钱塘江口北岸超强台风潮水淹没数值模拟研究

钱塘江河口盐度的神经网络模拟XU Dan1, SUN Zhi-lin1, PAN De-lu1,2(1. Department of Hydraulic and Ocean Engineering, Zhejiang University, Hangzhou 310058, China; 2. The Second Institute of Oceanography, SOA, Hangzhou 310012, China) Neural network modeling of salinity in Qiantang EstuaryJournal of Zhejiang University(Science Edition), 2011,38(2):234-238: Saltwater intrusion may have serious impacts on drinking water sources in tidal estuaries. Reasonable predictions of the estuarine salinity may help to keep the drinking water sources safe and also to better controll the estuarine salinity by scheduling the discharge of reservoirs. A model is presented that based on the correlation between the non-linear time series of salinity and the forcing signals of freshwater input and tidal range. With the input data normalized, the model is trained with the first half data set, and then gives the hindcast of salinity of the second half. Then the output data isanti-normalized and the result matched well with themeasured data, which indicates that the ANN model is capable of simulating the salinity change in tidal estuaries.The model is also applied to simulate the variation of salinity responding to different discharges. The result shows that descending flow in the process of discharging water in reservoirs can better inhibit the invasion of salt water and reduce the harmful influence on drinking water sources in tidal estuaries more efficiently.?お?s: salinity; neural network; scaled conjugate gradient algorith; Qiantang Estuary0 引言盐水入侵对河口地区的正常取水和河口生态系统都会带来较大影响.受上游淡水径流、海域潮汐动力、风力风向、河口地形及人类活动等多种因素的影响，河口盐水入侵问题十分复杂，河口区盐度的空间分布及其随时间的变化与这些影响因素之间存在高度非线性的映射关系.由于缺乏系统的盐度数据等实测水文资料和大范围的河口水下地形，使得采用二、三维数值模式研究盐水入侵对河口饮用水源地和水环境的影响较为困难.因此，在较少种类的实测资料条件下，用一种相对简单的时间序列模式研究非线性映射关系下的盐水入侵变化对相关的工程建设具指导意义.人工神经网络是一种具有集体运算和自适应能力的非线性动力系统，已广泛应用于模式识别、信号处理、人工智能以及自动控制等多种领域，具有很好的解决不变量探测和抽象或概括类问题的能力.近年来人工神经网络在水资源和水利领域已有很多应用，如文献［1］利用神经网络预测夏威夷瓦胡岛上频发的洪水以及相应的水流水质变化.文献［2］把人工神经网络技术成功应用于印度洋上Cocos岛附近潮位变化的预测.文献［3］通过模糊神经网络的方法利用瑞士Birs河上4个水文站的已有数据对未测数据进行计算，结果显示计算所得的全部数据的时间序列在表现形式上与原有数据符合良好.文献［4］对神经网络的结构和权重进行优化处理并成功应用于水位的预测.文献［5］利用20世纪60年代密西西比河流域收集的桥梁壅水数据基于神经网络方法建立了一个新的桥梁壅水公式.文献［6］采用神经网络模型优化预测了比利时Zwalm河流域大型无脊椎动物种群的适宜栖息地.文献［7］利用数值模型结合人工神经网络的方法来快速评估英国Ribble河口的水质.文献［8］采用数值模拟和神经网络结合的方法研究德国Wadden海潮汐盆地的风浪变异.文献［9］使用神经网络模式预报了澳大利亚墨累河的盐度，认为这种预报模式极有前景.文献［10］通过神经网络的方法实现了对加洲萨克拉门托圣华金河三角洲地区的盐水入侵的预测.河口地区的盐水入侵最主要是由于受潮汐潮流的推动作用，因而作为典型强潮河口的钱塘江河口的盐水入侵在强潮的作用下就显得尤为明显，同时对于赖以依托该地区饮用水水源地取水的杭城饮水的影响也更为突出，2003年9月发生的咸潮更是十年一遇，造成杭州全城自来水告急.目前对钱塘江河口盐度的研究以对实测资料进行分析为主，或采用一维、二维数学模型，如文献［11］采用潮泛混合长度理论和一维数学模型计算了江水沿程含盐度变化；文献［12］利用考虑了斜压梯度影响的平面二维盐度方程模拟了钱塘江河口口门段及杭州湾的盐度分布.鉴于问题的严重性，采用各种模式对此类问题展开进一步的研究已显得极为重要.对于这样一个受诸多因素影响的复杂非线性动力系统，本文拟基于BP神经网络建立钱塘江强潮河口盐度的预测模型，并分析模型的可靠性.1 神经网络方法以模拟人脑感知和学习能力的感知器为基础发展起来的人工神经网络适用于许多领域的复杂问题，人工神经元作为人工神经网络的基本单元，是构成神经网络系统的简单过程.各神经元之间的连接强度即为权值，单个神经元按照一定的规则连接成网络并使各个权值再按一定规则变化，便构成了处理非线性动力系统的人工神经网络.图1 3层BP神经网络Fig.1 Three-layer BP neural network为有效实现输入与输出条件之间复杂的映射关系，可采用多层神经网络的结构.本文采用的3层神经网络结构如图1所示，这种网络结构带有1个输入层、2个带非线性转换函数的隐层和1个带线性转换函数的输出层，其中Xi（i＝1～n）代表输入变量，Yj（j＝1～m）和Zk（k＝1～p）代表隐层神经元的输出，Tl（l＝1～q）代表神经网络的输出.连接输入的权重矩阵Wij叫做输入权重，隐层间输出的权重矩阵Wjk和Wkl称为层权重.一个神经网络必须被训练到形成恰当的权重值以产生正确的输出结果.各层可分别表示为yj=f1∑ni=1wijxi+a0j，（1）zk=f2∑mj=1wjkyj+b0k，（2）tl=f3∑pk=1wklzk+c0l，?В?3）其中xi为输入层节点的值，yj和zk分别为第1隐层和第2隐层节点的值，tl为输出层节点的值，a0j、b0k、c0l为阈值.网络最先输入初始条件值和目标值，训练中网络会随机指定每个神经元的初始权重，然后把随机权重下得到的模型预测值与目标值进行比较，再调整权重以不断减小网络输出的预测值和目标值之间的均方差，直至均方差小于给定的期望值时网络训练即告完成.BP神经网络有多种优化算法能促进网络训练的收敛速度，梯度下降方法是最基本的训练方法，它通过不断调整权重大小使误差函数沿着梯度方向进行搜索，在减小误差的同时也使收敛速度加快.梯度下降法算法中第1次迭代沿着最陡梯度的下降方向进行搜索［9］：p(0)=－g(0)，（4）随后沿着当前的搜索方向进行最佳距离的线性搜索：x(k+1)=x(k)+αp(k)，（5）p(k)=－g(k)+β(k)p(k－1)，（6）式中x(k)表示第k次迭代各层之间的阈值向量，α为学习速率，在训练时为常数，一般默认取0.01，可通过改变训练参数进行设置.g(k)=E(k)x(k)表示第k次迭代的神经网络输出误差对各阈值的梯度向量.负号表示梯度的反方向，即梯度的最快速下降方向.p(k)表征第k+1次迭代的搜索方向，它由第k次迭代的梯度和搜索方向共同决定，β(k)则有多种计算方法.本文采用Moller改进的SCG算法(scaled conjugate gradient)［10］，β(k)按下式计算：β(k)=g(k+1)［g(k+1)－g(k)］－p(k)Tg(k)，（7）p(k+1)=－g(k)+β(k)p(k).（8）2 计算分析钱塘江是浙江省最大的河流系统，发源于安徽省休宁县大尖山岭北麓，向东北流贯浙江省北部至澉浦，经杭州湾注入东海，富春江水电站以下为河口区（见图2）.本文采用的七堡站日最大含氯度、富春江水电站日流量及澉浦潮差的观测数据，均在2004年实测资料中选取.将全年数据分为两组，1月5日至6月30日为数据1， 7月1日至12月25日为数据2（见图3）.其中数据1用于模型的训练，数据2则用来对模型进行后报验证.以上述富春江电站的日流量和澉浦日平均潮差作为本文神经网络系统中的输入，七堡站最大含氯度作为系统输出.模型中两隐层均采用双曲正切S形传输函数，输出层使用线性传输函数.由于各输入输出之间数据所属范围差别较大，直接使用观测数据时发现网络收敛缓慢甚至无法收敛，因此，为使程序运行时的收敛加快，使用prestd函数对输入数据进行归一化处理，输出数据利用poststd函数进行反归一处理.图2 计算区域Fig.2 Computation domain图3 模型训练数据1(a)和后报数据2(b)Fig.3 data 1 for model training(a) and data 2 for hindcasting(b)在模型训练阶段，根据上游富春江电站出流量和下游澉浦潮差的第1组数据输入，用ANN模型计算的七堡最大含氯度与实测值进行比较，在未达到理想的结果前不断调整模型中的权重参数，直到氯化物的模型预测值与实际观测值之间的均方误差减小到所设定的期望值.模型的权重参数确定后，再用第2组数据对模型进行验证.使用改进的变梯度BP算法――SCG算法在训练期间无需对每次迭代都进行方向搜索，但权重大小仍在随时修改.计算中通过在隐层中设置不同的节点数来检查模型的敏感性.隐层节点数的选择虽无明确的方法，但一般认为隐层节点数太少会使网络系统的容错性变差、识别未经学习的样本能力降低，而过多的隐层节点数又会导致网络系统的学习时间过长，因此本模型考虑在开始时放入较少的隐层节点数，根据训练情况再作相应的调整.设定模型训练步数为10 000步，期望训练精度0.001.令第1隐层节点数为5，第2隐层节点数为3，经多次训练得到的最小均方误差mse为0.055 6，最小平方和误差sse为9.894 1；保持第2隐层节点数为3，第2隐层节点数为10，经多次训练得到的均方误差mse最小为0.037 8，最小平方和误差sse为6.724 1；再使第1隐层节点数增加到16，在多次训练中得到的最小均方误差mse为0.028 6，最小平方和误差sse为5.085 2.此时保持第1隐层结点数16不变，把第2隐层节点数增加到7，发现在多次训练中得到的最小均方误差mse为0.001 4，最小平方和误差sse为0.248 8.在此基础上当第2隐层节点数增加到11时在多次训练中发现网络模型可以在第6 928步收敛于均方误差mse的0.001以下，此时平方和误差为0.178.可见隐层结点数在适当范围内的增加有利于网络的收敛.图4为第1隐层节点数为16，第2隐层节点数为11的设置下网络模型计算输出的日最大含氯度值与实际观测数据之间的比较.可以看出计算值与实测值符合良好，相关系数达0.982.图4 ANN模型的训练结果Fig.4 Results from ANN model training with data 1 把训练好的模型应用于后报并与数据2进行比较，后报输出值与实际观测数据之间的关系见图5，其相关系数为0.854.说明由神经网络模型得到的河口盐度与上游流量和下游潮差间的这种映射关系良好，能够合理地描述河口盐度变化的客观规律.根据盐度与两种参数之间的内在关系来模拟预测潮汐河口的盐度变化，对于因缺少水深、地形和流场等资料因而难以进行数值模型计算的河口来说，不失为模拟和预报盐度的一种有效手段，可为河口区受盐水入侵影响的饮用水源取水口等工程的规划、设计和运行管理提供快速的判断依据.图5 ANN模型后报与实测的比较Fig.5 Comparison of hindcasting from ANN model with the measured上游水电站下泄日径流量可人为控制，而下游潮差取决于月相变化和海域自然条件，因而对水源地盐水入侵的影响一般通过改变下泄径流量来加以调节.下面采用数值试验探讨上游径流量变化对水源地盐度的影响.由于潮汐变化具有显著的周期性，不同潮周期间潮位过程相近，计算时仍将潮差作为下游边界条件.使富春江水电站在04年下半年的日下泄流量分别按升序和降序排列，作为两种上游边界条件，分别记为条件1和条件2，利用神经网络模型进行数值试验，计算结果如图6所示.图6 不同流量的结果Fig.6 Results with different discharges由图可见，升序流量条件下计算得到的最大含氯度达5 060 mg•L-1，有98 d浓度超过250mg•L-1；而当流量以降序排列时，最大含氯度超过250 mg•L-1的天数仅为24 d，也小于实际情况下的31 d，最大浓度减小到2850mg•L-1.原因可能与本底含氯度、潮棱柱体积及水体交换率等有关.本底含氯度越高、潮棱柱体积越大、水体交换率越小，同径流量下含氯度越高，反之亦然.对于受盐水入侵影响的河口区，前期径流量较大，则河口段本底含氯度相对较小，这在一定程度上减轻了前期含氯度对后期的影响.而在前期径流量较小的情况下，本底含氯度大为增加，前期含氯度对后期的影响也大，需经较长时间的淡水稀释才能达到同样的抑咸效果.因此，采用水库泄水来抑制潮汐河口水源地咸水入侵，在泄水总量不变的条件下，按降序流量过程能更有效地减缓盐水入侵对水源地的影响.这对潮汐河口饮用水源地取水安全和水库泄水调度具有重要意义.3 结论含氯度是潮汐河口中表征水质盐水入侵程度的一个重要指标，本文利用SCG算法的神经网络模型模拟了钱塘江七堡的日最大含氯度变化.通过对输入数据的归一化处理，模拟过程效果理想.模型训练和后报的结果显示，考虑了上游流量和下游潮差影响建立的盐度神经网络模型可以获得令人满意的最大含氯度变化的时间序列.并且可根据含氯度与上游流量和下游潮差之间存在的映射关系来模拟潮汐河口盐度的变化.对于缺少水深、地形和流场等资料而难以进行数值模型计算的河口来说，建立相应的神经网络模型不失为模拟和预报盐度的一种有效手段，可为潮汐河口区取水口设置等受盐度变化影响较大的工程提供建设依据.通过对不同流量过程条件下日最大含氯度的模拟发现，采用水库泄水来抑制潮汐河口水源地咸水入侵，在泄水总量不变的条件下，按降序流量过程能更有效地控制并减小盐水入侵对水源地的影响.。

钱塘江河口洪水特性及动床数值预报模型摘要：在分析钱塘江河口水文、地形及洪水位实测资料的基础上，得到了钱塘江河口段潮汐、径流、河床三者的非线性关系对河口段的洪水位有显著影响的规律，以此为基础建立了洪水预报的一维动床数值预报模型。

模型复演了钱塘江河口一次典型的洪水位过程，并利用动床模型和定床模型的两种计算模式对各站洪水位进行了比较，两种模式计算得到的沿程洪水位可差0.3～2.0m，但动床模拟与实测过程十分吻合，表明在象钱塘江河口这样大冲大淤的洪水位预报中考虑动床冲淤过程是必要的。

关键词：钱塘江河口洪水特性动床模型0前言钱塘江河口是一个冲积性河口(图1)，洪冲潮淤，年内基本平衡。

每年汛期前4月份，如前期为枯水，江道淤高，汛期即使遭遇中小洪水，沿程洪水位也比常年高出甚多，即小流量高水位的现象在钱塘江河口非常多见，这一特点不同于其它河流，它给洪水预报提出了极高的要求。

对于河床易冲易淤的钱塘江河口，洪水位预报的难点主要有二，第一是由于钱塘江河口河床地形受径流丰枯多变，洪水预报前期地形数据难以准确获得，一般每年4月、7月、11月份施测三次地形，而洪水一般多发生在6月中旬至7月中旬的一个月内，如4月至6月中旬上游雨量偏多或偏少，钱塘江河口就会发生较大幅度的冲淤变化，如仍采用4月份的江道地形预报6月中旬以后发生的洪水过程，会带来很大的误差；第二是必须考虑洪水过程中河床的冲淤变化，原因在于钱塘江河口由细粉沙组成，床沙中值粒径在0.02～0.04mm，泥沙起动流速0.5～0.7m/s，极易起动，致使河床在洪水期变化较快，一般历时3～5天的洪水可将前期7个月淤积的泥沙搬运至河口段的下游。

这表明在钱塘江河口洪水预报中必须考虑河床的冲淤过程。

图1钱塘江河口示意图Fig.1 Sketch map of Qiantang Estuary洪水预报的主要任务是根据河段上游的已知流量过程，预测下游沿程重要城镇的流量、流速及水位过程。

钱塘江海塘防洪潮工程技术分析论文关于钱塘江海塘防洪潮工程技术分析论文摘要：钱塘江河口属于经济发达地区，这里人口密集、物资集聚，但也是灾害频发，防汛工程的重点区域。

本文以钱塘江海塘防洪潮河口治理工作为基础，简要讨论了其二道防汛备塘封闭保护及加固工程技术。

关键词：工程技术论文中图分类号：TV87文献标志码：A文章编号：1672-3872（2016）03-0076-02所谓备塘是在《海堤设计规范》中提到的二线海堤。

它已修建完成若干年，与临海前沿存在一定距离，是基于新设计标准所实施的海堤工程，即对原有海堤工程的二次改造。

本文所涉及的海塘防洪潮工程施工段包括了乔司三号大堤、海宁段备塘等。

1钱塘江海塘河口二道防汛备塘所存在的主要问题在调查钱塘江河口两岸所有备塘过程中，发现绝大部分河口段的二道防汛封闭线虽然已经存在备塘，其备塘也具备较好的基础条件，但是在构成有效二线塘防洪封闭线过程中，它的堤线封闭、堤顶高程与挡潮防渗功能都存在问题。

1.1二线备塘在闭合方面存在困难二线备塘为了防止洪潮入侵，都会在其上面形成防洪潮闭合线，这就是二线塘封闭线。

钱塘江河口的北岸与航运相关的码头及码头陆域虽然发展迅速，但是其周边开发区都多数紧靠临江二线备塘区域，道路与管线等基础设施建设存在较大矛盾，它严重影响了二线塘的封闭问题。

以乔司三号大堤为例，此堤横跨杭州下沙经济技术开发区与海宁境内，由于近年来杭州城建化速度的提升，乔司三号大堤批建项目随之增多，随之而来的就是大量的破堤，十分影响三号大堤的完整性。

像以南北走向为主的.11号大街南端至围垦街段，它长6.585km的堤段中就存在大量平毁缺口，道路断开现象，已经无法形成完整封闭线。

但该路堤段仍有较好的对抗潮水入侵阻隔作用，依然可以作为二线备塘保留备用。

1.2局部二线备塘堤顶高度严重不足按照《浙江省海塘工程技术规定》，备塘堤顶高程应该高于所设计高潮位的0.5m以上。

但实际上，像老沪杭公路的起伏较大，高程较低，堤顶高程仅为7.83～8.70m，高程严重不满足要求。

“圣帕”台风暴雨的中尺度诊断和数值模拟的开题报告一、论文题目“圣帕”台风暴雨的中尺度诊断和数值模拟二、研究背景及意义台风是一种破坏性极大的自然灾害，特别是在沿海地区对人类和物资造成的威胁更加严重。

台风的暴雨是其最严重的气象现象之一，可导致山洪、泥石流等其他灾害的发生。

近年来，台风暴雨对我国南方地区的农业、交通、水利等各方面造成的影响越来越大，因此对台风暴雨的研究具有重要的现实意义。

本课题研究的“圣帕”台风暴雨，是2012年8月在我国华南地区发生的一次强降水过程。

据统计，该次台风给广东、福建、江苏、浙江等地带来了严重的人员和财产损失，因此对其进行中尺度诊断和数值模拟，探究其形成和发展机制，对于提高我们的预测能力，为国家防御台风暴雨灾害做出应有的贡献。

三、研究内容和思路1. 对“圣帕”台风暴雨的气象资料、雷达资料、卫星资料进行分析，得出其整个过程的形成演变过程；2. 运用WRF模型，对“圣帕”台风暴雨进行数值模拟，并与实测资料进行对比分析；3. 分析模拟结果中的主要气象场，如风场、温度、湿度、降水等，探究其形成机制和作用；4. 分析模拟结果的误差，对模型进行评估和调整，提高模拟精度。

四、预期研究结果和创新点1. 对“圣帕”台风暴雨的形成、演变机制有更深层次的认识；2. 对WRF模型的改进和优化，提高模拟精度；3. 探究台风暴雨的物理过程和机理；4. 对台风暴雨预报，提高我们的预测能力。

五、可行性分析本课题所需的气象资料、雷达资料、卫星资料、WRF模型等都可以获取到，并且已经得到广泛应用。

通过对数据及模型的分析和建模，以及实际的气象观测分析，可以得到比较完整和准确的台风暴雨形成演变机制和物理过程的研究结果。

六、研究进度安排1. 第一、二周：了解“圣帕”台风暴雨的基本资料和研究现状；2. 第三至五周：收集、分析并整理实测数据和模拟资料；3. 第六、七周：运用WRF模型对“圣帕”台风暴雨进行数值模拟；4. 第八周：分析模拟结果，总结各气象场的变化特点，并结合实际情况进行解释；5. 第九周：准备论文，整理实验结果；6. 第十周：完成论文并进行修改。