\partial y}+\frac{\partial {\rm H}}{\partial t}\frac{\partial C}{\partial h}=\\ D\left(\frac{\partial {}^{2}C}{\partial x{}^2}+\frac{\partial {}^{2}C}{\partial y{}^2}+\frac{\partial {}^{2}C}{\partial h{}^2}\right)-(k{}_1+k{}_2+k{}_3)L+\frac{S{}_t}{{\rm H}}；\\ x=0,x=x{}_B\end{array}(12)$

(12) 式中, L为平均BOD浓度, k1为耗氧系数, k2为复氧系数, k3为沉降系数, St为因底泥释放和径流引起的BOD变化。DO方程可写为:

O为DO浓度, Os为一定温度下饱和溶解氧浓度, P-R表示藻类光合作用和呼吸作用及径流引起的DO变化。

式 (12) 、式 (13) 的初始条件为L (x, y, z, 0) =L0, O (x, y, z, 0) =O 0。

式中的k1可在实验室中测定, Bosko建立了实验室里测定的k1, L与河流中实际的耗氧速率k1, R之间的关系[15]。

$k{}_{1,R}=k{}_{1,L}+n{}_a\frac{u}{h}$ (14)

这里na为河床的活度系数, 河流坡度越大, 该值越大, 具体数值见文献[15], u为河流流速, h为水深。在本文假设湿地条件下, na很小, 可忽略;且水流缓慢, 故在此k1, L与k1, R可近似相等, 有

k1, R≈k1, L (15)

P-R可通过黑白瓶试验求得。黑、白瓶分别为两个密闭的装有水样的碘量瓶, 其中黑瓶用黑幕罩住, 并置入水中。黑瓶模拟黑夜的呼吸作用, 白瓶模拟白天的光合作用和呼吸作用。根据两瓶中DO的变化, 可得各自氧平衡方程[15]:

白瓶:$\frac{24\left(C{}_1-C{}_0\right)}{\Delta t}={\rm P}-R-k{}_{c}L{}_0$ (16)

黑瓶:$\frac{24\left(C{}_1-C{}_0\right)}{\Delta t}=-R-k{}_{c}L{}_0$ (17)

其中, C0为实验开始时水样的DO浓度, C1、C2为实验终了时白、黑瓶中水样的DO浓度, kc为试验温度下的BOD降解速率常数, △t为试验延续时长, L0为实验开始时水体中的BOD浓度。

3 结语

泥炭质淡水湿地流速缓慢、表面糙率大, 其中的流量和流速不易测定。本文根据通用的湿地水量平衡方程, 将文献[5]中的变量引入能量守恒和质量守恒方程, 建立了湿地水量动态变化模式, 以水位的变化反映流量变化, 在实际应用中只需测量湿地内水深即可计算湿地的水量变化, 进而得出湿地蓄流能力。在水质方程中也以水位的变化项来反映原水中扩散方程的水量项, 可用于动态反映湿地中污染物的扩散, 而这里需要测定污染物的初始浓度。

摘要：考虑到以前生态水力学研究多集中在河流、水库方面, 结合现有的湿地水文、水力研究成果, 从生态水利角度建立了沼泽湿地环境下的水量、水质方程。

水质模型 篇6

长江是世界第三、中国第一大江河,是中华文明的发祥地,是当代中国经济社会发展的重要命脉。长江流域面积180万平方公里,占全国的18.8%,流域涉及19个省、自治区、直辖市,全流域 80%以上的土地面积适宜于人类的生活、生产和各类社会经济活动,在世界流域面积达百万平方公里以上的江河中绝无仅有。长江流域水资源总量相对丰沛,多年平均水资源总量9960亿立方米,约占全国水资源总量的36.5%,每平方公里水资源量56万立方米,为全国平均水平的1.9倍,是黄淮海地区的4倍。长江是南水北调东、中、西三条线路引水的水源地。

随着人口的增长及工农业的发展,大量工业污水、生活污水及农业面源污染物进入受纳水体,导致水质下降。合理、公平、持续利用流域资源和环境容量,协调流域上下游经济发展和环境保护之间的关系已成为当务之急。地表水水质评价是地表水资源管理和保护的重要内容,其主要任务就是根据地表水的主要物质成分和给定的水质标准,评定地表水水质等级,为地表水资源的开发利用、规划和管理提供科学依据。在实际工作中,由于水环境质量综合评价涉及到的多项评价指标间通常存在不相容性和模糊性,且评价因子与水质等级间存在复杂的非线性关系,因此,水环境质量综合评价非常困难,目前还没形成统一的方法。经常采用的水质评价方法主要有综合指数法、模糊数学法、聚类分析法、灰色关度法、灰色局势决策法及物元分析法等。但这些传统方法并没有很好地解决评价因子与水质等级间复杂的非线性关系,评价过程中的效用函数、权重需要人为设计,限制了评价模型的通用性,也影响了评价结果的可靠性。

人工神经网络是近年来发展起来的模拟人脑生物过程的人工智能技术。它由大量的、同时也是很简单的神经元(节点)广泛互连形成复杂的非线性系统,它已经在钻井事故诊断等方面得到应用[1,2,3,4,5],人工神经网络理论也为水质评价开辟了新途径[6,7,8]。人工神经网络具有较好的自学习、自组织和容错性,以及优良的非线性逼近能力。在实际应用中,80%~90%的人工神经网络模型采用的是误差反向传播算法即通常所称的BP 算法或其变化形式的网络模型。BP 网络模型目前主要应用于模式识别、函数逼近、分类和数据压缩等。本文主要应用BP 网络对长江南京林山断面水质进行评价。

1 数据来源与方法

1.1 数据来源

本次评价是对长江南京林山断面的水质状况进行评价。数据来源于我国环境保护部数据中心,数据日期采集于(2012年3月),监测项目为PH、溶解氧(DO)、氨氮(NH3-N)、高锰酸盐指数(CODMn)等4项。如表1所示。

*表示无量纲。

1.2 评价标准

根据长江南京林山断面的水质特征及污染排放情况,确定参加评价的污染因子有溶解氧(DO)、氨氮(NH3-N)、高锰酸盐指数(CODMn)等三项污染指标,将其作为输入矢量,按照《地表水环境质量标准》(GB3838-2002)将地表水质标准分为五级,分别以Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ表示,各级标准如表2所示。

本次使用Levenberg-Marquardt算法中的sigmoid(1ogsig)传递函数,该函数的取值在[0,1]之间,为了使收集到的数据符合模型的要求,需要对原始数据进行归一化处理,以进行下一步的训练,待训练仿真之后,使用反归一化的方式将数据还原,以更直观地展示水质数据。归一化的方程为f(x)=x-min(x)/(max(x)-min(x) )其中x、max(x)、min(x)分别为表2中的水质指标、水质指标的最大值、水质指标的最小值。

1.3 水质评价模型

BP 算法是目前最为广泛、最具影响的人工神经网络学习算法之一。BP 网络的学习规则通常采用的是1949年心理学家Hebb提出的Hebb学习规则, BP神经网络一般包括输入层、中间层(隐含层)和输出层,上下层之间实现全连接,而每层神经元之间无连接。当一对学习样本提供给网络后,神经元的激活值(权值和阈值)从输人层经各中间层向输出层传播,在输出层的各神经元获得网络的输入响应。在训练的过程中,按照减少目标输出与实际输出之间误差的方向,从输出层反向经过各输出层回到各输入层,从而逐层修正各连接权值,这种算法称为BP算法,也称误差反向传播算法。

BP神经网络算法在应用方面具有重要意义,但是它也存在一些不足:存在局部极小点;学习算法的收敛速度慢;网络隐含层节点数的选取带有很大的盲目性和经验性,尚无理论上的指导;新加入的样本要影响已学完的样本等。针对BP神经网络算法存在的不足,出现了几种基于标准BP神经网络算法的改进算法,如梯度下降法、拟牛顿法和Levenberg-Marquardt算法等。通过实验发现,对于中小规模的神经网络,使用Levenberg-Marquardt算法的收敛速度最快,且计算精度比较高[2]。鉴于Levenberg-Marquardt算法的上述优势,本文针对长江水质就是采用Levenberg-Marquardt算法进行分析的。作为BP神经网络的改进算法,Levenberg-Marquardt算法实际上是梯度下降法和拟牛顿法的结合,该算法期望在不计算Hessian矩阵的情况下获得高阶的训练速度,其公式表达为:Xk+1=Xk-[JTJ+μI]-1JTE,其中,JT为雅克比矩阵,E是网络误差向量。如果μ=0的话,就变成采用近似Hessian矩阵的拟牛顿法;如果μ很大,即成为小步长的梯度下降法,由于牛顿法在误差极小点附近通常能够收敛的更快更准确,因此算法的目的就是尽快转换为牛顿法。如果某次迭代成功,误差性能函数减小,那么就减小μ的值,而如果迭代失败,就增加μ值。如此可以使得误差性能函数随着迭代的进行而下降到极小值。Matlab工具箱提供了trainlm函数用于Levenberg-Marquardt算法的计算。

理论上已经证明具有偏差和至少一个s型隐含层加上一个线性输出层的网络,能够逼近任何有理函数,增加层数主要可以更进一步降低误差,提高精度,但不可避免使网络复杂化,实际上,误差精度的提高也可以通过增加隐含层中的神经元数目来获得,BP网络模型的构建与训练将3个水质评价指标作为因变量,用网络输入节点表达,水质评价结果由一个输出节点表示,根据需要,本文选择有一个隐含层的三层BP神经网络,而适当增加隐含层单元数目,关于隐含层节点数目的确定,目前在理论上还没有一个明确的规定,根据试错法,隐含层采用6个节点。隐含层采用s型激活函数,输出层采用线性激活函数。

训练次数和训练结束目标相互影响,在没有达到训练结束目标而达到最大的训练次数时程序将停止训练,达到训练结束目标而未达到训练次数时程序亦将停止训练。本文选取的训练次数为200,训练结束目标的误差性能目标值为10-5。学习速率一般取值范围为0.01~0.8之间,本文选取0.4。

训练样本集的数量及其代表性对于神经网络模型的构建具有重要影响,也在一定程度上决定了所构建的网络模型的性能。神经网络应用于水质评价时,通常采用水质评价的分级标准作为训练样本,但是训练样本过少,从而影响网络效果。如果参与训练的学习样本数目少于网络的连接权值数,训练得到的神经网络模型虽对学习样本有很高的逼近精度,而对于非学习样本,则可能出现错误的反映。为了构建最优的BP网络模型,本文利用rand函数在地表水质量标准各等级间随机插值获取足够数量的训练样本,具体内插方式为采用Matlab的rand函数在各级评价标准内按随机均匀分布方式内插生成样本,小于一级标准生成10个,一、二级标准之间生成10个,二、三级标准之间生成10个,三、四级标准之间生成10个,四、五级标准之间生成10个,共50个训练样本。水质评价标准中规定有五个水质类别,在已有的水环境评价方法中通常采用整数值1,2,3,4,5 来表示五类水质级别。考虑到神经元的作用函数的值域,令目标输出T 为0.1,0.3,0.5,0.7,0.9。

2 结果与分析

采用50个训练样本对神经网络进行了训练,当训练步数为200时,得到训练样本的MSE(均方误差)为1.985×10-4。然后采用训练好的BP神经网络对长江南京断面的水质数据进行了评价,结果如表3所示。

评价结果表明, 2012年3月长江南京林山断面水质为Ⅱ-Ⅲ类,水环境质量较好;将人工神经网络的评价结果和环境保护部评价结果进行了对比,评价结果完全一致,此评价结果可信度高,能够反映长江林山断面水质基本信息,可以为该流域的地表水资源管理、保护高效利用的政策制定提供重要依据。

3 结束语

在水质评价中,各个影响指标与水质综合状况往往呈现出复杂的非线性关系,BP神经网络能通过学习找到客观规律,在水质评价中为处理这些非线性问题提供了较好的方法。

利用rand函数随机插值获取训练样本,既满足了网络的训练要求,又能较好地避免过去仅用评价标准作为训练样本带来的训练样本数少的问题。同时,利用rand函数随机插值获取的训练样本能够更加真实地反映各评价因子与水质等级之间复杂的非线性关系,对提高网络的泛化能力具有较为显著的效果。

应用构建的人工神经网络模型对长江林山断面的水质进行评价,并与环境保护部评价结果进行对比,发现二者完全一致,即构建的人工神经网络模型能够反映长江地表水水质基本信息,可更好地用于实际的地表水水质评价中。

人工神经网络是一个可以自组织、自学习、自适应并具有容错和抗干扰能力的非线性系统,通过学习训练可以建立各种输入和输出变量之间的映射关系,进而对实际系统进行评价。与其他方法相比,人工神经网络方法排除了设置各污染因子的权重和依赖经验公式等人为因素的影响,因而进行分类和模式识别的结果客观可靠。人工神经网络的学习样本参数和模式识别的分类等级可根据需要灵活选择,因此,该方法有较强的适应性。人工神经网络方法在环境质量评价的其他领域(如城市噪音、大气污染和城市综合环境等)有广阔的应用前景。

摘要：为了能够客观地对长江水质进行评价,在分析人工神经网络原理的基础上,通过对水质污染指标浓度生成样本的方法,生成了适用于人工神经网络模型训练的样本,并应用基于误差反向传播原理的前向多层神经网络,建立了用于长江水质评价的人工神经网络模型。将该模型用于长江水环境评价,通过模型的计算,得到长江水质类别。评价结果表明该模型设计合理、泛化能力强,对长江水质评价具有较好的客观性、通用性和实用性。

关键词：人工神经网络,水质,评价,长江

参考文献

[1]崔猛,汪海阁,李洪,等.基于BP神经网络的钻井复杂情况和事故诊断[J].信息技术,2012(10):62-65.

[2]赵庆河.一种电动车用锂电池剩余容量检测系统[J].信息技术,2012(6):205-207.

[3]王释,王宝生.基于SAGA-BP神经网络的证券智能分析系统研究[J].信息技术,2012(3):7-11.

[4]刘建,闫仁武.基于遗传优化RBF神经网络的声纹识别研究[J].信息技术,2012(5):168-170.

[5]秦峰.带白噪声的混沌神经网络的能量函数分析[J].信息技术,2012(2):63-67.

[6]李伟峰,毛劲乔.基于地理分区及神经网络的湖泊水库富营养化研究[J].环境科学,2011,32(11):3200-3206.

[7]周丰,郭怀成,刘永,等.基于多元统计分析和RBFNNs的水质评价方法[J].环境科学学报,2007,27(5):846-853.

水质模型 篇7

现有研究主要集中于对水质的监测以及对太湖水中各项指标的研究分析, 不能反映水质变化的实时动态和未来水质变化的趋势, 并且传统的预测模型的预测结果往往是精确值, 不能给出大致变化范围, 对数据的要求无法体现语言变量的模糊描述。本文将应用广泛的模糊时间序列模型和模糊逻辑系统相结合, 对太湖水质中的各项重要指标, 比如COD、DO、NH3H等, 根据其监测的历史数据建立对应的模糊时间序列预测模型, 根据模型预测的结果对日后水质的变化提供变化趋势的预测及提供水质监测的预警信号, 而政府相关管理部门可根据得到的结果及时采取相应的措施, 实施对应的应急预案, 为避免水质恶化, 出现大规模的水质污染提供一种新的预测方法。

1 改进模糊时间序列模型

根据相关概念, 建立基于改进模糊时间序列的水质预测模型, 所用原始数据来源于中国环境监测总站2013年水质周报, 共50组数据。

1.1 Step1:定义论域U

令Dmin和Dmmax为已知历史数据的最小和最大值, 定义论域U=[Dmin-D1, Dmmax+D2], 其中D1, D2为恰当的正常数。根据数据, Dmin=5.52, Dmmax=13.1, 从而定义论域U=[5.4, 13.2]。将论域U划分为13个等长的区间u1, …, u13, 其中, u1=[5.4, 6], …, u13=[12.6, 13.2]。

1.2 Step2:定义模糊集

每个语言变量Ai可通过区间u1, …, u13定义为如下形式:

1.3 Step3:模糊化观测值

每个观测值可以模糊化为一个模糊集合, 每个数据对应的模糊集合列表如表1所示。

1.4 Step4:确定模糊关系和模糊关系组

根据上面确定的模糊集, 可以得到如表2所示的模糊逻辑关系组。

1.5 Step 5:预测

1.6 Step 6:解模糊得到精确值

现将预测的结果列表如下。

从表3中可以看到, T2FTS模型的结果显著优于其他两个模型的结果, 与实际观测值更为贴近, 从相对误差的角度来看更是如此。相比于ARMA模型的繁杂的计算及大量的初始数据, T2FTS模型的计算更为简便。从图1中可以看到, 相比于其他两个模型, T2FTS模型预测的结果在大趋势上更贴近原始的观测值。

2 结论

本文利用模糊时间序列对语言变量的可描述性, 以Chen模型为基础, 依据模糊逻辑关系赋予权重矩阵, 利用模糊集合的专家经验和数据处理与一体的模糊关系给出改进的预测模型。该模型可动态描述未来水质变化的趋势, 预测结果精度更高。

摘要：环太湖地区的水质监测包括对太湖中蓝藻和微囊藻毒素的动态变化, 为以太湖为水源的生活饮用水安全性预警及政府部门科学决策提供科学依据尤为重要。利用模糊时间序列对语言变量的可描述性, 以Chen模型为基础, 利用模糊集合的专家经验和数据处理给出改进的预测模型。该模型可动态描述未来水质变化的趋势, 弥补传统模型仅有精确值而无动态演化的不足。

关键词：太湖水质,模糊时间序列,预测模型,模糊逻辑系统

参考文献

[1]安鸿志.时间序列分析[M].上海:华东师范大学出版社, 1992.

[2]王宏伟, 马广富.基于模糊模型的混沌时间序列预测[J].物理学报, 2004 (53) .

[3]F.M.Tseng, G.H.Tzeng.Fuzzy seasonal ARIMA model for forecasting.Fuzzy Sets and Systems, 2002 (126) .

[4]F.M.Tseng, G.H.Tzeng, H.C.Yu, et al.Fuzzy ARIMA model for forecasting the foreign exchange market.Fuzzy Sets and Systems, 2001 (118) .

[5]Huarng K H, Yu H K.Ratio-Based Lengths of Intervals to Improve Fuzzy Time Series Forecasting.IEEE Transactions on Systems, Man and Cybernetics, 2006 (36) .

水质模型 篇8

大伙房水库是以防洪、灌溉、供水为主, 兼并发电、水产养殖等的多功能水利枢纽工程。目前, 已成为抚顺、沈阳两市生活用水的主要水源地。随着环境的变迁, 水库水质、水生态及水库上游周边地区工、农、牧、种、养殖的发展和人类活动, 使水库水质、营养水平和水库内水生态系统发生了很大变化。这将严重影响本区域和辽宁中部城市群的社会、经济和环境发展, 因此建立一个能描述大伙房水库浮游植物生产力与相关水质变化过程的水质动力学模型对于研究和控制大伙房水库水体富营养化状态具有重要的理论和现实意义。

2 生态水质动力学模型的结构

模型是基于生态水动力学模型建模的一般方法建立的, 模型的基本方程采用的是形如方程 (2-1) 的生态水动力学模型的一般方程形式, 即具有源项的对流扩散方程[2]。方程中的某种物质的浓度Ci是最终求解的对象, 在本文建立的生态水质动力学模型中求解的浓度既包括生态变量 (浮游植物、悬浮碎屑) 也包括水质变量 (C B O D、D O) 以及介于两系统之间的营养盐变量 (氨氮、硝酸盐、磷酸盐) 。

虽然对流扩散方程是模型的主体, 但模型建立的关键与核心是源项部分。因为就模型建立的意义来讲是模拟和研究水库中生物与水质变化状况的, 这些变化的过程都是靠源项描述的。如式 (2-1) 所示, 本文中模型的源项部分考虑了生态系统相互作用、自沉降和外源输入三个部分, 其中外源输入作为已知输入、自沉降采用一般方程中与浓度成正比的形式, 生态系统相互作用作为一个子模型-生态系统动力学子模型单独研究。

P-浮游植物.A-氨氮.P1-磷酸盐.N-硝酸盐氮.NDET-悬浮碎屑氮.CBOD-有机物.PDET-悬浮碎屑磷.DO-溶解氧

2.1 生态系统动力学子模型的建立

考虑到本模型主要是研究生态系统对水质的影响, 在水库自身浮游动植物状况尚不清楚的状况下, 决定采用一种能完成水质模拟的比较简单的生态系统模型结构, 即:营养盐-自养浮游植物-碎屑 (NPD) 结构。这一简单结构再配以溶解氧、CBOD变化过程是大伙房水库生态水质动力学模型比较合适的选择, 使模拟过程更接近于实际过程。在本模型中对碎屑中的氮与磷进行了分别处理。模型中考虑浮游植物的生长受多因子控制, 同时根据历年的水质调查, 假设水质中硅酸盐的含量是充足的, 浮游植物的生长主要受到氮磷元素的限制[6]。因此本模型中的模型变量包括:浮游植物 (P) , 悬浮碎屑氮 (ND) , 悬浮碎屑磷 (PD) , 氨氮 (A) , 硝酸盐氮 (N) , 磷酸盐 (P1) , 有机碳 (CBOD) 以及溶解氧 (DO) 共8项变量, 对于模型中的浮游植物P未进行种类区分, 而是按均一变量处理。

本模型中只涉及了生态系统中比较低级的部分, 建立一个以浮游植物为核心的, 考虑光照、温度、营养盐为限制过程的生态系统, 考虑的主要过程可以参见模型框图2-1。

对生态系统进行综合分析, 得到相互作用项QCi的表达式以及参数列表2—1

3 生态水质动力学模型的求解

3.1 对流扩散方程主体的求解

将上文中建立的生态系统动力学子模型以及外源输入、自沉降项加入到对流扩散方程, 即得到生态水动力学模型的对流扩散主体方程3—1, 控制方程采用有限差分法与二维水动力模型同步离散求解。

其中, C为第i种物质的浓度, 分别代表P, ND, PD, A, N, P1, CBOD, DO为方程求解的目标;

H为总水深;S Ci为外源输入项;

QCi为各状态变量之间相互作用;

w Ci为沉降速度;

Dx x, Dx y, Dy x, Dy y分别为x, y方向的水平扩散系数。

在计算区域上布置交错网格, 用ADI—QUICK格式求解。ADI—QUICK格式兼有ADI法和QUICK法二者有点, 具有高阶精度, 不呈现短波震荡, 无明显的人工值耗散, 运算过程稳定且简便。

经整理, 得如下差分方程:

(1) .前半个时间步长

其中, αi, βi, γi和Z in为已知量, 上式可写成三对角方程, 用追赶法求解。

(2) .后半个时间步长

该格式稳定性条件为:

3.2 水动力学子模型的求解

连续方程:

动量方程:

ζ为表面水位;H为总水深;

φ为研究区域所处的纬度;ρα为大气密度;

Wx, Wy分别为风速在x, y方向上的分量;

Cs为柯西系数, ;n为糙率系数;E为扩散系数。

对方程组采用交替方向分步全隐式的A D I格式进行差分离散, 经整理, 得如下方程组:

(1) .前半个时间步长

(2) .后半个时间步长

该格式在时间和空间上都是二阶精度, 恒稳定, 对时间步长有限制, 该格式最大Courant数为:

4 模型的参数率定

5 结果与分析

本文采用1999年大伙房水库状态变量[5]的实际检测结果对模拟结果进行了验证, 见表5—1。

从计算结果来看, 全场计算水质较好, 溶解氧含量较高。从整体上看, 模型对CBOD与DO的模拟能力比其余6项更好, 丰水期的模拟结果比平水期的更好。造成模型变量模拟结果不甚理想的主要原因可能还是模型假设与实际情况有出入。从本模型建立的意义来讲, 主要是要以浮游植物为核心、以浮游植物生命活动为基本过程, 研究大伙房水库水体水质尤其是水体中溶解氧的变化过程, 应该说只考虑浮游植物而忽略浮游动物、微生物的生态系统虽然通过相互关系和参数的调整能使目标结果达到满意的值, 但这可能造成模型中的部分变量的意义与现实中物质的意义发生偏离。另外, 从空间假设上看, 本模型采用的是沿水深积分的平面二维模型, 没有耦合底层模型, 这在垂直稳定性较差的春秋季节可能造成一定误差。

6 结语

本文建立的生态水质动力学模型从生态机理模拟入手, 通过水动力学模型、水质模型和水质生态模型的耦合, 建立水体状态变量的描述与预测模型, 它既能考虑到水库水体的水动力学特性, 又可以考虑到水库水体中浮游植物和营养物质间的相互关系, 以及其间存在的一系列生物、化学和物理作用。研究表明, 该模型物理概念清晰, 数学推导严谨, 有较好的理论基础, 能从机理上分析水质成份各项间转化规律。该模型对C B O D与D O有较好的模拟, 而其他情况的模拟结果还不甚理想。这主要是由于可用于模型调试与验证的实测数据很少, 模型的进一步研究需要更大量的数据支持。

摘要：基于营养盐-浮游植物-碎屑 (NPD) 结构的生态系统模型, 结合表征水体中有机物质浓度的生物化学碳化氧需求 (CBOD) 变化过程和溶解氧 (DO) 变化过程, 建立了二维生态水质动力学模型[1][2]。该模型包括了两个子模型, 即水动力学子模型和生态系统动力学子模型。生态水质动力学模型的主体部分为有源项的对流扩散方程, 生态系统动力学子模型即为该对流扩散方程的生态源项, 为了求解生态水质动力学模型中的水动力因素, 该模型耦合了二维水动力学子模型, 应用有限差分法进行同步求解。

关键词：生态水质动力学模型,水动力学模型,生态系统动力学模型[3]

参考文献

[1]郭劲松, 李海胜, 龙腾跃.水质模型及其应用研究进展[J].重庆建筑大学学报.2002, 24 (2) :109-115.

[2]金士博W.水环境数学模型[M].北京, 高等教育出版社.1990.

[3]吴增茂, 余光耀.海洋生态系统动力学模型的基本特征及其研究进展[J].地球科学进展.1996, 11 (1) :13-18.

[4]谢平, 窦明, 夏军.南水北调中线不同调水方案下的汉江水华发生概率计算模型[J].水力学报, 2005, 36 (6) :1-7.

[5]宓永宁, 陈兴茹, 高宇等, 辽宁省水库氮、磷污染及富营养化研究[J].水利技术监督.2003, 2

水质模型 篇9

地下水是北方地区生活饮用水的重要来源之一。随着人类活动不断加强以及环境变化的影响, 地下水污染愈来愈严重。为了遏制地下水环境恶化的趋势, 新颁布的《环境影响评价技术导则·地下水环境》[1]。为地下水环境影响评价和地下水污染防治工作的规范化提供了技术支撑。

地下水水质预测是水环境规划、评价和管理工作的基础[2]。目前, 地下水水质预测方法一般可以分为三类:第一类是基于渗流理论和弥散理论的数值模型预测方法。该方法大多只考虑污染物在含水层中的物理过程, 或只考虑简单的化学反应过程, 通过对水文地质条件的概化, 建立相应的模型, 给定初始条件和边界条件, 采用模拟软件进行模型计算与预测[3,4]。第二类是基于水文地球化学的预测方法。这类方法通过研究地下水与含水层介质之间的水岩作用, 对地下水水质的演化进行预测[5]。第三类是基于数理统计的水质预测方法。该方法主要通过对已有资料进行统计分析, 从而建立预测模型, 预测未来短期内的变化和宏观演变趋势[6]。常用的方法有回归分析法[2]、神经网络模型[7~11]、指数平滑法[12,13]、灰色系统理论[14]、时间序列模型和频谱分析法等[15]。国内外关于地下水水质预测已有不少研究[16,17]。

指数平滑法已被广泛应用于商业、采矿业、水文学、环境科学等方面, 得到了很好的效果。本文采用Holt指数平滑模型, 以阿拉善腰坝绿洲地下水水质预测为例对各水质参数进行预测, 并将指数平滑模型预测结果与前人的灰色模型预测结果进行对比, 验证其在地下水水质预测方面的可行性与可靠性。

1 Holt指数平滑模型

指数平滑模型由于其结构简单、总体效果好等优点被广泛用应于商业、环境科学等领域[18]。Holt指数平滑模型由Holt于1957年提出[12]。它与一般指数平滑模型不同的是它对趋势数据直接进行平滑并对原时间数列进行预测[19]。Holt指数平滑模型假定所有已知数据对预测值均有影响, 近期数据对预测值的影响较大, 而远期数据对预测值的影响较小, 影响力呈几何级数减少。即有[12,20]:

式中:St和St-1分别表示利用前t期和前t-1期数据对第t期或第t-1期趋势的估计, Tt和Tt-1分别为利用前t期或前t-1期数据对趋势增量的估计, α和γ为平滑参数, 0≤α≤1, 0≤γ≤1, Xt为t时段的实际观测值, 为t+m期的预测值, m为预测外推期数。

采用Holt指数平滑模型进行预测, 最关键的是要确定模型初值和平滑参数。本文中, 选择已有时间序列资料的第一个值X1作为S0的初值, 而将T0设置为0。对于平滑参数的确定, 采用最小二乘法确定, 即:

设参数初值分别为α0, γ0, 参数真值为α, γ, 即有α=α0+Δα, γ=γ0+Δγ。根据零点定理, 欲使目标函数E达到最小, 则必有:

通过式 (5) 可以求出Δα和Δγ, 则通过迭代可以求出参数真值。即有:

式中:k为迭代次数, k=0, 1, 2, …。

2 地下水水质预测

2.1 资料来源

贺兰山西麓腰坝绿洲是一个以地下水为主要水源的井灌区, 地下水水质具有高度的时空变异性[21]。文中地下水主要水质指标引自参考文献[21]。水样取自贺兰山山前冲洪积平原单一潜水区, 该地区含水层主要由贺兰山冲洪积物组成, 从上到下均为粗颗粒沉积物, 孔隙大, 透水性强。水样于每年的开采期取自该地区三眼开采井T14、T15和T6, 然后经实验室化验, 取各个井点各预测指标的平均值, 作为该区预测的时间序列。本文对HCO3-、Cl-、SO42-和TDS四个指标进行预测, 并与灰色模型的预测结果进行对比。水质指标历年变化见表1。

2.2 水质预测

给定模型初值, 通过Excel以最小二乘理论为基础, 采用牛顿迭代法对平滑参数进行迭代求解, 并对水质进行预测。同时还计算了预测的绝对误差和相对误差, 结果见表2。表2中还列举了文献[21]采用灰色系统模型的预测结果及其绝对误差和相对误差, 以供对比。

2.3 结果分析与讨论

由表2中的预测结果可知, 采用Holt指数平滑模型对HCO3-、Cl-、SO42-和TDS进行预测, 得到了很好的预测效果, 4个指标的最大预测相对误差分别为1.820%、3.265%、6.352%和3.125%。一般预测误差低于10%则认为预测精度很高, 因此Holt指数平滑模型的预测结果已经达到较高精度。文献[21]采用的灰色模型也得到了很好的预测结果, HCO3-、Cl-、SO42-和TDS预测的最大相对误差分别为3.293%、4.999%、3.878%和4.043%, 但与本文中的预测结果相比, 总体仍稍显逊色。此外, 两种预测方法相比, Holt指数平滑模型由于受到初值设定的影响, 前几个时间段的预测精度不如灰色模型, 但随着预测时段的增加, Holt指数平滑模型的预测精度逐渐高于灰色模型预测精度。灰色模型预测精度随时段的增加呈现逐渐降低的趋势。可以推测, 在已有较长时间序列资料前提下, Holt指数平滑模型要比灰色模型预测精度高, 并且随着时间序列资料的加长, 预测精度逐渐得到提高。

将指标实测值、灰色模型预测值和Holt指数平滑模型预测值绘制成曲线, 见图1。由图1可见, 灰色模型和Holt指数平滑模型均较高精度地预测了各水质指标的变化情况, 但总体而言, Holt指数平滑模型预测精度要更高一些。随着预测时段的增加, Holt指数平滑模型预测精度逐渐高于灰色模型的预测精度。由图1还可以发现, 所预测的4个水质指标均基本呈指数模式增长, 表明地下水中这些指标的浓度逐年增大。利用Holt指数平滑模型预测了2006年HCO3-、Cl-、SO42-和TDS浓度值, 分别为198.260、77.290、114.850和508mg/L。与已有的前几年水质监测资料对比可知, 研究区地下水水质呈逐年恶化的趋势, 应查清地下水污染源及各污染源对地下水水质的影响程度, 以便采取有效措施, 遏制地下水水质进一步恶化。

3 结论

Holt指数平滑模型统一考虑了所有已有时间序列资料对预测值的影响, 提高了预测精度。与灰色模型相比, 由于受到初值的影响, 预测前期精度不如灰色模型, 随着预测时段的增加, 预测精度逐渐高于灰色模型。Holt指数平滑模型适用于已有较长时间序列资料前提下的预测。

研究区HCO3-、Cl-、SO42-和TDS浓度均呈指数形式逐年增加。通过Holt指数模型预测, 2006年HCO3-、Cl-、SO42-和TDS浓度值将分别达到198.260、77.290、114.850和508mg/L。研究区地下水水质呈逐年恶化的趋势, 应查清地下水污染源及各污染源对地下水水质的影响程度, 以便采取有效措施, 遏制地下水水质进一步恶化。

本文初步验证了Holt指数平滑模型在地下水水质预测中的适用性, 但仍存在一些问题需要解决, 如模型初值问题和模型适用范围问题。对于模型初值问题, 研究已经表明初值会对前期预测结果有一定影响, 但影响程度如何尚不清楚, 因此, 研究模型初值问题具有必要性。此外, 模型适用范围问题也是一个十分重要的研究课题。本文中各种指标基本呈指数模式逐渐增大, 对于呈其它形式变化的时间序列采用Holt指数平滑模型进行预测能否达到高精度的预测仍需进一步研究。

摘要：地下水水质预测是地下水污染防治研究工作的重要组成部分。本文介绍了Holt指数平滑模型的基本原理及平滑参数的确定方法, 在此基础上, 以阿拉善腰坝绿洲地下水水质预测为实例对地下水HCO-3、Cl-、SO2-4和TDS进行了预测, 并与灰色模型预测结果进行了对比。结果表明2006年HCO-3、Cl-、SO2-4和TDS浓度值将分别达到198.260、77.290、114.850和508mg/L。应查清地下水各种污染源及各污染源对地下水水质的影响程度, 以便采取有效措施, 遏制地下水水质进一步恶化。Holt指数平滑模型统一考虑了所有已有时间序列资料对预测值的影响, 提高了预测精度, 适用于已有较长时间序列资料前提下的预测。