基于深度信念網(wǎng)絡(luò)的建筑物用水流量預(yù)測

姚騰輝 李峰

摘 要：隨著高層建筑的普及，無負(fù)壓供水已成為一種重要的二次供水形態(tài)，而建筑物用水流量預(yù)測是水泵選型的重要依據(jù)。提出一種基于深度信念網(wǎng)絡(luò)的建筑用水流量預(yù)測方法。綜合利用環(huán)境、房價(jià)、水價(jià)等因素對建筑的低谷流量、普遍流量和峰值流量進(jìn)行預(yù)測，進(jìn)而為水泵選型提供數(shù)據(jù)支持。通過與BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行對比實(shí)驗(yàn)，結(jié)果表明基于DBN的建筑用水流量預(yù)測方法可以較好地預(yù)測流量，優(yōu)于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果。

關(guān)鍵詞：無負(fù)壓供水；建筑用水流量預(yù)測；深度信念網(wǎng)絡(luò)；受限玻爾茲曼機(jī)

DOIDOI：10.11907/rjdk.181254

中圖分類號：TP301

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號：1672-7800（2018）010-0036-05

英文摘要Abstract：With the popularity of high-rise buildings， non-negative pressure water supply has become an important form of secondary water supply， and water flow forecasting of buildings is one of the important basis for selection of pumps. Therefore， this paper presents a method of forecasting water flow in construction based on deep belief network. Through the comprehensive environment， housing prices， water prices and other factors on the building′s low flow， the general flow and peak flow forecast， to provide data for the pump selection support. Compared with the BP neural network experiment， the DBN-based water flow forecasting method can predict the building flow well， and the results are superior to that or the BP neural network prediction is made.

英文關(guān)鍵詞Key Words：non-negative pressure water supply；building flow forecasting；deep belief network；restricted Boltzmann machine

0 引言

高層建筑的普及促進(jìn)了二次供水發(fā)展，無負(fù)壓供水方式由于直接對接供水管網(wǎng)，沒有二次污染，可充分利用市政管網(wǎng)的剩余壓力，節(jié)能環(huán)保效果好，因此得到了廣泛應(yīng)用[1]。水泵在二次供水系統(tǒng)中消耗大量能源，耗電費(fèi)用約占供水成本的60%以上，極大影響著運(yùn)行成本。目前無負(fù)壓供水水泵選型時(shí)流量的確定均根據(jù)《建筑給排水設(shè)計(jì)規(guī)范》。由于國家標(biāo)準(zhǔn)的編制具有普遍性，致使設(shè)計(jì)秒流量往往高于實(shí)際用水量，導(dǎo)致水泵長期低效運(yùn)行，造成極大浪費(fèi)，增加了初期投入成本和運(yùn)行成本。因此，如何在無負(fù)壓供水設(shè)備選型中充分依據(jù)用水規(guī)律使水泵最大限度地工作在高效區(qū)域，以便更有效地發(fā)揮變頻調(diào)速水泵節(jié)能效果，達(dá)到節(jié)能環(huán)保之目的，是無負(fù)壓供水設(shè)備設(shè)計(jì)選型中亟待解決的問題[2-4]。

目前對建筑物用水流量的預(yù)測研究剛剛起步，且大部分集中在對歷史數(shù)據(jù)的分析計(jì)算上。張昊[5]對賓館類建筑的自來水、熱水、中水系統(tǒng)的用水量變化規(guī)律進(jìn)行研究，分析了時(shí)間和入住率對用水量的影響。蔣龍[6]對住宅小區(qū)生活用水量及給水方式的能耗進(jìn)行了分析，進(jìn)而對住宅小區(qū)生活給水方式進(jìn)行優(yōu)化。上述兩個(gè)研究都是對固定類型的建筑用水規(guī)律進(jìn)行統(tǒng)計(jì)分析，對用水規(guī)律的影響因子挖掘較少，也沒有對建筑物流量建立預(yù)測模型，研究結(jié)果不能推廣使用。丁小凱[7]使用LS-SVM建立基于時(shí)段、壓力特征的流量預(yù)測模型，對日流量進(jìn)行預(yù)測，屬于短期預(yù)測，考慮的因素過少，模型預(yù)測準(zhǔn)確度不高。

當(dāng)前需水量的預(yù)測方法主要有定額法[8]、回歸分析法[9]、時(shí)間序列法[10]、人工神經(jīng)網(wǎng)絡(luò)[11]等，這些方法實(shí)現(xiàn)了不同對象的需水量預(yù)測，但均存在局限性[12-13]。其中，定額分析通過人均用水定額指標(biāo)進(jìn)行核算，相對簡單；時(shí)間序列輸入為單一的歷史數(shù)據(jù)，主要突出數(shù)據(jù)的時(shí)間屬性；回歸分析是分析需水量和各因素之間的關(guān)系，通過參數(shù)表現(xiàn)出來。但影響建筑物用水流量因素眾多，各影響因素之間互相關(guān)聯(lián)、錯(cuò)綜復(fù)雜，屬于多因素、非線性問題，經(jīng)典的回歸分析不能滿足預(yù)測要求；人工神經(jīng)網(wǎng)絡(luò)模擬人腦神經(jīng)組織的處理過程，具有自組織、自學(xué)習(xí)特性，更適用于多因素、非線性的用水量預(yù)測。需水量預(yù)測前需要搜集大量基礎(chǔ)資料，通過定量分析，篩選需水量的影響因子。一方面需水量影響因子復(fù)雜，因子之間的非線性關(guān)系不容易發(fā)現(xiàn)，另一方面搜集資料存在主觀性，導(dǎo)致篩選的影響因子不充分，也就是輸入的特征向量中只有部分是可能影響樓宇流量的因子，而BP神經(jīng)網(wǎng)絡(luò)對輸入的依賴性較高，導(dǎo)致需水量預(yù)測精度欠佳。

近年來特征學(xué)習(xí)能力突出的深度信念網(wǎng)絡(luò)在不同領(lǐng)域被廣泛應(yīng)用，如圖像處理、語音識(shí)別等[14-17]，同時(shí)深度信念網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種發(fā)展，突出了特征學(xué)習(xí)的重要性，在數(shù)據(jù)預(yù)測應(yīng)用中效果很好[18-20]。鑒于此，本文提出一種基于深度信念網(wǎng)絡(luò)的建筑用水流量預(yù)測方法，與建筑流量相關(guān)的因素都作為輸入，自動(dòng)提取各影響因素的相關(guān)特性。與BP神經(jīng)網(wǎng)絡(luò)對比，結(jié)果證明該方法預(yù)測精度更高。

1 深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)（DBN）通過多層受限玻爾茲曼機(jī)（RBM）和一層BP神經(jīng)網(wǎng)絡(luò)疊加組合而成。DBN通過貪婪算法逐層訓(xùn)練，每次RBM上一層的輸出作為下一層的輸入，學(xué)習(xí)相鄰兩層RBM的模型參數(shù)，通過訓(xùn)練將數(shù)據(jù)向量映射到不同的特征空間。但每次只學(xué)習(xí)相鄰兩層之間的參數(shù)，不對整個(gè)DBN的特征向量映射達(dá)到最優(yōu)，需要通過BP神經(jīng)網(wǎng)絡(luò)將誤差進(jìn)行反向傳播得到最終的DBN。

受限玻爾茲曼機(jī)（RBM）由可視層（v）、隱含層（h）和權(quán)重矩陣（w）組成概率圖模型，其結(jié)構(gòu)如圖2所示。其中，可視層由顯元vi組成，是神經(jīng)元的輸入層；隱藏層 h 由隱元 hj組成，用于特征提取。同層神經(jīng)元之間沒有連線，層之間全連接，并且每個(gè)節(jié)點(diǎn)只有（0，1）狀態(tài)[21-22]。

2 流量預(yù)測模型

2.1 特征變量選取

影響居民用水量的因素很多，結(jié)合之前的研究結(jié)果，將建筑物用水量影響因素歸納為建筑物屬性、經(jīng)濟(jì)狀況、價(jià)格因素、人口特征、天氣特征和水資源特征6個(gè)方面[24-25]。

（1）建筑屬性指建筑類型、廚房數(shù)量、衛(wèi)生間數(shù)量、建筑面積。不同的建筑類型中居民的生活習(xí)慣不同，導(dǎo)致用水規(guī)律差異很大。廚房和衛(wèi)生間作為建筑中主要的耗水場所，對需水量有較大影響。此外，建筑面積越大，潛在的耗水行為也會(huì)越多。

（2）天氣特征指建筑所在地區(qū)的溫度和濕度。我國地域遼闊，各地區(qū)間氣候條件差異較大，從而形成不同的生活習(xí)慣，不同的生活習(xí)慣導(dǎo)致居民對水資源的需求不同。

（3）經(jīng)濟(jì)狀況指居民的收入水平和地區(qū)的經(jīng)濟(jì)水平。建筑中衛(wèi)生設(shè)施種類、居民用水習(xí)慣等都和經(jīng)濟(jì)狀況有很大的關(guān)聯(lián)。對于建筑物，可通過房價(jià)和均價(jià)的比值和人均GDP體現(xiàn)經(jīng)濟(jì)狀況。

（4）人口特征主要指人口數(shù)量。

（5）水資源特征指居民用水定額、市政管網(wǎng)壓力。城市水資源的稀缺性和供水能力是居民用水量的重要制約因素，而市政管網(wǎng)壓力體現(xiàn)了城市的供水能力，也是無負(fù)壓供水的重要影響因素。

（6）價(jià)格因素指水價(jià)。水價(jià)作為調(diào)節(jié)居民用水行為的重要手段，對需水量也有很大影響。為督促居民節(jié)約用水，目前大部分城市都實(shí)行了階梯水價(jià)，其中基礎(chǔ)水價(jià)對居民用水行為影響不明顯[26]，所以選取階梯水價(jià)中的第三階梯水價(jià)作為影響因子。

通過以上分析，最終選取建筑類型、廚房數(shù)量、衛(wèi)生間數(shù)量、建筑面積、年均溫度、年均濕度、房價(jià)、人均GDP、人口數(shù)量、人均用水定額、市政管網(wǎng)壓力、水價(jià)12個(gè)因素作為建筑用水流量的影響因子。

2.2 數(shù)據(jù)獲取

本研究所用到的天氣數(shù)據(jù)（年均降水量、年均溫度）從中國天氣網(wǎng)獲取，與建筑相關(guān)的信息（建筑類型、戶數(shù)、廚衛(wèi)數(shù)量、建筑面積）均從相關(guān)物業(yè)處獲得，房價(jià)信息通過房價(jià)網(wǎng)API獲得，水價(jià)信息從中國水網(wǎng)處獲得，居民用水定額從住建部發(fā)布的《城市居民生活用水量標(biāo)準(zhǔn)》中得到，人均GDP通過國家統(tǒng)計(jì)局查詢得到，用水流量數(shù)據(jù)和進(jìn)口壓力等用水歷史數(shù)據(jù)通過無負(fù)壓供水設(shè)備生產(chǎn)廠家遠(yuǎn)程監(jiān)控系統(tǒng)獲取。

2.3 數(shù)據(jù)預(yù)處理

通常從無負(fù)壓遠(yuǎn)程監(jiān)控系統(tǒng)獲取的流量數(shù)據(jù)為小于等于30s間隔采集的瞬時(shí)流量值。為更好地分析用水規(guī)律，對建筑物類型細(xì)化為表1所示編碼，在此基礎(chǔ)上通過對不同建筑類型進(jìn)行用水規(guī)律分析，得到居民用水的集中區(qū)間，然后通過頻率分析統(tǒng)計(jì)各個(gè)區(qū)間用水頻率最高的流量值，即可得到低估流量、普遍流量和峰值流量。本文通過上述分析處理得到800棟歷史數(shù)據(jù)，其中普通住宅300棟、辦公樓300棟、集體宿舍200棟。

2.5 DBN網(wǎng)絡(luò)架構(gòu)

首先確定輸入、輸出層大小，將統(tǒng)計(jì)好的建筑類型、廚房數(shù)量、衛(wèi)生間數(shù)量、建筑面積、年均溫度、年均濕度、房價(jià)、人均GDP、人口數(shù)量、人均用水定額、市政管網(wǎng)壓力、水價(jià)等12個(gè)用水量影響因子作為輸入，將頻率分析后的低谷流量、普遍流量和峰值流量作為輸出。為使深度信念網(wǎng)絡(luò)更適用于建筑物用水流量預(yù)測，對隱層、訓(xùn)練周期和樣本數(shù)量進(jìn)行大量實(shí)驗(yàn)，選擇最優(yōu)參數(shù)設(shè)置對建筑用水流量進(jìn)行預(yù)測。

在基于DBN的預(yù)測模型中，影響預(yù)測結(jié)果的主要因素是隱層大小和每個(gè)隱層神經(jīng)元的數(shù)量。首先固定訓(xùn)練樣本數(shù)量為500，訓(xùn)練周期為100，通過實(shí)驗(yàn)，逐漸增加隱含層及隱含層神經(jīng)元數(shù)量得到最佳隱層設(shè)置。表2為第一隱含層不同神經(jīng)元個(gè)數(shù)對訓(xùn)練準(zhǔn)確率的影響。

從表2可以看出，當(dāng)?shù)谝粋€(gè)隱含層的神經(jīng)元數(shù)目不同時(shí)訓(xùn)練誤差也不同。在第一層結(jié)構(gòu)大小從1-9的遞增過程中，MRE數(shù)值不斷下降，說明隨著隱含層神經(jīng)元數(shù)量的增加，模型的訓(xùn)練誤差越來越小。但當(dāng)神經(jīng)元數(shù)量繼續(xù)增加時(shí)模型訓(xùn)練效果提升不大，因此第一個(gè)隱含層的神經(jīng)元數(shù)量為9時(shí)模型表現(xiàn)較好。

將第一隱含層的大小設(shè)置為9，然后不斷增加第二隱含層神經(jīng)元數(shù)量，實(shí)驗(yàn)結(jié)果見表3。

從表3可以看出，增加隱層層數(shù)可使訓(xùn)練誤差減小，當(dāng)?shù)诙拥纳窠?jīng)元數(shù)量增加到3時(shí)誤差最小。繼續(xù)增加神經(jīng)元數(shù)量時(shí)，誤差率有增大趨勢，所以選取第二個(gè)隱含層的神經(jīng)元數(shù)量為3。

設(shè)置好前兩層結(jié)構(gòu)后，繼續(xù)增加神經(jīng)網(wǎng)絡(luò)層數(shù)，如表4所示。從表中可以看出，繼續(xù)增加網(wǎng)絡(luò)層數(shù)時(shí)，模型的誤差率沒有繼續(xù)降低。

選取DBN模型結(jié)構(gòu)為12-9-3-3，即整個(gè)模型由一個(gè)輸入層（節(jié)點(diǎn)數(shù)量為12）、兩個(gè)中間層組成，其中第一個(gè)隱含層的神經(jīng)元個(gè)數(shù)為9，第二個(gè)為3，一個(gè)輸出層，輸出層節(jié)點(diǎn)個(gè)數(shù)為3。訓(xùn)練好的DBN網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

確定好DBN模型后，分析訓(xùn)練周期和樣本個(gè)數(shù)對預(yù)測準(zhǔn)確率的影響。樣本個(gè)數(shù)和訓(xùn)練周期的增加可使DBN提取到更多特征，進(jìn)而提高預(yù)測準(zhǔn)確度。同樣使用MRE對訓(xùn)練結(jié)果進(jìn)行評判，實(shí)驗(yàn)結(jié)果如圖3所示。從圖中x軸走勢可以看出，當(dāng)訓(xùn)練周期固定時(shí)，增加訓(xùn)練樣本數(shù)量可明顯降低訓(xùn)練誤差率。當(dāng)樣本數(shù)量為600時(shí)，訓(xùn)練效果趨于穩(wěn)定，說明已經(jīng)提取到了足夠的特征。從y軸走勢可以看出，當(dāng)樣本數(shù)量固定時(shí)，訓(xùn)練周期的增加可減小訓(xùn)練誤差，當(dāng)訓(xùn)練周期為250時(shí)MRE達(dá)到較低水平。繼續(xù)增加訓(xùn)練周期，模型的誤差變化較小，因此選取訓(xùn)練周期為250。

3 實(shí)驗(yàn)結(jié)果及分析

將600個(gè)訓(xùn)練樣本分別輸入BP神經(jīng)網(wǎng)絡(luò)和DBN模型進(jìn)行訓(xùn)練，從剩余樣本數(shù)據(jù)中隨機(jī)選取15個(gè)樣本，對其低谷流量、普遍流量和峰值流量進(jìn)行預(yù)測。BP神經(jīng)網(wǎng)絡(luò)和DBN的預(yù)測結(jié)果以普遍流量說明，如圖4所示。對比圖中各模型預(yù)測曲線與實(shí)際曲線，可以看出DBN和BP神經(jīng)網(wǎng)絡(luò)都能很好地對建筑流量進(jìn)行預(yù)測， 并且較BP模型，DBN模型的預(yù)測曲線與實(shí)際曲線一致性更高，表明其預(yù)測精度更高。其中DBN的MRE為3.76%，BP神經(jīng)網(wǎng)絡(luò)的MRE為6.89%。

同數(shù)據(jù)集下，采用DBN模型對低谷流量和峰值流量的預(yù)測結(jié)果見表5。

目前無負(fù)壓設(shè)備選型主要參考《建筑給排水設(shè)計(jì)規(guī)范》，該規(guī)范計(jì)算得到的用水流量和本文的分級峰值流量都滿足最不利點(diǎn)的用水流量。根據(jù)《建筑給排水設(shè)計(jì)規(guī)范》對待預(yù)測的15棟建筑流量進(jìn)行計(jì)算，同時(shí)與DBN的峰值流量預(yù)測結(jié)果進(jìn)行對比，結(jié)果見圖5。從圖中可以看出，DBN模型對峰值流量的預(yù)測結(jié)果與實(shí)際值很接近，而根據(jù)《建筑給排水設(shè)計(jì)規(guī)范》計(jì)算得到的流量值遠(yuǎn)遠(yuǎn)高于實(shí)際峰值流量，導(dǎo)致選型結(jié)果遠(yuǎn)遠(yuǎn)大于實(shí)際需求，增大了投資成本，水泵投入運(yùn)行后一直處于“大馬拉小車”狀態(tài)，節(jié)能效果差。

4 結(jié)語

本文對采集的數(shù)據(jù)進(jìn)行預(yù)處理，通過分析用水規(guī)律后，建立了建筑用水的低谷流量、普遍流量和峰值流量預(yù)測的DBN模型并進(jìn)行預(yù)測，同時(shí)與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方法進(jìn)行對比。實(shí)驗(yàn)結(jié)果表明：

（1）基于BP的神經(jīng)網(wǎng)絡(luò)和DBN的深度信念網(wǎng)絡(luò)均能根據(jù)當(dāng)前數(shù)據(jù)學(xué)習(xí)并抽取特征，可用于建筑流量預(yù)測。相對BP神經(jīng)網(wǎng)絡(luò)， DBN由于其強(qiáng)大的特征學(xué)習(xí)能力在建筑流量預(yù)測方面精度更高。

（2）由于建筑類型和樣本數(shù)量有限，不能對更多的建筑類型進(jìn)行分析預(yù)測。下一步可嘗試在大數(shù)據(jù)量的情況下對建筑類型進(jìn)一步細(xì)分，同時(shí)選取更多的影響因子作為輸入，進(jìn)一步提高預(yù)測精度，使預(yù)測模型適用性更廣。

參考文獻(xiàn)：

[1] 張琳，郭玲，李峰.淺談無負(fù)壓供水設(shè)備的應(yīng)用[J].城市建設(shè)理論研究，2012（21）：155-159.

[2] 郭乃溶，劉志強(qiáng)，劉洪海，等.基于用水規(guī)律的住宅二次供水系統(tǒng)優(yōu)化及節(jié)能分析[J].給水排水，2013，39（11）：146-150.

[3] 陳立新，李強(qiáng)，劉東杰.淺論高層建筑二次供水泵房的節(jié)能措施[C].貴陽：中國水協(xié)設(shè)備材料委二次供水設(shè)備選型與節(jié)能減排技術(shù)交流研討會(huì)，2011.

[4] 水浩然，柳兵.再談管網(wǎng)疊壓（無負(fù)壓）給水設(shè)備增壓水泵的選用與節(jié)能判別[J].給水排水，2007，33（12）：99-102.

[5] 張昊.賓館類建筑二次給水系統(tǒng)的節(jié)能優(yōu)化[D].天津：天津大學(xué)，2014.

[6] 蔣龍.住宅小區(qū)生活給水系統(tǒng)的節(jié)水節(jié)能優(yōu)化研究[D].重慶：重慶大學(xué)，2012.

[7] 丁小凱，朱霄珣.最小二乘支持向量機(jī)在樓宇流量預(yù)測中的應(yīng)用[J].中國給水排水，2013，29（3）：54-56.

[8] 黃正榮，張振林，賈劍峰，等.工業(yè)用水定額分析與研究[J].水資源與水工程學(xué)報(bào)，2009，20（4）：101-103.

[9] 張雅君，劉全勝，馮萃敏.多元線性回歸分析在北京城市生活需水量預(yù)測中的應(yīng)用[J].給水排水，2003，29（4）：26-29.

[10] 孫平，王麗萍，陳凱，等.基于時(shí)間序列模型ARMA的水廠逐日需水量過程預(yù)測方法[J].中國農(nóng)村水利水電，2013（11）：139-142.

[11] 班懿根.基于RBF神經(jīng)網(wǎng)絡(luò)的城市需水量預(yù)測[J].地下水，2012（1）：114-116.

[12] 李琳，左其亭.城市用水量預(yù)測方法及應(yīng)用比較研究[J].水資源與水工程學(xué)報(bào)，2005，16（3）：6-10.

[13] 張雅君，劉全勝.需水量預(yù)測方法的評析與擇優(yōu)[J].中國給水排水，2001， 17（7）：27-29.DJURDJEVIC P D， HUBER M. Deep Belief Network for Modeling Hierarchical Reinforcement Learning Policies[J]. Directory results for A Alexandre，2013， 8215（2）：2485-2491.

[14] 酆勇，熊慶宇，石為人，等.一種基于受限玻爾茲曼機(jī)的說話人特征提取算法[J].儀器儀表學(xué)報(bào)，2016，37（2）：256-262.

[15] LIU P， HAN S， MENG Z， et al. Facial expression recognition via a boosted deep belief network[C].IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society， 2014：1805-1812.

[16] 陳國華，湯庸，彭澤武，等.基于學(xué)術(shù)社區(qū)的學(xué)術(shù)搜索引擎設(shè)計(jì)[J].計(jì)算機(jī)科學(xué)，2011，38（8）：171-175.

[17] 鄭毅，朱成璋.基于深度信念網(wǎng)絡(luò)的PM2.5預(yù)測[J].山東大學(xué)學(xué)報(bào)：工學(xué)版，2014，44（6）：19-25

[18] 代杰杰，宋輝，楊祎，等.基于深度信念網(wǎng)絡(luò)的變壓器油中溶解氣體濃度預(yù)測方法[J].電網(wǎng)技術(shù)，2017，41（8）：2737-2742.

[19] 孫志軍，薛磊，許陽明，等.深度學(xué)習(xí)研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2012，29（8）：2806-2810.

[20] SALAKHUTDINOV R， HINTON G. An efficient learning procedure for deep boltzmann machines[J]. Neural Computation， 2014， 24（8）：1967-2006.

[21] 張春霞，姬楠楠，王冠偉.受限波爾茲曼機(jī)[J].工程數(shù)學(xué)學(xué)報(bào)，2015（2）：159-173.

[22] HINTON G E. Training products of experts by minimizing contrastive divergence.[M]. MIT Press， 2002.

[23] 陳曉光，徐晉濤，季永杰.城市居民用水需求影響因素研究[J].水利經(jīng)濟(jì)，2005，23（6）：23-24.

[24] 陳曉光，徐晉濤，季永杰.華北地區(qū)城市居民用水需求影響因素分析[J].自然資源學(xué)報(bào)，2007，22（2）：275-280.

[25] 褚俊英，王燦，王琦，等.水價(jià)對城市居民用水行為影響的研究進(jìn)展[J].中國給水排水，2003，19（11）：32-35.

（責(zé)任編輯：杜能鋼）