1.一种考虑排水管道淤积的城市内涝智能预测方法,其特征在于:包括以下步骤:步骤S1,采用曼宁方程模拟管道内的恒定均匀流,实现沿程摩阻的数值率定;
步骤S2,结合动量矩守恒方法和一维圣维南方程和步骤S1中的沿程摩阻,构建考虑管道淤积的地下管网水流动力学控制方程;
步骤S3,采用步骤S2中的一维圣维南方程和基于栅格坐标的水力分析方法,构建二维地表水流动力学控制方程;
步骤S4,利用步骤S2中的地下管网水流动力学控制方程和步骤S3中的二维地表水流动力学控制方程,构建考虑管道淤积的地下管网和二维地表耦合内涝数值模拟模型;
步骤S5,利用应用区的暴雨-积水监测数据,对步骤S4中所构建的考虑管道淤积的地下管网和二维地表耦合内涝数值模拟模型进行模型率定及验证;
步骤S6,构建暴雨事件数据集,基于应用区的记录降雨数据构建步骤S5中考虑管道淤积的地下管网和二维地表耦合内涝数值模拟模型的暴雨强度公式,构建不同降雨类型和不同重现期的暴雨事件数据集;
步骤S7,将步骤S6构建的不同降雨类型和不同重现期的暴雨事件数据集,输入到步骤S4中考虑管道淤积的地下管网和二维地表耦合内涝数值模拟模型中,模拟不同暴雨事件下应用区的内涝淹没动态演进情景,构建管道淤积情景下包含降雨时间序列和淹时间序列的“暴雨-内涝”数据库;
步骤S8,对步骤S7所构建的“暴雨-内涝”数据库进行归一化处理,并划分训练集、验证集和测试集;
步骤S9,构建融合改进的卷积神经网络、双向长短期记忆神经网络和贝叶斯优化的城市内涝智能预测模型,以步骤S7中“暴雨-内涝”数据库的降雨时间序列作为预测模型的输入,淹没时间序列作为预测模型的输出,利用步骤S8中“暴雨-内涝”数据库归一化处理后的训练集、验证集对城市内涝智能预测模型进行训练和参数优化;
步骤S10,以步骤S8中“暴雨-内涝”数据库归一化处理后的测试集中的降雨时间序列作为输入,利用步骤S9中的城市内涝智能预测模型实现管道淤积情景下的城市内涝智能预测;
步骤S1,采用曼宁方程模拟管道内的恒定均匀流,实现沿程摩阻的数值率定;具体如下:利用曼宁方程模拟管道内的恒定均匀流,得到沿程摩阻的表达式如下:(1);
其中,Sf为沿程摩阻,n为曼宁粗糙系数,R为过水断面的水力半径,U为管道内部水流的平均流速,Q(t)为时间t管道的入口/出口瞬时流量,A为管道过水断面的面积;
步骤S2,结合动量矩守恒方法和一维圣维南方程和步骤S1中的沿程摩阻,构建考虑管道淤积的地下管网水流动力学控制方程;具体如下:步骤S21,结合一维圣维南方程、步骤S1中的沿程摩阻和管道水动力学经验公式,构建排水管道水流的一维控制方程如下:(2);
其中,Z表示排水管道水位高度,t表示时间,表示波速,为重力加速度,A为管道过水断面面积,Q(t)为时间t管道的入口/出口瞬时流量,x表示空间坐标,表示旁侧入流,为单元长度上的局部水头损失;
步骤S22,采用动量矩守恒方法和步骤S21中构建的排水管道水流的一维控制方程,构建考虑管道淤积的地下管网水流动力学控制方程如下:(3);
其中,为含沙水流密度,Q(t)为时间t管道的入口/出口瞬时流量,表示无限小的时间间隔,和分别表示非淤积和淤积管段中流固耦合的摩擦阻力,表示从排水管道入口a排水管道出口b的排水管道总长度,代表排水管道淤积的长度,为非淤积管段水流动能转换效率系数,代表排水管道淤积的厚度,表示水流从排水管道入口a运动到排水管道出口b所需的时间,和分别表示t时刻由流量计测量得到的排水管道入口a和排水管道出口b的实际流量,为管道与水平线的夹角;
步骤S3,采用步骤S2中的一维圣维南方程和基于栅格坐标的水力分析方法,构建二维地表水流动力学控制方程;具体如下:步骤S31,建立X轴和Y轴二维坐标系,更新二维坐标系中水流流动的时间步长 设置为:(4);
其中,表示模糊惩罚系数,为栅格单元宽度,表示栅格单元的平均水深;
步骤S32,利用步骤S31中的二维坐标系中水流流动的时间步长,构建二维坐标系中栅格单元流量的计算方法如下:(5);
其中,表示二维坐标系中栅格单元流量,q表示栅格单元内的瞬时降雨量,表示地面标高,h表示栅格单元平均水深,为单位宽度栅格单元内的水面平均高程;
步骤S33,利用步骤S31中的二维坐标系中水流流动的时间步长和步骤S32中的二维坐标系中栅格单元流量的计算方法,对二维坐标系中栅格单元的平均水深进行更新:(6);
其中,表示在时间步长内二维坐标i和j位置的栅格单元平均水深变化量,为栅格单元面积,表示二维坐标i-1和j位置沿X轴的流量,表示二维坐标i和j位置沿X轴的流量,表示二维坐标i和j-1位置沿Y轴的流量,表示二维坐标i和j位置沿Y轴的流量。
2.根据权利要求1所述的一种考虑排水管道淤积的城市内涝智能预测方法,其特征在于,步骤S4,利用步骤S2中的地下管网水流动力学控制方程和步骤S3中的二维地表水流动力学控制方程,构建考虑管道淤积的地下管网和二维地表耦合内涝数值模拟模型;具体如下:步骤S41,将步骤S2中的地下管网水流动力学控制方程和步骤S3中的二维地表水流动力学控制方程,嵌入暴雨洪水管理模型中,得到改进的暴雨洪水管理模型;
步骤S42,建立管道淤积情景下地下一维管网和二维地表间的流量交换方程:(7);
(8);
(9);
其中,为交换流量,为孔口流量系数,为检查井井室面积,为管道内压力水头,为地表漫流水头,为堰口流量系数,为检查井井口周长,为地面标高;
步骤S43,将步骤S41中改进的暴雨洪水管理模型与步骤S42中的管道淤积情景下地下一维管网和二维地表间的流量交换方程进行耦合,其耦合时间步长设置为改进的暴雨洪水管理模型的计算时间步长,进而得到考虑管道淤积的地下管网和二维地表耦合内涝数值模拟模型。
3.根据权利要求1所述的一种考虑排水管道淤积的城市内涝智能预测方法,其特征在于,步骤S5,利用应用区的暴雨-积水监测数据,对步骤S4中所构建的考虑管道淤积的地下管网和二维地表耦合内涝数值模拟模型进行模型率定及验证;具体如下:步骤S51,将排水管道淤积程度划分为五个等级,并采用足尺试验场测定各等级条件下的地表下渗率相关配置参数;排水管道淤积程度的五个等级划分方式如下所示:(10);
(11);
其中,表示管道淤积指数,表示管道直径,表示从排水管道入口a排水管道出口b的排水管道总长度,代表排水管道淤积的长度,表示管道淤积厚度, r为管道淤积程度的等级取值;
利用入渗曲线的经验公式和土壤入渗实验率定稳定入渗率和初始入渗率的经验参数,构建霍顿渗透模型;
步骤S52,在步骤S51中管道淤积划分等级和霍顿渗透模型的基础上,构建考虑管道淤积影响的透水下垫面入渗率计算模型如下所示:(12);
其中,表示时间t时透水下垫面的地表下渗率,表示透水下垫面地表的稳定下渗率,为管道淤积程度的等级取值为r时的瞬时地表下渗系数,表示透水下垫面地表的初始下渗率,为自然对数的底数,为管道淤积等级r时透水下垫面的地表下渗衰减系数,表示透水下垫面地表的等效下渗率。
4.根据权利要求1所述的一种考虑排水管道淤积的城市内涝智能预测方法,其特征在于,步骤S6中构建的暴雨事件数据集,包括:暴雨事件的不同降雨类型包括均匀型、单峰型、双峰型、多峰型和峰值系数为0.3、0.5、0.7的芝加哥雨型,暴雨的重现期分别为1年、2年、5年、10年、20年、30年和50年。
5.根据权利要求1所述的一种考虑排水管道淤积的城市内涝智能预测方法,其特征在于,步骤S9中构建融合改进的卷积神经网络、双向长短期记忆神经网络和贝叶斯优化的城市内涝智能预测模型, 具体为:步骤S91,改进的卷积神经网络提取输入数据集的空间特征,包含、、和四种不同的卷积核,实现空间尺度的内涝响应规律的多特征提取;
步骤S92,双向长短记忆神经网络的损失函数中引入考虑管道淤积的流量交换控制方程,并得到理论引导的损失函数误差修正,其结构式如下:(13);
(14);
其中,为流量交换控制方程的均方误差,代表研究区域内的排水管道总数量,、和分别表示流量交换控制方程中三种不同情景的管道数量,为理论引导误差修正后的损失函数,代表双向长短期记忆神经网络原始输出数据的均方误差,、分别表示流量交换控制方程的均方误差和原始输出数据的均方误差的权重系数;
步骤S93,贝叶斯优化即进行超参数寻优,其优化目标方程如下:(15);
其中,表示使损失函数取值最小的超参数,表示超参数的当前取值,为改进的卷积神经网络和双向长短记忆神经网络中待优化的损失函数,是超参数的定义域。
6.根据权利要求5所述的一种考虑排水管道淤积的城市内涝智能预测方法,其特征在于,步骤S9中贝叶斯优化的优化过程主要涉及以下三部分内容:(1)目标函数:研究中改进的卷积神经网络和双向长短记忆神经网络的待优化超参数在验证集上的损失函数;
(2)域空间:需要进行空间搜索的超参数的实际可取值范围;
(3)优化算法:贝叶斯优化算法包括概率代理模型和采集函数;其中,概率代理模型指代由超参数主导的损失函数概率分布;采集函数采用置信区间上界函数。