一种耦合SWMM计算的参数自动率定算法及实现

基于动态参数调整策略和改变新和声向量产生机制,提出了一种改进的和声搜索算法,用于SWMM参数自动率定计算。通过扩展SWMM原始动态链接库的应用程序接口函数,并在MTLAB平台编程耦合SWMM与改进的和声搜索算法,实现了SWMM参数的自动率定和模拟计算。最后以重庆某小区为研究对象,用一场降雨实测数据进行模型参数自动率定和模拟计算,得到纳什系数为0.969,峰值流量相对百分误差为4.91%;用另两场降雨实测数据进行验证,得到纳什系数分别为0.834和0.91,峰值流量相对百分误差分别为9.31%和9.95%,表明该模型参数自动率定算法的准确性和稳定性。

基于PySWMM的SWMM参数自动率定研究

针对SWMM原始动态链接库缺乏相关应用接口函数和优化模块无法进行参数自动率定的问题,提出了一种基于PySWMM并耦合遗传算法的SWMM参数自动率定模型,并以重庆悦来新城为研究对象,选取36场独立降雨事件对SWMM进行校准和评估。结果表明,雨型特征对模型的模拟性能有较大影响;校准后的模型对不同雨型的降雨过程均有良好的适应能力,决定系数R~2达到了0.79以上,对发生频率较高的单峰靠前(Ⅰ型)降雨事件的模拟效果最好,其纳什效率系数(NSE)值达到0.90,峰值相对误差(PE)仅为-0.07。

基于DM-LSTM的城市降雨径流预测研究

智慧水务背景下,如何基于人工智能理论与技术深化城市降雨径流模型研究,是一项值得探索的课题。由于城市降雨径流时间分辨率高且样本特征分布不具有规律性,直接采用长短期记忆(LSTM)模型进行预测面临着挑战。基于此,提出用数据挖掘(DM)算法及规则对城市降雨径流时序数据集进行聚类和重构,并基于深度学习算法对LSTM模型的结构和参数进行优化,构建了DM-LSTM耦合模型,并用于研究区域的降雨径流模拟。结果表明,对于各类降雨事件,与LSTM模型相比,DM-LSTM耦合模型的均方根误差(RMSE)降低了2.1%~41.9%,纳什效率系数(NSE)提高了0.4%~56.4%,决定系数(R^(2))提高了0.3%~65.6%。DM-LSTM耦合模型不仅对各类降雨事件均表现出更好的预测性,而且模型运行时间仅为2.044 s,能够很好地满足城市降雨径流预测对实时性、准确性和稳定性的需求。