本发明涉及一种污水排放方法，特别是一种基于潮流变化的污水深海优化排放方法。
背景技术：
近年来，随着我国沿海经济的高速发展，一系列重大涉海工程频繁兴建，新增排污势必会对工程海域造成更大的生态环境压力。借助浪、潮和流具有极强的掺混输移能力，污水离岸深海排放因其较低的工程造价和运行费用渐已成为滨海地区污水排放优先考虑的工程措施。但目前的深海排放工程未能实现随复杂潮波运动而实时优化动态调节的机制，因此进入环境水体的污水并不能获得最佳的实时稀释效果。为此，迫切需要研究开发一种基于潮流变化的深海排放口污水优化排放方法，实时优化调整污水排放量，使污水在尽可能小的时空范围内高度稀释，以提升其初始稀释效果并最终达标排放。
技术实现要素：
本发明为解决公知技术中存在的技术问题而提供一种基于潮流变化的污水深海优化排放方法，采用该方法的污水排放量能够随复杂潮波运动进行实时优化调整，使污水在尽可能小的时空范围内高度稀释，以提升其初始稀释效果并最终达标排放。
本发明为解决公知技术中存在的技术问题所采取的技术方案是：一种基于潮流变化的污水深海优化排放方法，在污水排海扩散器上或邻近位置安装潮流监测设备；在排污控制系统中建立工程海域潮流变化区间中流速及与之对应的最优污水排放量间的响应关系：
(qmin,q1,…,qi,…,qn,qmax)＝f(umin,u1,…,ui,…,un,umax)
式中，(umin,u1,…,ui,…,un,umax)为工程海域潮流变化区间中的流速，通过收集工程及邻近海域潮流历史实测资料获得；(qmin,q1,…,qi,…,qn,qmax)为与区间中潮流流速对应的最优污水排放量；f是两者之间的响应关系；
排污控制系统接收潮流监测设备实时监测得到的污水排放口附近区域的潮流实测流速u′数据，并输入到响应关系中，获得针对潮流实测流速u′的实时最优污水排放量，并依据该实时最优污水排放量向污水泵发送污水排放量指令；
响应关系中的最优污水排放量采用模拟反算法计算获得，具体步骤如下：
1)建立模拟反算方法模型
1.1)采用排污口污染物扩散数学模型；
1.2)建立多目标函数
max.dd＝c0/c1(1)
min.ec＝0.0414×q+13.828(2)
max.oe＝oe(3)
式(1)中，dd为污染物稀释度；c0为射流水体中污染物浓度值；c1为环境水体中某点处污染物浓度值；ec为能源消耗值；q为泵污水排放量，q＝m×v×s，m为喷口个数，v为排放速率，s为喷口断面面积；oe为污水排放效率；
1.3)采用遗传算法模型
1.3.1)采用进化计算算子
1.3.2)采用交叉计算算子
1.3.3)采用变异计算算子
2)初始设置
2.1)将污水排放量作为最优化过程的控制变量，并采用实数编码形式；
2.2)设定控制变量取值范围，并以此作为遗传算法种群取值的约束条件；
3)针对n+2个潮流流速中的每个潮流流速均按照以下步骤进行最优污水排放量的模拟反算，即可获得针对n+2个潮流流速的n+2个最优污水排放量
3.1)针对每一个潮流流速，在控制变量取值范围内随机选取r个数值，得到r条染色体，构成该潮流流速条件下的最优污水排放量可能解的种群(r)；
3.2)以每一条染色体为数值算例，采用排污口污染物扩散数学模型进行r次计算，并同时输出和存储计算水域内部观测点的r个污染物浓度结果；
3.3)以最佳污水稀释效果、最低能源消耗和最优污水排放效率为目标，采用步骤1.2)建立的多目标函数进行染色体评价；
3.4)在满足最大世代数目标时，跳出程序并输出最佳染色体即最优污水排放量；若不满足最大世代数目标，则采用步骤1.3)中的遗传算法模型进行遗传计算；
3.5)通过遗传计算，更新步骤3.1)中被选择的染色体，并获得全新种群，按照步骤(3.2)-(3.4)进行重复计算，直到输出最佳染色体即最优污水排放量为止。
所述响应关系的建立方法采用以下步骤：
1)建立数据驱动的人工神经网络bp算法模型，人工神经网络bp算法模型中非线性转换函数采用双曲型sigmoid函数，如式(9)所示：
f(x)＝1/1+e-x+θ(9)
式中θ表示阀值；
人工神经网络bp算法模型中采用均方根误差(rmse)评价网络的预测能力，如式(10)所示：
式中a为数据个数；yi为实测值；y′i为预测值；
人工神经网络bp算法模型中所有数据的归一化处理采用式(11)：
其中：
2)初始化网络权重，结合n+2个潮流流速和与之对应的最优污水排放量设定网络架构，并设置人工神经网络bp算法模型的基本参数；
3)将n+2个潮流流速数据作为人工神经网络bp算法模型的输入，对应地将n+2个最优污水排放量作为人工神经网络bp算法模型的输出，代入到人工神经网络模型中进行训练学习，计算均方根误差；
4)在满足均方根误差(rmse)误差要求时，跳出程序建立响应关系；若不满足均方根误差(rmse)误差要求，则进入后续计算；
5)以均方根误差为依据，逆向调整网络权重后，再按照步骤2)-4)进行重复计算，直到建立响应关系为止。
本发明具有的优点和积极效果是：通过以最佳污水稀释效果、最低能源消耗和最优污水排放效率为目标，建立工程海域潮流变化区间中流速及与之对应的最优污水排放量间的响应关系，应用该响应关系，以实测潮流流速为依据，实时优化调整污水深海排放量，使污水在尽可能小的时空范围内高度稀释，以提升其初始稀释效果并最终达标排放，能够提升污水深海排放的管理水平，维护海域环境生态质量水平，对于工程及邻近海域环境生态质量具有一定的保护作用和实际意义。并且本发明还具有成本低、经济性好、不需要大量工程建设费用、现有工程融合度高和环境生态效益显著的特点。
附图说明
图1为应用本发明的污水深海排放系统示意图。
图中：1、污水泵站；2、排污控制系统；3、污水泵；4、排污管道；5、污水排海扩散器；6、潮流监测设备。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：
请参阅图1，一种污水深海排放系统，在污水泵站1内设有排污控制系统2和污水泵3，在污水泵3上连接有排污管道4，排污管道4的排放段位于海平面7m以下，在排污管道4的排放段上设有多个污水排海扩散器5，在污水排海扩散器5上设有喷口，喷口水平设置。
上述排放系统采用基于潮流变化的污水深海优化排放方法，以区域潮流为基础，以污水深海排海口区域潮流监测为依据，以陆上污水泵站中的排污控制系统为主要工具，排污控制系统2实时计算最优污水排放量，并向污水泵3发送工作指令，控制污水泵的工作效率，具体措施为：在污水排海扩散器5上或邻近位置安装潮流监测设备6；在排污控制系统2中建立工程海域潮流变化区间中流速及与之对应的最优污水排放量间的响应关系：
(qmin,q1,…,qi,…,qn,qmax)＝f(umin,u1,…,ui,…,un,umax)
式中，(umin,u1,…,ui,…,un,umax)为工程海域潮流变化区间中的流速，通过收集工程及邻近海域潮流历史实测资料获得；(qmin,q1,…,qi,…,qn,qmax)为与区间中潮流流速对应的最优污水排放量；f是两者之间的响应关系。
排污控制系统2接收潮流监测设备6实时监测得到的污水排放口附近区域的潮流实测流速u′数据，并输入到上述响应关系中，获得针对潮流实测流速u′的实时最优污水排放量，并依据该实时最优污水排放量向污水泵3发送污水排放量指令。
在安装潮流监测设备6之前，需要收集工程及邻近海域潮流历史实测资料，结合工程海域潮流动力数值模拟技术，分析掌握工程海域潮流类型、流场分布等基本特征，并提取潮流流速最大值与最小值，确定工程海域潮流变化区间及相关位置信息。根据工程海域潮流类型、流场分布等基本特征及潮流流速最大值与最小值相关位置信息，依据区域代表性强、施工简易、稳定可靠等基本原则，在污水排海扩散器上或邻近位置，选取合适点位，作为潮流监测点位，将潮流监测设备6安装在潮流监测点位上。
上述响应关系中的最优污水排放量采用模拟反算法计算获得，具体步骤如下：
1)建立模拟反算方法模型
1.1)采用排污口污染物扩散数学模型，请参考以下两篇文献，一)周丰，梁书秀，孙昭晨.动水环境中射流喷角对射流特性影响数值模拟[j].大连理工大学学报,2007,47(4):583-588.二)limc,siq,liangsx,etal.multipleobjectivesforgeneticallyoptimizedcoupledinversionmethodforjetmodelsinflowingambientfluid[j].engineeringapplicationsofcomputationalfluidmechanics,2014,8(1):82-90。
1.2)建立多目标函数
max.dd＝c0/c1(1)
min.ec＝0.0414×q+13.828(2)
max.oe＝oe(3)
式(1)中，dd为污染物稀释度；c0为射流水体中污染物浓度值；c1为环境水体中某点处污染物浓度值；ec为能源消耗值；q为泵污水排放量，q＝m×v×s，m为喷口个数，v为排放速率，s为喷口断面面积；oe为污水排放效率，对于实际工程者而言，效率越高越好；式(2)根据德国ksb公司k400-500型卧式污水泵在不同运行模式下的流量与能耗，采用最小二乘法拟合获得。
1.3)采用遗传算法模型
遗传算法应用现有技术，包括三个计算部分，分别为进化、交叉和变异，具体讲遗传算法模型包括：
1.3.1)采用进化计算算子
1.3.2)采用交叉计算算子
1.3.3)采用变异计算算子
遗传算法包括：进化计算(轮盘赌选择)、交叉计算(如式(4)和式(5)所示)和变异计算(如式(6)-式(8)所示)。
os1＝ω×pa1+(1-ω)×pa2(4)
os2＝ω×pa2+(1-ω)×pa1(5)
式(4)和式(5)中，ω为–0.25至1.25间的随机参数；os和pa分别代表子代和父代；1和2是子代和父代的标记；
变异计算：
x＝x'+δ(t,y)(6)
式(6)和式(7)中，x为变异基因,x'为初始基因，t为当前世代数,t为最大世代数，r为0-1之间的随机数，b为系统参数。参数y按照式(8)取值，ld为基因最小值，ud为基因最大值，i是分别取0或1的随机数。
2)初始设置
2.1)将污水排放量作为最优化过程的控制变量，并采用实数编码形式。
2.2)设定控制变量取值范围，并以此作为遗传算法种群取值的约束条件。
3)针对n+2个潮流流速中的每个潮流流速均按照以下步骤进行最优污水排放量的模拟反算，即可获得针对n+2个潮流流速的n+2个最优污水排放量，具体步骤为：
3.1)针对每一个潮流流速，在控制变量取值范围内随机选取r个数值，得到r条染色体，构成该潮流流速条件下的最优污水排放量可能解的种群(r)。
3.2)以每一条染色体为数值算例，采用排污口污染物扩散数学模型进行r次计算，并同时输出和存储计算水域内部观测点的r个污染物浓度结果。
3.3)以最佳污水稀释效果、最低能源消耗和最优污水排放效率为目标，采用步骤1.2)建立的多目标函数进行染色体评价。
3.4)在满足最大世代数目标时，跳出程序并输出最佳染色体即最优污水排放量；若不满足最大世代数目标，则采用步骤1.3)中的遗传算法模型进行遗传计算。
3.5)通过遗传计算，更新步骤3.1)中被选择的染色体，并获得全新种群，按照步骤(3.2)-(3.4)进行重复计算，直到输出最佳染色体即最优污水排放量为止。
上述模拟反算法将排污口污染物扩散数学模型(亦称为射流模型)和运行能源消耗公式嵌入到遗传算法模型中，以最佳污水稀释效果、最低能源消耗和最佳排放效率为目标，进行最优污水排放量模拟反算的耦合方法模型，采用排污口污染物扩散数学模型进行各染色体的计算并输出计算水域内部观测点污染物浓度数据；采用多目标函数计算分析各个染色体的稀释度、污水输送能源消耗和排放效率；以模型设定的最大世代数为判断条件，满足条件即跳出计算程序，不满足则进入遗传计算；遗传计算以进化、交叉和变异三项遗传计算算子调整染色体，形成全新的种群，再代入排污口污染物扩散数学模型，进行下一世代的计算。
上述响应关系的建立方法采用以下步骤：
1)建立数据驱动的人工神经网络bp算法模型，人工神经网络bp算法模型中非线性转换函数采用双曲型sigmoid函数，如式(9)所示：
f(x)＝1/1+e-x+θ(9)
式中θ表示阀值；
人工神经网络bp算法模型中采用均方根误差(rmse)评价网络的预测能力，如式(10)所示：
式中a为数据个数；yi为实测值；yi'为预测值。
人工神经网络bp算法模型中所有数据的归一化处理采用式(11)：
其中：
2)初始化网络权重，结合n+2个潮流流速和与之对应的最优污水排放量设定网络架构，并设置人工神经网络bp算法模型的基本参数。基本参数的确定可参考文献：李明昌,张光玉,司琦,等.基于数据驱动与遗传计算的海域组合单元水质模型多参数分步耦合优化反演方法研究[j].数学的实践与认识,2015,45(12):167-175。
3)将n+2个潮流流速数据作为人工神经网络bp算法模型的输入，对应地将n+2个最优污水排放量作为人工神经网络bp算法模型的输出，代入到人工神经网络模型中进行训练学习，计算均方根误差。
4)在满足均方根误差(rmse)误差要求时，跳出程序建立响应关系；若不满足均方根误差(rmse)误差要求，则进入后续计算。
5)以均方根误差为依据，逆向调整网络权重后，再按照步骤2)-4)进行重复计算，直到建立响应关系为止。
上述响应关系建立方法的优势在于，采用数据驱动模型-人工神经网络bp算法，可以在对系统物理知识知之甚少的基础上，仅以系统状态变量和控制变量作为模型输入、输出，并分析系统数据的特点，即可建立系统变量之间的响应关系。
尽管上面结合附图对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围的情况下，还可以做出很多形式，这些均属于本发明的保护范围之内。