摘要
污染源项反演是海域水质模型验证工作的主要难点之一.本文根据污染源项和监测点位的地理位置及空间分布将研究海域划分为若干单元,建立海域组合单元水质模型,并与基于人工神经网络的数据驱动模型有机结合,提出污染源浓度优化反演的新方法:通过多污染源项设计算例的水质模型计算,构建海域内部监测点污染物浓度响应集;以数据驱动模型建立监测点同污染源项之间浓度的非线性关系;将实测资料带入非线性关系中,获得多源项匹配关系,进行污染源浓度的优化反演研究.以渤海湾海域水质模型7个污染源浓度的优化反演为例,采用"孪生"试验验证反演新方法的可行性,结果表明该方法是有效的.
污染源项反演是海域水质模型验证工作的主要难点之一.本文根据污染源项和监测点位的地理位置及空间分布将研究海域划分为若干单元,建立海域组合单元水质模型,并与基于人工神经网络的数据驱动模型有机结合,提出污染源浓度优化反演的新方法:通过多污染源项设计算例的水质模型计算,构建海域内部监测点污染物浓度响应集;以数据驱动模型建立监测点同污染源项之间浓度的非线性关系;将实测资料带入非线性关系中,获得多源项匹配关系,进行污染源浓度的优化反演研究.以渤海湾海域水质模型7个污染源浓度的优化反演为例,采用"孪生"试验验证反演新方法的可行性,结果表明该方法是有效的.
出处
《应用基础与工程科学学报》
EI
CSCD
北大核心
2012年第S1期150-158,共9页
Journal of Basic Science and Engineering
基金
国家自然科学基金资助项目(51209110)
天津市科技兴海项目(KJXH2011-17)
大连理工大学海岸和近海工程国家重点实验室研究基金资助项目(LP1108)
中央级公益性科研院所基本科研业务费专项资金项目(TKS090204
TKS100217
KJFZJJ2011-01)
关键词
海域水质模型
组合单元
污染源浓度
优化反演
数据驱动模型
marine water quality model
integrated element
pollution source concentration
optimal inversion
data-driven model
