基于微分进化与蒙特卡罗的突发性水污染溯源问题研究.docxVIP

基于微分进化与蒙特卡罗的突发性水污染溯源问题研究 随着现代工业生产领域和规模的扩大，各种化学品和危险品的生产、储存、运输和使用都显著增加，事故潜在的安全因素也在增加。事故发生后，不仅破坏了当地的水环境，而且威胁到人们的健康和安全，而且影响到社会稳定。如2013年山西长治苯胺泄漏、2012年广西镉污染、2011年浙江新安江苯酚污染、2010年吉林松花江化工污染等等。为将损失降到最低, 应在突发性水污染事件发生后的第一时间掌握污染源相关信息, 以便采取各种针对性的补救措施［2］。因此, 能否迅速准确地掌握污染源的相关信息, 对于应急疏散和处置策略的制定十分重要。 目前, 突发水污染溯源方法主要有确定性方法和概率方法。确定性方法是指用确定的数学物理方程对污染物的运动进行分析, 包括直接求解方法和模拟优化方法。直接求解方法是指通过利用正则变换将构造得来的反问题转换为适定的问题后进行解析或数值求解的一种方法, 如Wei等［3］设计了一种基于最佳摄动量正则化的耦合方法对多点源分数阶扩散方程进行溯源分析; 模拟优化法是根据测量值与模拟值之间的差异进行调整得到最优解的一类方法, 如Jha和Datta［4］采用自适应模拟退火算法对地下水污染进行了溯源研究, 牟行洋［5］利用微分进化算法研究了单点及多点固定污染源项识别问题; 概率方法着眼于对特定事件发生概率的评估, 如曹小群等［6］利用贝叶斯-蒙特卡罗方法求解对流-扩散方程的污染源项识别问题, 陈海洋等［7］采用了贝叶斯-蒙特卡罗方法研究水体污染源项识别问题, Cheng和Jia［8］基于逆向概率方法对河流污染进行了溯源研究。然而, 确定性方法通常在求出污染源项参数后, 通过对结果进行扰动分析的方式来考虑误差因素; 而概率方法虽然在一定程度上避免了因 “最优”参数失真带来的决策风险, 但具有较强的随机性, 且其计算量会随着参数的增多而呈指数增长［9-12］。因此, 单纯地依靠某一种方法已不能适应快速分析突发性水污染事件追踪溯源的要求, 基于此, 本文在贝叶斯-蒙特卡罗方法 ( Bayesian and Markov Chain Monte Carlo, Bayes- ian-MCMC) 的基础上, 结合微分进化 ( Differential Evolution, DE) 的思想, 提出了微分进化蒙特卡罗方法 ( Dif-ferential Evolution and Markov Chain Monte Carlo, DE-MCMC) , 并运用到二维河道瞬时突发水污染溯源研究中, 考查该方法的精确性、稳定性和高效性。 1 污染源的时空分布预测模型 广义的污染问题中, 污染物通常遵循流体运动的基本物理规律并满足根据质量守恒推导出来的迁移转换基本方程［13］。对内陆浅水河流而言, 主要考虑河流的纵向与横向的质量浓度变化, 因此排入水体后污染物浓度变化可表示为 式中C为预测点 (x, y) 在t时刻污染物的浓度, g/L;t为污染物排放后开始预测的时刻, s;Dx、Dy分别为纵向、横向的扩散系数, m2/s;ux、uy分别为纵向、横向的河水平均流速, m/s;k为污染物的降解系数, s-1;∑S为污染物源、汇项。 然而实际河流由于受河岸和河底的约束, 污染物在水流中的扩散受到边界限制并产生反射［14］。假定初始条件为: x =0时, C = C0; t→∞ 时, C =0。考虑河流两岸的双边反射, 同时以污染源排放位置为坐标原点, 则式 ( 1) 的解为 其中 式中M为污染物排放量, g;b为污染源距岸边的距离, m;B、h分别为河宽、平均水深, m;n为两岸边界的反射次数;x、y分别为预测点离排放点的纵向、横向距离, m;C1为污染源在点 (x, y) 处产生的质量浓度增量;C2为近岸边反射在点 (x, y) 处产生的质量浓度增量;C3为远岸边反射在点 (x, y) 处产生的质量浓度增量;Ch为河流本底质量浓度。 若突发点源为瞬时非岸边排放模式, 并忽略河流本底质量浓度, 结合文献和本文研究问题的实际, 距事故源下游河段中污染物浓度随时空变化规律的数学模型可以表示为 若突发点源为瞬时岸边排放模式, 式 ( 3) 可简化为 假定下游某断面污染物浓度的分布已知, 则突发性水污染溯源问题的研究就是根据这些已知污染物浓度分布来确定污染源强度、位置和排放时刻, 进而依据式 ( 2) 、式 ( 3) 或式 ( 4) 对水体中的污染物进行追踪。鉴于确定性方法和概率方法的局限性, 单独用这些方法对这种溯源问题的求解存在着巨大困难, 因此需要设计一种新方法进行求解。 2 de-mcmc方法的求解步骤 由于测量误差的似然函数可以表示预测值与实测值的拟合程度, 令θ为模型的未知参数, di、Ci(x, y, t|θ)