Page 48 - 2025年第56卷第2期
P. 48
污染事件数据对模型进行训练，而实际工程案例很难满足这一数据需求。因此，研究先由水流水质模
型生成大量的情景数据对模型进行训练。即，利用模型分别计算污染源在不同河道的首、中、末端断
面 ３个位置处对应的 ５个监测站点处浓度过程，并获取其浓度系列的特征值数据对 ＢＰ模型进行训练，
如表 ２所示。最终，所构建的 ＢＰ神经网络形成 ３６个输入、３６个隐含和 １２个输出的结构。此外，
表 ２中，为测试模型训练结果，还利用水流水质模型计算污染源在不同河道距其入口 ２、５和 ８ｋｍ处
对应的监测站点处浓度过程以获取对应浓度系列特征值数据进行测试。其中，ＢＰ模型训练时学习率 η
取值为 ０．２５，模型最大迭代次数为 ２００００。
表 ２ ＢＰ神经网络模型训练与测试结果
训练结果 测试结果
排污河道编号 排污位置 河道编码实际值 河道编码预测值 排污河道编号 排污位置（距入口） 河道编码实际值 河道编码预测值
１ 首断面 １ ０．９９２０ １ ２ｋｍ １ ０．９９１６
１ 中间断面 １ ０．９９０７ １ ５ｋｍ １ ０．９９０７
１ 末断面 １ ０．９８７９ １ ８ｋｍ １ ０．９８９４
２ 首断面 １ ０．９８７３ ２ ２ｋｍ １ ０．９７１０
２ 中间断面 １ ０．９３３１ ２ ５ｋｍ １ ０．９３３２
２ 末断面 １ ０．９９８６ ２ ８ｋｍ １ １．００００
３ 首断面 １ １．００００ ３ ２ｋｍ １ １．００００
３ 中间断面 １ ０．９９９９ ３ ５ｋｍ １ １．００００
３ 末断面 １ ０．９６７３ ３ ８ｋｍ １ ０．９９９７
４ 首断面 １ １．００００ ４ ２ｋｍ １ １．００００
４ 中间断面 １ ０．９９９７ ４ ５ｋｍ １ １．００００
４ 末断面 １ ０．９６０４ ４ ８ｋｍ １ ０．９９９５
５ 首断面 １ ０．９９６６ ５ ２ｋｍ １ ０．９８４９
５ 中间断面 １ ０．９９９８ ５ ５ｋｍ １ ０．９９９６
５ 末断面 １ ０．９０７２ ５ ８ｋｍ １ ０．９９９１
６ 首断面 １ ０．９７９４ ６ ２ｋｍ １ ０．９８１１
６ 中间断面 １ ０．９９５１ ６ ５ｋｍ １ ０．９８４８
６ 末断面 １ ０．９９８６ ６ ８ｋｍ １ ０．９８８１
７ 首断面 １ ０．９９３１ ７ ２ｋｍ １ ０．９９２７
７ 中间断面 １ ０．９９０１ ７ ５ｋｍ １ ０．９９３０
７ 末断面 １ ０．９７８２ ７ ８ｋｍ １ ０．９９１３
８ 首断面 １ ０．９９０７ ８ ２ｋｍ １ ０．９８９５
８ 中间断面 １ ０．９９４０ ８ ５ｋｍ １ ０．９９３４
８ 末断面 １ ０．９９０９ ８ ８ｋｍ １ ０．９９４
９ 首断面 １ ０．９９９７ ９ ２ｋｍ １ ０．９９９７
９ 中间断面 １ ０．９９９８ ９ ５ｋｍ １ ０．９９９８
９ 末断面 １ ０．９６２０ ９ ８ｋｍ １ ０．９９９８
１０ 首断面 １ ０．９９６０ １０ ２ｋｍ １ ０．９９５５
１０ 中间断面 １ ０．９９４６ １０ ５ｋｍ １ ０．９９５５
１０ 末断面 １ ０．９８６２ １０ ８ｋｍ １ ０．９９５１
１１ 首断面 １ ０．９９９９ １１ ２ｋｍ １ ０．９９９９
１１ 中间断面 １ ０．９９９６ １１ ５ｋｍ １ ０．９９９８
１１ 末断面 １ ０．９５６４ １１ ８ｋｍ １ ０．９９９６
１２ 首断面 １ ０．９９２０ １２ ２ｋｍ １ ０．９９２３
１２ 中间断面 １ ０．９９１７ １２ ５ｋｍ １ ０．９９０８
１２ 末断面 １ ０．９９１７ １２ ８ｋｍ １ ０．９８９７
— １ ８ —
８
