基于BP神经网络的长江口深水航道回淤量预测_王淑楠.pdf

第 54 卷 第 2 期2 0 2 3 年 2 月人民长江YangtzeiverVol 54，No 2Feb，2023收稿日期:2022 01 21基金项目:上海市科学技术委员会科研计划项目(21DZ1201700，21DZ1201002);国家重点研发计划项目“长江口水沙变化与重大工程安全”(2017YFC0405400);长江科学院开放研究基金资助项目(CKWV2012304/KY)作者简介:王淑楠，女，硕士研究生，研究方向为港口、近岸与海洋工程水动力学。E mail:932413834 qq com通信作者:顾峰峰，男，副研究员，博士，主要从事河口海岸水沙数值模拟研究。E mail:gffecsrc aliyun com文章编号:1001 4179(2023)02 0206 08引用本文:王淑楠，顾峰峰，李俊花，等 基于 BP 神经网络的长江口深水航道回淤量预测 J 人民长江，2023，54(2):206 213基于 BP 神经网络的长江口深水航道回淤量预测王 淑 楠1，顾 峰 峰2，李 俊 花1，赵 德 招3(1 上海海事大学 海洋科学与工程学院，上海 201306;2 上海河口海岸科学研究中心 河口海岸交通行业重点实验室，上海 201201;3 交通运输部长江口航道管理局，上海 200003)摘要:长江口 12 5 m 深水航道在发挥巨大经济效益和社会效益的同时，航道回淤量大、时空分布高度集中的间题突出，每年需投入大量的维护疏浚力量。长江口深水航道维护一般以月为时段安排施工力量，但月度回淤强度大且时空变化明显，导致如何精准预测航道回淤量成为了一个重要技术难题。根据 2016 2018 年实测水文资料和航道回淤机制，筛选了影响航道回淤的主要影响因子，建立了多影响因子作用下的长江口深水航道回淤量 BP 神经网络高精度预测模型，比较并推荐了训练和预测网络的隐含层数及各层神经元数;选取2016 2018 年长江口长序列的水文资料进行预测模型训练，并选取 2019 年资料对预测模型进行验证，证实了模型选取的影响因子及构建的预测模型的合理性，验证了模型具有较高的航道回淤量预测能力和空间分布预测精度，研究成果可为航道维护的科学管理和疏浚船舶的合理调度提供参考。关键词:回淤量预测;BP 神经网络;影响因子;长江口;深水航道中图法分类号:TV14文献标志码:ADOI:10 16232/j cnki 1001 4179 2023 02 0310引 言长江口属于世界巨型河口，在径流、潮流等作用下，易形成由细颗粒泥沙组成的高浑浊带，垂向水沙盐分布的分层特征显著、近底含沙量高，使得长江口深水航道的回淤强度较大1。长江口深水航道治理工程于 2011 年 5 月 18 日通过国家竣工验收，发挥了巨大的经济效益和社会效益。然而，航道回淤量大、时空分布高度集中的难题也较为突出，给航道管理及维护施工调度(月度)带来巨大困难，因而如何精准预测航道回淤量是一个重要技术难题。航道回淤量预测的方法通常包括:现场资料分析法、物理模型试验法、数值模拟法等。数值模拟法目前应用最为普遍，大多数学者采用的是三维水沙盐数值模型，例如王奎峰2 等采用三维 HEM 3D 数值模型对黄河三角洲海域流场变化、盐度等进行了数值模拟，模拟结果与卫星遥感解译的岸线变化基本一致。吴修广3 等应用 FVCOM 建立了三维潮流泥沙数学模型，成功再现了杭州湾潮流泥沙运动的过程。但数值模拟法在实际应用中还存在一些问题，如关键性泥沙参数的精确取值和整体模拟精度不高等4。随着各种工程技术领域研究的不断深入，人工智能的优势逐步体现。人工神经网络(Artificial Neural Network，ANN)是由大量简单神经元互联组成的非线性的信息处理系统，经过多年的发展，目前已有上百种的人工神经网络模型被提出5。常用的神经网络方法有误差反向传播算法(Back Propagation，BP)6、自适应共振理论AT(Adaptive esonance Theory，AT)7、Hopfield 网第 2 期王淑楠，等:基于 BP 神经网络的长江口深水航道回淤量预测络8 以及卷积神经网络(Convolutional Neural Ner-works，CNN)9 等数十种。其中，BP 神经网络在所有神经网络模型中应用最为普遍，被广泛应用于水沙研究的预测当中。例如:Deibel 等10 利用神经网络对鹿特丹港区航道进行泥沙预测，建立了以波浪、流量、沉降势能为输入参数，含沙量为输出参数的 BP 神经网络模型;霍粤蓟11 运用 BP 神经网络以不同风力的风的作用时间作为输入参数、航道回淤量作为输出参数，建立了港口航道淤积分析模型。以上研究结果表明BP 神经网络具有优异的多因子非线性逼近能力和较高的计算精度。长江口深水航道维护一般以月为时段安排施工力量，月度回淤强度大且时空变化明显，导致如何精准预测航道回淤量成为了一个重要技术难题。人工神经网络预测模型的优点在于具有多因子耦合作用下针对关注目标快速的非线性拟合和预报能力。因此，本文在长江口航道淤积机制分析的基础上，建立了基于 BP神经网络的航道回淤量预测模型，对逐月、逐个疏浚单元的回淤量进行训练、验证和预测，并优化预测模型。与文献 10 11 不同的是，本文并不是直接应用已有的传统泥沙冲淤理论，而是在此基础上根据长江口航道实际回淤机理筛选确定了多个导致长江口航道局部超强度淤积的主要影响因子作为神经网络的输入参数来建立一种新的映射关系，以实现高效率和高精度的预测。所以，在工程及河势边界相对固定，施工管理方法也相对固定的条件下，该模型可根据各河段实际回淤机理确定具体影响因子来预测月度内的航道淤积情况，并且模型预测结果也将为航道维护的科学管理和疏浚船舶的合理调度提供参考。1长江口航道淤积主要影响因子选取长江口深水航道位于长江入海口，航道回淤影响因子众多，潮汐作用、长江径流、台风等恶劣天气都会造成航道淤积现象。目前关于长江口航道回淤特征已有很多学者进行了相关研究12 14，得到回淤总量巨大、回淤部位集中、以洪季回淤为主的回淤特征。孙继涛15 发现由边滩进入航道的浮泥是长江口深水航道淤积的最重要来源;徐俊杰16 发现导致长江口北槽航道回淤的主要原因是高床面切力引起的强再悬浮和泥沙沉降造成的高浓度近底含沙量;金镠17 研究发现近底高浓度水层的横向运动对航道回淤起着重要作用;戚定满等18 发现在航槽内部近底可观察得到存在可达上百公斤“超高”浓度泥沙层。因此，“超高”浓度泥沙层是导致航道局部超强度的主要原因之一。而近底高浓度泥沙层的形成与该区域多种宏观和微观作用机制密切相关。根据相关研究可知18 20，长江口航道回淤机制的主要物理过程可以描述如下。(1)在径潮流和波浪等作用下，长江口泥沙起动，形成长江口航道泥沙供给的来源。(2)北槽中下段航道底部的水沙净向下输运能力受径潮流及盐水入侵压力的影响，在一个潮周期内通常无法将高浓度底部泥沙团完整输运出北槽，造成泥沙往复振荡输运，汇聚槽内形成近底高浓度泥沙场。(3)北槽中下段区域受泥沙沉降和密度制紊的影响，泥沙在洪季易形成近底层高浓度，并主要以近底层高浓度的形式输运。(4)不同的潮位下，涨潮时期北槽中下段部分水沙越过南导堤进入航道，增加航道内泥沙供给，形成槽内近底高浓度泥沙场的重要泥沙来源。(5)在不同的动力、航道水深及沉速下，近底泥沙形成航道淤积。综上可知，长江口深水航道回淤的外部主要因素可梳理包括如下:径潮流输运、盐水入侵、浮泥运输、泥沙絮凝沉降、风浪紊动等。其中径潮流输运、浮泥运输和盐水入侵主要对应潮位、潮差、流量和水深等影响因子;泥沙絮凝沉降对应水温影响因子;风浪、紊动对应波能影响因子等，其主要的对应关系如图 1 所示。在剔除相关度较高的影响因子后，筛选获取长江口航道淤积的主要影响因子为如下 6 个:上游流量、潮位、潮差、水温、水深和波浪。上述几个因子基本涵盖了径潮流驱动下的水沙输运、泥沙起动沉降、风浪影响等宏观和微观的回淤机制对航道回淤的影响。由于本文尝试建立一种外部水文条件与航道回淤量的间接映射关系，其中含沙量、泥沙粒径、水动力等直接影响因素受上述 6 个主要的外部水文条件影响，因此模型建立时不把直接影响因素作为本文模型的计算因子;且本文模型利用大数据的数据量大、易于获取的特点，以达到在大量实测水文数据的基础上进行模型预测的目的。因此，本文尝试进行一种可以表征外部水文条件与航道回淤量之间的间接映射关系的神经网络预测模型的构建方法和应用研究。2研究区域概况与资料说明长江口共有北支、北港、北槽、南槽 4 个入海通道(见图 2)，北槽是长江口的主要入海通道。目前长江口下段及口外呈“南汇东滩 南槽 九段沙 北槽 横沙浅滩 北港 崇明东滩 北支”滩、槽相间的格局。本次模型预测的分析数据主要来源于 3 个水文站:大通站、北槽中站、牛皮礁站，各个站点位置分布见图 2。为降低航道回淤量，2015 年 11 月实施了南坝田702人民长江2023 年图 1影响因子及影响因子对应的回淤机制Fig 1Influence factors and back siltation mechanismcorresponding to influence factors挡沙堤加高工程(+3 5 m)，南坝田挡沙堤加高完善工程(+4 5 m)于 2019 年 12 月实施。在此期间工程及河势边界相对固定，施工管理方法也相对固定，回淤量也较为稳定，维持在 5 332 万 5 550 万 m3之间，因此收集 2016 2019 年的资料用于预测和验证月度内的航道淤积情况。其中流量采用大通水文站数据，潮位、潮差、水温采用北槽中站数据，波高采用牛皮礁水文站数据，即用这 6 组数据分别代表航道回淤量变化的 6 个主要影响因素。上游流量采用长江口上游潮临界区域的水文站 大通站的数据，通过水利主管部门的公开数据获取。北槽中站的水温、潮位、流速，牛皮礁站的波高及其对应的长序列数据，通过“长江口水文波浪观测系统”获取，该系统数据通过现场实时采集和内业实时接收，采集数据时间间隔一般为 10 min。本次分析数据中，测量仪器问题导致2018 年12 月24 日至2018图 2长江口水文波浪观测系统站点布置Fig 2Stations layout of hydrological wave observationsystem in the Yangtze Estuary年底的潮位以及 2018 年 8 9 月牛皮礁站波高及周期的部分数据缺失，模型计算时采用线性插补。航道水深采用“长江口深水航道考核测量水深”数据，由长江口航道管理局每月收集一次，取临近测次航道加密测量水深统计的航道单元平均值。为了统一统计数据对应的航道范围，同时考虑长航道不同航段的回淤具有明显的差异，回淤机制也明显不同，因此需要对航道在纵向上进行统计或研究单元的划分。这里单元编号为 i，i=1，2，I，I 为航道疏浚单元总数:I=Ll;这里 l 为航道疏浚单元的长度，约为 1 5 2 5 km，L 为航道总长度。深水航道沿程回淤量确定以月度为单位，以航道疏浚单元为统计范围(见图 3)，一共划分为 46 个航道单元。基于上述数据资料，按月整理历年资料，分别为:上游代表站点的月度平均流量Qm(m3/s)，航道纵向中部位置代表站点处的平均水温Tm()，航道纵向中部位置处代表站点处的平均潮位Hm(m)，航道纵向中部位置处代表站点处的平均潮差 Hm(m)，航道单元水深 Di，m(m)，m=1，2，M，M 为以月为单位的统计数据总数，航道下段代表站点处的波能 Em(kWh/m)，其中波能E 代表波浪能量的指标，其计算公式如下 21:E=T018g H2k121+2khsh2()khdt(1)式中:H 为波高，m;k 为波数，个;h 为水深，m;=2/T为波浪圆频率，s1;T 为波周期，s;g 为重力加速度，m2/s。其中波高和周期为“长江口水文波浪观测系统”的实测数据，其中计算波能时，波高选取大于1 5 m 进行计算。考虑上游