基于LSTM-GRU的污水水质预测模型研究

水质预测对水资源管理及水体保护至关重要,为提高污水水质预测模型准确率,考虑到水质参数是一个动态的时间序列,在研究RNN神经网络模型基础上,引入一种改进的长—短记忆网络结构（LSTM-GRU）来增加RNN的隐层,GRU和LSTM采用门结构代替标准RNN结构中的隐藏单元,可以选择性地记忆重要信息而忘记不重要信息,从而高效学习历史水质参数信息,使得预测结果更加精确。通过仿真分析,本文采用的LSTM-GRU模型与传统的污水水质参数预测模型相比,LSTM-GRU模型的泛化能力更强,预测精度更高,有效性及实用性更强。     

南京市短历时设计暴雨雨型研究

设计暴雨的确定是城市管网系统排水能力规划设计的重要基础。以南京市中心城区为研究区,首先应用暴雨强度公式分别计算历时60 min和120 min的不同重现期设计暴雨量,再基于1982-2015年降水资料利用年最大法选取得到年最大降雨序列,并计算综合雨峰系数,最后应用PilgrimCordery雨型和芝加哥雨型推求南京市中心城区历时60 min和120 min的设计暴雨过程,并对峰值大小、雨峰位置、雨峰出现时累计暴雨量进行对比分析。结果表明:历时60 min和历时120 min设计暴雨的雨峰分别处于整场降雨过程的1/2时间和前1/3时间;两种方法得到的雨峰值大小相当; PilgrimCordery雨型法计算的雨峰出现时累计暴雨量大于芝加哥雨型法;短历时设计暴雨雨型推荐选用芝加哥雨型。研究成果可为南京市中心城区地面积水风险评估与排水管网系统的规划和建设提供参考。