7方正-基于机器学习的合流制管网排口溢流污染智慧控制.pdf

《7方正-基于机器学习的合流制管网排口溢流污染智慧控制.pdf》由会员分享，可在线阅读，更多相关《7方正-基于机器学习的合流制管网排口溢流污染智慧控制.pdf（36页珍藏版）》请在三个皮匠报告上搜索。

1、基于机器学习的合流制管网排口溢流污染智慧控制方正 教授，博导武汉大学土木建筑工程学院 研 究 背 景智慧调度决策方法案 例 研 究智慧水务平台开发20130101研究背景研究背景u 黑臭水体控源截污措施：海绵、分流改造、污水厂u 合流制、分流制是城市排水两种并存的排水体制，都有各自的优缺点、且都是合理的形式。u 合流制系统溢流污染成为城市水环境的重要污染源。u 改善溢流污染措施：扩建管道、增加截流能力、修建调蓄池等。u 增加截留能力，减少污水排放是关键4水体截污工程改造5排水系统实时控制技术通过优化排水系统中泵站、调蓄池和闸门等控制设施的操作，充分利用现有城市排水系统的调蓄能力，实现削减排水系

2、统溢流量、提升系统效能等目标。60272.智慧调度决策方法2.智慧调度决策方法v 雨洪模型（Infoworks、SWMM）评估方法 降雨模型与实际差异大 运行所需要时间长 下垫面参数复杂 无法达到实时预测效果 从实测数据中学习规律和模式 外部条件简化，计算速度快 实现实时预测功能v 基于机器学习的智慧模型利用给排水专业知识，分析径流的形成过程以及积水形成的原因结合计算机专业知识，建立人工神经网络黑箱模型白箱模型黑箱模型82.12.1神经网络介绍神经网络介绍人工神经网络与神经元组成的异常复杂的网络此大体相似，是个体单元互相连接而成，每个单元有数值量的输入和输出，形式可以为实数或线性组合函数。此方

3、法有很强的泛化能力和非线性映射能力，可以对信息量少的系统进行模型处理。BP神经网络，即反向传播神经网络，是由David 和Ronald 于1986年提出的一种多层前馈神经网络，BP神经网络结构主要包括输入层、隐藏层和输出层三个部分，它通过三个过程进行学习：前向传播、误差计算和反向传播。91.前馈过程前馈过程：输入数据在网络中前馈传递时，每一层的输出都作为下一层的输入。每个神经元的输出通过激活函数处理，以引入非线性因素，增加网络的表达能力。2.误差计算误差计算：在输出层，网络的实际输出与期望输出（标签）之间的差异通过损失函数计算，以评估当前网络性能。3.反向传播和权重更新反向传播和权重更新：反向

4、传播反向传播：从输出层开始，将误差信号逆向传播回网络中，途径每一层时计算该层每个神经元的误差信号。权重更新权重更新：根据误差信号和学习率，使用梯度下降法更新每个连接权重和偏置，以减小输出误差2.12.1神经网络介绍神经网络介绍102.22.2输入输出数据构输入输出数据构造造降雨量降雨量雨水蒸发量雨水蒸发量雨前干期雨前干期当前控制点水位当前控制点水位前一段时间每5min数据后一段时间控制点水位后一段时间控制点水位数据数据预测输入数据输出数据11使用测试集对神经网络模型的精度进行评估。数据集预处理数据集预处理数据集的生成数据集的生成BP神经网络模型BP神经网络模型的构建和训练的构建和训练模型评估模

5、型评估统一格式，统一序列数据时间单位，修复序列异常值以及空值。本文使用python3.7的pytorch2.0搭建神经网络的模型框架。用训练集对模型进行训练在使用如下公式将数据处理后，以8:2的比例划分为训练集和测试集。x?=?xmax(x)min(x)2.32.3模型训练过程模型训练过程12模型评估模型评估式中，式中，表示实测水位，表示实测水位，表示预测水位，表示预测水位，表示实测水位的均值。表示实测水位的均值。均方根误差（RMSE）RMSE=1n?i=1n(y?y?)?平均百分比误差(MPE)MPE=1n?i=1ny?y?y?平均相对误差（MAE）MAE=1n?i=1n|y?y?|纳什-苏

6、特克利夫系数(NSE)NSE=1-?i=1n?y?i=1n?y?2.42.41303143.13.1项目背景介绍以武汉市武昌区武泰闸北片作为研究对象，其现状用地以住宅和科研教育类型为主，建筑密度大，绿地相对较少，是一典型的老旧城区。武汉市属于亚热带季风气候地区，雨量充沛，多年平均降水量1269mm，降水主要集中在4月份至10月份。区域内整体地势较为平坦，局部低洼区集中在省人民医院、首义小区和紫阳湖。研究区域属于汤逊湖系统，处于巡司河流域上游，排水体制为截流式合流制系统，研究区域如图所示。截污干管15160303项目背景介绍紫阳湖控制点位于紫阳湖公园北面某