基于SWMM的城市社區(qū)尺度管網(wǎng)排水模擬
——以福州市某排水小區(qū)為例

葉陳雷,徐宗學(xué),雷曉輝,陳陽,李鵬,王京晶

(1.北京師范大學(xué)水科學(xué)研究院 城市水循環(huán)與海綿城市技術(shù)北京市重點實驗室,北京 100875；2.中國水利水電科學(xué)研究院水資源研究所,北京 100038；3.東北大學(xué)資源與土木工程學(xué)院,沈陽 110819)

近年來，我國經(jīng)濟社會快速發(fā)展，城市面積不斷擴大，城市人口持續(xù)增長，城市水問題隨之而來。城市“看?！睂映霾桓F，逢雨必澇逐漸演變?yōu)槲覈芏啻笾谐鞘械酿蠹?。氣候變化與城市化對城市水文循環(huán)規(guī)律產(chǎn)生了深遠的影響[1]，“城市雨島”與“城市熱島”效應(yīng)被廣泛關(guān)注，城市內(nèi)澇已成為危害居民財產(chǎn)安全的重要問題[2-5]。城市化使下墊面對降雨的響應(yīng)機制發(fā)生改變，不透水面積增多，植被覆蓋顯著減少，徑流量增加[6-7]。

城市雨洪模擬方法主要包括水文學(xué)方法、水動力學(xué)方法以及水文水動力結(jié)合的方法[8-9]。自然情況下，城市中的降雨經(jīng)過初期損失后形成凈雨，再經(jīng)過坡面匯流進入城市管網(wǎng)中，最終由管網(wǎng)系統(tǒng)排出。在這一過程中，水流在城市地表的產(chǎn)流、匯流以及在管網(wǎng)中的匯流過程極為重要，是研究城市洪澇過程的重要工作。國內(nèi)外相關(guān)研究人員[10-12]已針對城市雨洪模擬開展了大量研究。對于城市降雨徑流的計算，我國自主研發(fā)的雨洪模型較少，主要集中在對徑流量的計算上。岑國平[13]通過對城市雨水的地表產(chǎn)流、地表匯流、管網(wǎng)匯流過程進行研究，建立了城市雨水徑流計算模型。周玉文等[14]將徑流分為地表徑流和管網(wǎng)徑流兩個階段，構(gòu)建了城市雨水徑流模型。目前應(yīng)用廣泛的城市雨洪模擬軟件包括美國環(huán)境保護署開發(fā)的SWMM(storm water management model)[15]、丹麥DHI開發(fā)的MIKE URBAN[16]以及英國Wallingford開發(fā)的InfoWorks ICM[17]。相比于其他模型軟件，SWMM由于其開源的特性，被廣大從事科學(xué)研究的人員應(yīng)用在城市雨洪模擬中。石小芳等[18]基于SWMM對寧波地區(qū)構(gòu)建了臺風(fēng)和非臺風(fēng)暴雨情景內(nèi)澇響應(yīng)模型，對比分析了兩種不同暴雨情景下內(nèi)澇的特征及差異。戎貴文等[19]基于SWMM中的低影響開發(fā)(low impact development,LID)模塊以淮南某一工業(yè)園區(qū)為研究對象，分析了多種LID組合措施對水質(zhì)水量的影響。目前，雖然關(guān)于SWMM的應(yīng)用研究已較為豐富，但對于城市社區(qū)尺度下管網(wǎng)排水全過程的分析尚待進一步完善。鑒于SWMM開源的特點，本文基于實測場次降雨水位數(shù)據(jù)，采用優(yōu)化算法對模型參數(shù)進行自動率定，并對各水文參數(shù)進行局部敏感性分析。在此基礎(chǔ)上，選取不同重現(xiàn)期與不同降雨歷時的組合工況對該管網(wǎng)排水系統(tǒng)進行計算。通過數(shù)據(jù)準備、模型構(gòu)建、參數(shù)自動率定及敏感性分析、組合情景模擬及管網(wǎng)排水分析等主要步驟，以我國沿海地區(qū)福州市晉安區(qū)某典型排水小區(qū)為例，提出一套較為完整的城市排水內(nèi)澇分析體系。

1 研究區(qū)數(shù)據(jù)

福建省會福州是典型的沿海易澇城市，位于閩江下游地區(qū)，屬于亞熱帶季風(fēng)氣候。近年來，福州頻繁受臺風(fēng)暴雨影響，強降雨天氣嚴重影響人們的日常生活。如：2005年的“龍王”臺風(fēng)對福州市造成了極大破壞，城區(qū)主要交通道路幾乎全部被淹;2016年的“鲇魚”臺風(fēng)登陸福州時，12 h降雨量達到195 mm，經(jīng)濟損失14.2億元[20-22]。選擇福州市晉安區(qū)某典型居民區(qū)為研究區(qū)域，小區(qū)西面為茶園路，北面為晉安河支流，東面和南面以居民區(qū)街道與附近其他居民區(qū)相隔開，總面積約11.48 hm2。小區(qū)中有社區(qū)、學(xué)校、廣場等典型居民區(qū)建筑設(shè)施。建模時，將房屋、廣場、道路等概化為不透水面，將綠地等概化為透水面。圖1(a)為該居民區(qū)位置示意圖。利用SWMM對其排水系統(tǒng)進行評估，使用數(shù)據(jù)主要包括小區(qū)排水管網(wǎng)設(shè)施、土地類型以及小區(qū)地形。研究小區(qū)建模數(shù)據(jù)包括小區(qū)內(nèi)的管網(wǎng)數(shù)據(jù)、地形數(shù)據(jù)和土地類型數(shù)據(jù)。管網(wǎng)數(shù)據(jù)包括檢查井、管道、排口3個組成部分，其中：檢查井數(shù)據(jù)包括檢查井的位置、井底高程、井深；管道數(shù)據(jù)包括各管段的位置、形狀、尺寸；排口信息包括排口位置等。

圖1 研究區(qū)及SWMM概化圖

本文使用2 m分辨率DEM數(shù)據(jù)計算子匯水區(qū)平均坡度，管網(wǎng)數(shù)據(jù)及地形數(shù)據(jù)來自于福州市城區(qū)水系聯(lián)排聯(lián)調(diào)中心，土地類型數(shù)據(jù)通過目視解譯得到。概化的小區(qū)SWMM見圖1，共計排口6個，檢查井78個，管段78根。圖1(b)為SWMM的概化示意圖，本文使用的部分建模數(shù)據(jù)見表1。

表1 SWMM需要的基礎(chǔ)管網(wǎng)數(shù)據(jù)

2 主要方法

2.1 SWMM

SWMM是一個分布式水文模型，將子匯水區(qū)作為基本水文響應(yīng)單元，產(chǎn)匯流過程在每個基本單元上進行計算。根據(jù)不同的城市地表特性，每個基本單元被概化為透水區(qū)和不透水區(qū)兩部分。在不透水區(qū)中，根據(jù)地表是否能夠洼蓄劃分為有洼蓄不透水區(qū)和無洼蓄不透水區(qū)兩部分?；谘芯繀^(qū)地形數(shù)據(jù)，利用ArcGIS表面分析計算百分比坡度，通過分區(qū)統(tǒng)計可得各子匯水區(qū)的平均坡度為2.09%。該模型[23]提供了下滲、坡面匯流及管網(wǎng)匯流等主要的水文水動力計算。

SWMM的下滲模塊提供了Horton模型、Green-Ampt、Curve Number等不同的下滲模型，本文選擇廣泛使用的Horton模型進行計算。Horton模型可以較好地描述下滲率隨降雨動態(tài)變化過程的規(guī)律，其計算公式為

ft=fc+(f0-fc)e-kt

(1)

式中：ft為土壤t時刻下滲率，mm/h；f0為初期下滲率，mm/h；fc為穩(wěn)定下滲率，mm/h；t為時間，h；k為衰減指數(shù)，1/h。

在計算坡面匯流時，SWMM將每一個子匯水區(qū)概化為一個非線性水庫，將最大洼地蓄水量作為水庫的容量，根據(jù)水量平衡方程計算每一個水庫中的水深，通過曼寧公式計算得到地表出流量為

(2)

式中：Q為出流量，m3/s；W為子流域?qū)挾?，m；S為平均坡度；n為地表曼寧系數(shù);d為水深，m;dp為洼蓄深度，m。

城市雨洪過程中，經(jīng)下滲損失后形成的凈雨由坡面匯流進入管網(wǎng)系統(tǒng)。在管網(wǎng)匯流階段，SWMM提供了恒定流、運動波、動力波3種計算方式。其中：恒定流假設(shè)管網(wǎng)中任意時刻水流運動要素保持不變，是對實際水流運動最為簡化的處理方式；運動波通過聯(lián)立求解簡化的連續(xù)方程和動量方程計算水量，但是其無法有效模擬復(fù)雜逆坡、回水、環(huán)狀管網(wǎng)等復(fù)雜的實際情形；動力波通過求解完全的圣維南方程組，可以對復(fù)雜流態(tài)進行模擬。因此，本文采用動力波對管網(wǎng)水流進行模擬。

(3)

(4)

式中：Q為流量，m3/s；H為水深，m；A為過水斷面面積，m2；g為重力加速度，9.8 m/s2；Sf為摩阻比降；t為時間，s；x為距離，m。

2.2 遺傳算法

遺傳算法(genetic algorithm，GA)是一種通過模擬自然選擇和進化過程來搜索最優(yōu)解集的算法，常被使用在最優(yōu)化問題的研究中。由于SWMM開源的特性，可以在遺傳算法優(yōu)化參數(shù)過程中，將SWMM的模擬值與實測數(shù)據(jù)計算得到的評價指標作為遺傳算法種群個體中的適應(yīng)度函數(shù)，進而完成遺傳算法的更新迭代。遺傳算法主要包括以下3個基本的遺傳算子，分別為交叉操作、變異操作和選擇操作?；谶z傳算法優(yōu)化SWMM參數(shù)的主要步驟見圖2。

圖2 遺傳算法優(yōu)化SWMM參數(shù)步驟

初始種群的初始化。SWMM需率定的參數(shù)構(gòu)成一個解空間，設(shè)置進化代數(shù)計數(shù)器以及最大進化代數(shù)，并隨機生成M個個體作為初始群體P(0)。

個體適應(yīng)度計算。計算群體P(t)中各個個體的適應(yīng)度。

將交叉算子作用于群體，交叉算子是遺傳算法中起核心作用的算子。

將變異算子作用于群體。即是對群體中的個體串的某些基因座上的基因值作變動。群體P(t)經(jīng)過選擇、交叉、變異運算之后得到下一代群體P(t+1)。

計算目標函數(shù)。將更新得到的種群個體作為需要率定的模型參數(shù)，SWMM通過讀取其輸入文件(.inp)進行計算，(.inp)是一個結(jié)構(gòu)化的文本格式，模型參數(shù)在文本中位于對應(yīng)的模塊下，通過Python語言對其進行參數(shù)的讀取和寫入。在參數(shù)替換為GA更新后的個體數(shù)值后，即產(chǎn)生新的(.inp)文件，即更新后的模型驅(qū)動數(shù)據(jù)，利用第三方庫Pyswmm可以方便地調(diào)用模型計算引擎，以獲取SWMM計算結(jié)果，提取目標點位水位或流量過程作為模擬值，通過模擬值與實測值計算目標函數(shù)。該步驟是通過遺傳算法率定SWMM參數(shù)的核心。

選擇操作。將選擇算子作用于群體。選擇的目的是把優(yōu)化的個體直接遺傳到下一代或通過配對交叉產(chǎn)生新的個體再遺傳到下一代。選擇操作是建立在群體中個體的適應(yīng)度評估基礎(chǔ)上的。

終止條件判斷。在每輪迭代更新種群后，計算納什效率系數(shù)或判斷是否已滿足迭代次數(shù)要求，如滿足條件則停止遺傳算法迭代過程，以算法進化過程中的最大適應(yīng)度個體作為最優(yōu)解輸出，并終止循環(huán)。

2.3 Morris敏感性分析

本文選用Morris篩選法分析參數(shù)的敏感性[24]。Morris篩選法是從模型參數(shù)中選出某一個變量，在其取值范圍內(nèi)進行變動，使自變量以固定步長百分率改變，并以此驅(qū)動模型，從而得到不同xi對應(yīng)的目標函數(shù)y的結(jié)果。最終敏感性判別因子取多個Morris系數(shù)的平均值，其計算公式為

(5)

式中：y*為改變參數(shù)后的模型輸出；y為改變參數(shù)前的模型輸出；Δxi為參數(shù)的變化。本文針對通過遺傳算法率定的參數(shù)，選取一定范圍改變參數(shù)值，并固定其他參數(shù)，以研究區(qū)主要排水口的洪峰流量為衡量指標，分析各參數(shù)的靈敏性。敏感性系數(shù)的計算公式為

(6)

式中：Y0為基準輸出結(jié)果；Yi為參數(shù)第i次變化的輸出；Pi為參數(shù)相對于基準輸入的百分比變化量；n為參數(shù)的改變次數(shù)；S為參數(shù)的敏感性判別因子。當|S|≥1時，表明參數(shù)高度敏感；當0.2≤|S|<1時，表明參數(shù)中高等敏感；當0.05≤|S|<0.2時，表明參數(shù)中低等敏感；當|S|<0.05時，表明參數(shù)不敏感。

3 結(jié)果分析

3.1 參數(shù)優(yōu)化及其敏感性

在構(gòu)建研究小區(qū)SWMM的過程中，綜合利用泰森多邊形以及研究區(qū)的衛(wèi)星影像圖對其進行子流域劃分。計算時每個子流域可以看作一個集總式水文模型，且包括下滲、地表匯流以及管網(wǎng)匯流3個主要的物理過程。因此，SWMM降雨徑流模擬中主要有以下3個模塊的參數(shù)，包括：子匯水區(qū)面積(hm2)、不透水百分比(%)、特征寬度(m)、平均坡度百分比(%)、不透水地表曼寧系數(shù)、透水地表曼寧系數(shù)、不透水地表洼地蓄水深度(mm)、透水地表洼地蓄水深度(mm)等子匯水區(qū)模塊參數(shù)；最大入滲速率(mm/h)、最小入滲速率(mm/h)、衰減指數(shù)(1/h)等下滲模塊參數(shù)；糙率等管道匯流模塊參數(shù)。其中:子匯水區(qū)面積(hm2)、特征寬度(m)等參數(shù)由實際地形數(shù)據(jù)提取得到，不需要進行人為率定;而其他參數(shù)如糙率、最大入滲速率(mm/h)、最小入滲速率(mm/h)等雖然具有明確的物理意義，但是一般需要通過實測數(shù)據(jù)與模擬數(shù)據(jù)的對比來進行率定。由于其物理意義明確，這類參數(shù)通常具有一定的取值范圍，而其中一些參數(shù)對模型模擬結(jié)果影響比較大，稱之為敏感參數(shù)。準確率定模型參數(shù)，使模型能夠更好地體現(xiàn)研究區(qū)實際特征，是建模過程中十分重要的步驟。在實際工作中，往往有大量的監(jiān)測數(shù)據(jù)，手動率定往往帶有極大的主觀性，且工作量很大。與手動調(diào)參相比，遺傳算法能夠?qū)崿F(xiàn)模型參數(shù)的自動尋優(yōu)，為模型率定工作提供了便利。本文在遺傳算法中，設(shè)置種群參數(shù)為30，迭代次數(shù)為200，其余超參數(shù)的突變概率設(shè)置為0.1，交叉概率為0.5，適應(yīng)度函數(shù)使用納什效率系數(shù)(Nash-Sutcliffe coefficient of efficiency，ENS)，其計算表達式為

(7)

本文通過參考文獻中給出的模型參數(shù)范圍，以匯水區(qū)及管道參數(shù)的上、下閾值作為遺傳算法種群個體的上下邊界。參考文獻[25]與文獻[26]，分別設(shè)置SWMM中子匯水區(qū)模塊、下滲模塊、管道模塊中的參數(shù)，見表2。經(jīng)過200次迭代，遺傳算法計算得到的參數(shù)值已趨于收斂，最終得到的參數(shù)值如下所述。子匯水區(qū)模塊參數(shù)中，不透水面曼寧系數(shù)為0.022，透水面曼寧系數(shù)為0.226，不透水區(qū)洼地蓄水深度為0.659 mm，透水區(qū)洼地蓄水深度為5.998 mm；下滲模塊參數(shù)中，最大下滲率為83.62 mm/h，最小下滲率為1.534 mm/h，衰減系數(shù)為3.502，干燥時間為5 d；管道模塊參數(shù)中，糙率為0.01。

表2 SWMM關(guān)鍵參數(shù)的取值范圍

率定期選取20180531場次降雨，該場次總降雨量為43.8 mm，降雨歷時為200 min，計算得到納什效率系數(shù)為0.82。實測最大水位為4.64 m，模型計算得到的水位為4.66 m。實測峰現(xiàn)時間為當日20：40，模型計算得到峰現(xiàn)時間為20：35。將模型率定得到的參數(shù)代入SWMM，并用驗證場次的降雨數(shù)據(jù)驅(qū)動模型，將模擬結(jié)果與驗證場次的實測數(shù)據(jù)進行比較。驗證期選取20180620場次降雨，該場次總降雨量為53.1 mm，降雨歷時為240 min，計算得到納什效率系數(shù)為0.81。實測最大水位為4.750 m，模型計算得到的水位為4.758 m。實測峰現(xiàn)時間為當日18：30，模型計算得到峰現(xiàn)時間為18：25。因此，模型模擬的效果較好，可以用于實際洪澇情景計算。兩次峰值的模擬水位和實測水位誤差均在2%以內(nèi)，模型的擬合度較高。率定參數(shù)后的SWMM在兩場降雨實測水位與模擬水位的對比見圖3。

圖3 模擬水位與實測水位

由于小區(qū)實測資料比較缺乏，無法使用更多的場次降水資料進行模型率定和驗證。較少的實測數(shù)據(jù)較易導(dǎo)致模型的適用性降低。因此，為進一步深化對模型參數(shù)的認識，有必要對模型主要參數(shù)的靈敏性進行一定的分析，找到敏感性強的參數(shù)，在模型的后續(xù)應(yīng)用中重點率定這些參數(shù)。對于不敏感的參數(shù)，結(jié)合參數(shù)的物理意義及其取值區(qū)間進行適當調(diào)整。利用修正的Morris法，將率定后的參數(shù)作為基準參數(shù)值。為分析主要參數(shù)的靈敏性，在原參數(shù)基礎(chǔ)上設(shè)置-30%、-20%、-10%、10%、20%、30%的變動，驅(qū)動模型計算得到多組輸出結(jié)果。選擇排水口的洪峰流量和小區(qū)平均徑流系數(shù)為衡量指標，分析和討論各參數(shù)的敏感性。

圖4為采用Morris篩選法得到的洪峰流量對模型參數(shù)敏感性系數(shù)S分布，在計算過程中發(fā)現(xiàn)，下滲模塊的參數(shù)干燥時間在變動中對結(jié)果的影響為0，這里不在圖中作出。從圖4可以看出，隨著重現(xiàn)期的變化，各參數(shù)敏感性有所變化，其中：在重現(xiàn)期為1 a時，各參數(shù)敏感性系數(shù)分布較為接近，均位于[0.05,0.20)內(nèi)，屬于中等敏感參數(shù)；在重現(xiàn)期為20 a 時，最大下滲率位于[0.2,1.0)內(nèi)，屬于敏感參數(shù)，其他參數(shù)仍為中等敏感，但判別因子S有所增大；在重現(xiàn)期為50 a時，衰減系數(shù)與最小下滲率位于[0.2,1.0)內(nèi)，屬于敏感參數(shù)，其他參數(shù)為中等敏感。在該小區(qū)模型中，最大下滲率、最小下滲率以及衰減系數(shù)的敏感性系數(shù)隨雨強的變化更為明顯。

圖4 Morris篩選法洪峰流量對參數(shù)的敏感性系數(shù)S分布

3.2 SWMM情景模擬

以3種設(shè)計降雨驅(qū)動模型，設(shè)計雨型來自福建省《城市及部分縣城暴雨強度公式》[27]，共設(shè)置16種降雨方案。其中：設(shè)置4種降雨重現(xiàn)期，分別為1 a一遇、10 a一遇、20 a一遇、50 a一遇；同時設(shè)置4套降雨歷時方案，分別為2、6、12、24 h。所有設(shè)計暴雨方案見表3。20 a一遇的3種降雨歷時下的設(shè)計降雨過程線見圖5。

表3 設(shè)計降雨方案

圖5 20 a一遇的3種設(shè)計降雨過程線

設(shè)置4種降雨重現(xiàn)期以及4種降雨歷時，通過SWMM計算得到在16種情景下小區(qū)排口的洪峰流量。小區(qū)內(nèi)共有2個主要的排水管網(wǎng)系統(tǒng)，因此分別統(tǒng)計了2個排口處的流量過程線，見圖6。圖6中的C17為連接排口A的管道，C74為連接排口B的管道，分別用以統(tǒng)計模型計算的過流量。

通過計算可知，模型較為準確地模擬了小區(qū)的降雨徑流過程。降雨歷時為2 h時:當重現(xiàn)期為1 a時，排口A的洪峰流量為0.39 m3/s，峰現(xiàn)時間為1:00；當重現(xiàn)期為10 a時，排口A的洪峰流量為0.59 m3/s，峰現(xiàn)時間為0:55；當重現(xiàn)期為20 a，排口A的洪峰流量為0.67 m3/s,峰現(xiàn)時間為0:55;當重現(xiàn)期為50 a時，排口A的洪峰流量為0.75 m3/s,峰現(xiàn)時間為0:55。對于排口B以及其他重現(xiàn)期的降雨規(guī)律類似，隨著降雨重現(xiàn)期的增加，該小區(qū)的洪峰流量逐漸增加，峰現(xiàn)時間較為接近。從圖6還可以看出：當降雨重現(xiàn)期為20 a時，2 h降雨歷時下排口B的洪峰流量為0.32 m3/s，峰現(xiàn)時間為0：55，而此時的降雨峰值出現(xiàn)時間為0：50；6 h降雨歷時下排口B的洪峰流量為0.32 m3/s，峰現(xiàn)時間為2：30，而此時的降雨峰值出現(xiàn)時間為2：25；12 h降雨歷時下排口B的洪峰流量為0.34 m3/s，峰現(xiàn)時間為4：55，而此時的降雨峰值出現(xiàn)時間為4：50；24 h降雨歷時下排口B的洪峰流量為0.32 m3/s，峰現(xiàn)時間為9：40，而此時的降雨峰值出現(xiàn)時間為9：35。可以看到在不同的降雨歷時下，小區(qū)排口峰值流量比較接近，而峰現(xiàn)時間直接受雨型的影響，一般出現(xiàn)在降雨峰值后的5 min。為進一步分析小區(qū)管網(wǎng)排水特征，統(tǒng)計各情景方案下小區(qū)排口的洪峰流量，見表4。相比于降雨歷時，小區(qū)洪峰流量受降雨重現(xiàn)期或雨強的影響較大。

表4 不同內(nèi)澇情景下的洪峰流量(排口B)

圖6 不同情景下排口流量過程模擬

3.3 管網(wǎng)排水能力分析

為進一步分析小區(qū)管網(wǎng)排水特征，在4種降雨重現(xiàn)期與4種降雨歷時的組合下驅(qū)動SWMM，并將模型計算時間統(tǒng)一設(shè)置為48 h，統(tǒng)計各情景方案下管網(wǎng)排水特征，見表5。在不同重現(xiàn)期下，均有部分節(jié)點和管道發(fā)生超載。節(jié)點超載個數(shù)和管道超載個數(shù)達52個以上。對于同一降雨歷時的降雨，隨著降雨重現(xiàn)期的增大，由于降雨強度變大，同一時間內(nèi)城市下墊面收集的雨水更多，匯入排水管網(wǎng)的水量更大，這使得節(jié)點超載數(shù)、節(jié)點溢流數(shù)、滿流管道數(shù)以及滿管時間均呈現(xiàn)增加的趨勢。但節(jié)點平均超載時長卻呈現(xiàn)減少的趨勢，是由于在降雨重現(xiàn)期增大導(dǎo)致超載的節(jié)點隨之增多所致。當降雨重現(xiàn)期不變，降雨歷時變大時，節(jié)點平均超載時長、節(jié)點超載數(shù)、滿流管道數(shù)基本保持不變，而節(jié)點溢流數(shù)減少，滿管時間增加。其中，在更短的降雨歷時下，同一重現(xiàn)期降雨在時程上的分配更為密集，當管道排水能力不足時，水從管道兩側(cè)進入檢查井，此時更容易造成檢查井溢流，實際中對于短歷時強降雨要引起足夠重視?？偟膩碚f，各項指標受降雨重現(xiàn)期的影響較大，而節(jié)點超載數(shù)、滿流管道數(shù)受降雨歷時影響相對較小。

表5 不同內(nèi)澇情景下管網(wǎng)排水特征統(tǒng)計

4 結(jié) 論

以福州市某典型居民小區(qū)為例，基于實測的管道液位數(shù)據(jù)，利用遺傳算法對SWMM參數(shù)進行優(yōu)化率定，并利用Morris法對影響產(chǎn)匯流計算的主要參數(shù)敏感性進行了分析。在此基礎(chǔ)上，利用不同重現(xiàn)期的降雨驅(qū)動模型，比較分析各種情景下小區(qū)排水管網(wǎng)的排水能力。主要結(jié)論如下：

基于遺傳算法率定研究區(qū)SWMM參數(shù)，20180531場次降雨計算得到納什效率系數(shù)為0.82；實測最大水位為4.64 m，模型計算得到的水位為4.66 m；實測峰現(xiàn)時間為當日20：40，模型計算得到峰現(xiàn)時間為20：35。20180620場次降雨計算得到納什效率系數(shù)為0.81；實測最大水位為4.750 m，模型計算得到的水位為4.758 m；實測峰現(xiàn)時間為當日18：30，模型計算得到峰現(xiàn)時間為18：25。基于Morris篩選法進行SWMM參數(shù)敏感性分析，得到洪峰流量對模型參數(shù)敏感性系數(shù)S分布圖。結(jié)果顯示，降雨重現(xiàn)期較小時，參數(shù)敏感性系數(shù)分布相對均勻。隨著降雨重現(xiàn)期增大，參數(shù)敏感性分布相對集中。衰減系數(shù)、最大下滲率、最小下滲率以及管道曼寧系數(shù)比其他參數(shù)更為敏感。

對研究小區(qū)進行管網(wǎng)排水計算，得到不同降雨情景下的洪峰流量、節(jié)點平均超載時長、節(jié)點超載數(shù)、節(jié)點溢流數(shù)、滿流管道數(shù)、滿管時間等指標。結(jié)果表明，在降雨歷時相同時，隨著降雨重現(xiàn)期的增加，該小區(qū)的洪峰流量逐漸增加，峰現(xiàn)時間較為接近。在不同的降雨歷時下，小區(qū)排口峰值流量比較接近，而峰現(xiàn)時間直接受雨鋒的影響，一般出現(xiàn)在降雨峰值后的5 min。在降雨歷時增加時，滿管時間相應(yīng)增加。各項指標受降雨重現(xiàn)期的影響較大，其中，節(jié)點超載數(shù)、滿流管道數(shù)受降雨歷時影響相對較小。

本文在城市社區(qū)尺度下完成排水模型構(gòu)建、參數(shù)率定及敏感性分析、組合工況模擬及排水能力量化分析等工作，較為完整地分析了城市排水內(nèi)澇情勢，對相關(guān)防洪排澇工作有一定的借鑒意義。論文工作本身也存在以下不足：實測數(shù)據(jù)的缺乏使本文僅使用2場實測雨洪過程進行參數(shù)的率定和驗證，使模型參數(shù)在其他場次降雨中的泛化能力有所欠缺，未來應(yīng)搜集更多的實測資料，不斷地對模型進行優(yōu)化，增加模型的魯棒性和泛化能力。此外，更多的實測資料也有利于進一步對遺傳算法的超參數(shù)進行校核；本文僅對社區(qū)尺度洪澇過程中地表產(chǎn)流、地表匯流及管網(wǎng)匯流3個過程做了模擬，并未涉及河網(wǎng)匯流及地表漫流等重要過程，如直接導(dǎo)致城市內(nèi)澇節(jié)點的溢水過程。在后續(xù)工作中需要將SWMM與其他模型工具相結(jié)合，綜合利用水文與水動力學(xué)方法，模擬城市尺度洪澇全過程。