LSTM模型在海绵城市建设中的应用

2022-02-10朱健

净水技术 2022年2期

朱健

(上海视觉艺术学院视觉德稻设计学院，上海 201620)

随着可持续发展理念的不断发展，国家开始大力推进海绵城市建设，自2015年开始在16个试点城市建设到现在，全国已经有130多个城市制定了海绵城市的建设方案，海绵城市的建设核心是使得70%的降水能够就地消纳和利用，为此，根据降水量和当前时刻的流体管道充满度来预测下一时刻的流体管道充满度，进而计算管道的降雨消纳能力和降雨利用能力。

在现有的雨水管道充满度预测研究中，盛政等[1]中采用BP神经网络对雨水管网填充度进行了预测，该技术能够对输入的信息进行学习与训练，虽然也能够实现雨水管网填充度的预测，但是在应用过程中，需要大量的训练样本，其输出结果太过依赖时间序列，很容易导致预测结果不准确。李爱莲等[2]采用了LMST模型对焦炉火道温度进行了预测，该技术需要对现场的工况数据信息进行采集，并需要提取工况特征，这些步骤耗费时间长，该研究又采用相关分析法计算出炉温的温度变化影响量，虽然能够实现实时、在线监测，计算精度好，误差小，但是该技术仍旧存在一些不足，比如时间序列数据的预测精确度、流体管道承载能力预测和就地消纳利用等计算问题。

针对上述技术的不足，本文采用改进LMST模型对海绵城市建设中的流体管网充满度进行预测。该模型能有效地解决海绵城市建设中存在的上述问题[3]。

1 海绵城市理念的具体应用方式

本研究利用海绵城市的理念，能够在雨季蓄水、旱季排水，实现水资源的合理调配[4]。本研究的排水方式与传统城市的排水方式相比，需要考虑到排水量，排水过多或者过少对生态环境的稳定性都有影响。

由图1可知，现有技术中的城市给排水规划考虑面太窄，例如仅仅在通畅方面考虑排水效率，很少考虑到水量的二次应用或者回收、参透方面流体。这种方式会存在诸多技术弊端，比如在多雨季节时，流体滞留地表，造成城市交通障碍等[5]。

图1 海绵城市与传统城市给排水对比Fig.1 Comparison of Water Supply and Drainage between Sponge City and Traditional City

海绵城市的基本思想是协调城市发展建设和自然生态环境之间的关系[6]，海绵城市的给排水在流体的渗透、集蓄、滞留、净化和循环等综合方面都能够得到充分地利用，并能提高流体资源的综合利用率和污水污染的处理率[7]。海绵城市的给排水主要采用下渗减排和集蓄利用等方法来对流体进行截留，以便在旱季利用。下渗减排主要采用渗透性路面来实现，流体通过渗透性路面下渗到下方的管道设备，实现水资源的有效利用[8]；集蓄利用主要采用蓄水池、流体灌湿塘和流体湿地等方式来实现，通过对流体回收利用设施进行合理的布局规划，能够解决多雨季节城市内涝，保证城市建设过程中水文特征不变。

2 关键技术设计

基于上述概述和对比分析，在海绵城市的给排水规划方案上进行设计、研究渗透性路面技术和管道流体填充度预测技术。

2.1 渗透性路面设计

本研究的渗透性路面通过空隙较大的混合材料进行构建[9]，这种材料能够使路面的透水性能比较好，流体能够透过混合材料中的不同结构层流入路面或者路基。在该渗透性路面的基础上，引用LSTM模型能够通过渗透性路面输出的数据信息(比如水流方向、土基、垫层、隔水层等蕴含其他材料信息)评估海绵城市给排水方式。由于海绵城市是一个比较大的范畴，基于本研究篇幅的限制，仅仅以该渗透性路面作为构建海绵城市的示例性说明。本研究的渗透性路面结构如图2所示。

图2 渗透性路面结构Fig.2 Permeable Pavement Structure

城市道路一般都由面层、基层、垫层和土基4层组成，面层采用空隙率大的材料修建，地表水透过面层，从而进行引流排放。对于流体较多的地区，可以适当增高面层的厚度来缓冲[10]。上述信息可以作为LSTM模型输入的数据信息。由于渗透性路面的材料对透水性能具有至关重要的影响，当前，渗透性路面大多数采用沥青路面[11]。影响渗透性路面的性能中重要的因素是路面的空隙率，所以当空隙率在20%～25%且在雨天时，能够避免道路表面因雨水积蓄而构成的水膜，这样能够提升路面的摩擦系数和粗糙度，使得车辆行驶过程中，能够牢牢抓地，保证车辆行驶安全性能。不同国家采用的空隙率数据对比如表1所示。

表1 不同国家采用的空隙率数据Tab.1 Void Ratio Adopted by Different Countries

面层是本文渗透性路面最重要的部分，为了保证渗透性路面的强度和空隙率，对面层材料的选用加以说明。面层的组成材料是粗细集料、沥青和矿粉等[12]，粗集料需要选用高品质、干净、强度高、耐久性高的碎石，通过粗粒料之间的相互嵌挤形成强度足够的面层[13]。骨料是路面的骨架，骨架的力学性能也影响着路面的强度，粗骨料选用颗粒较小(5～10 mm)的单一粒径级配。增加适量的矿粉能够提高路面的强度，选用水泥粉作为矿粉，含量不超过5%。面层的空隙会导致道路的耐久性下降，为了提高路面的耐久性，可以添加纤维加以改善，也可以添加少量的黏结剂或者两者并用，让空隙表面生成足够厚的沥青膜，增加路面的耐久性，本研究采用高黏沥青或者橡胶沥青来提高混合料的黏度。另外，在SBS和A级道路石油沥青中添加多种高聚物添加剂，可以在60 ℃时形成动力黏度达到60 000 Pa·s以上的特种沥青材料[14]，纤维可以选用矿物纤维，如岩棉(slag wool)或矿渣棉(rock wool)纤维，纤维长度小于6 mm，厚度小于0.005 mm。

基于上述渗透性路面性能特征的分析，下文引入改进后的LSTM模型，以实现流体管网充满度预测。

2.2 基于改进LSTM模型的流体管网充满度预测

基于上述渗透性路面特征分析，在引用改进后的LSTM模型时，将上述的面层、基层、垫层和土基等数据的排水能力及信息作为LSTM模型的输入信息进行处理，然后结合渗透性路面的实际情况构建预测模型，对流体管道的流体填充度进行预测，进而评估流体管网的排水能力，以解决城市内涝和旱季缺水问题。

为了提高模型的评估能力，下面仅通过渗透性路面的关键特征量作为分析对象，下面分步骤进行说明。

(1)确定输入量。将所在地区最大降雨量的时间序列和当前时刻的流体管网的流体填充度作为输入量，通过该模型计算，则可以输出为下一时刻的流体管网充满度。

(2)构建LSTM模型。该模型的特点在于时间序列数据的预测，通过采用改进的循环神经网络(RNN)进行计算。在应用RNN时，其系统架构包括输入层、隐含层和输出层，隐含层在整个数据模型中处于核心位置，也是计算和评估的关键[15]。RNN模型构建如图3所示，隐含层如图4所示。

注：xt为输入序列，ht为隐藏层序列，yt为输出序列图3 RNN结构Fig.3 RNN Structure

RNN模型计算如式(1)～式(2)。

ht=fa(Uxt+Wht-1+bh)

(1)

yt=fy(Vht+by)

(2)

其中：fa、fy——激励函数；

bh——隐含层的偏置向量；

by——输出层的偏置向量；

U、W、V——权重矩阵；

xt——输入信息；

ht、ht-1——隐含层的自输入、输出信息；

yt——输出信息。

图4 RNN隐含层结构Fig.4 RNN Hidden-Layer Structure

采用RNN的原因是该模型具有较强的记忆功能，在处理关于时间序列数方面有突出的技术优势，但是容易出现梯度消失、梯度紊乱、记忆时间短等技术弊端[16]。

(3)采用模型进行计算。研究采用改进型LSTM循环神经网络[17]，能够对RNN的隐含层进行技术升级，改进型LSTM循环神经网络中的隐含层架构如图5所示。

注：1. ft为输入门，it为遗忘门，ot为输出门；2. φ1为sigmoid函数，φ2为tanh函数；3.ct为t时刻的细胞输出信息，ct-1为t-1时刻的细胞输出信息；4. ht、ht-1为隐含层t和t-1时刻的输出信息；5. g2为ht-1的tanh函数处理结果；6. xt为t时刻输入信息；7. 方框内×和+为信息的乘和加运算符号图5 LSTM隐含层结构Fig.5 LSTM Hidden-Layer Structure

在新型的架构设计中，在LSTM隐含层中融合多种智能控制门的计算，比如输入门、遗忘门和输出门等。输入门的作用是控制信息的输入；遗忘门的作用是对输入的数据进行预处理；输出门的作用则是控制信息的输出。ht-1经过函数φ1、φ2处理能够得到t时刻的细胞输出信息ct、ht。

本研究的输入层为降雨量时间序列和当前时刻的流体管网充满度，流体填充度计算如式(3)。

其中：η——流体管网充满度；

h1——测量的液面高度，m；

h2——管道底部高度，m；

h——管道高度，m。

选择流体填充度作为标准进行训练的原因是流体填充度的收缩性好，能够减少训练的时间，输出层则为下一时刻的流体管网充满度。

但是LSTM模型没有解决RNN模型的预测滞后问题，而流体管网流体填充度预测结果是不能滞后的。因此，需要对LSTM模型进行改造，卷积神经网络(CNN)的优势在于能够从输入的信息中提取到更高阶的信息，同时把无用信息剔除[18]。基于此，本研究提出用CNN对输入的时间序列信息进行降维处理，体现更高阶的特征，再输入到LSTM模型中进行训练，这样训练速度就会大大加快，从而解决了预测滞后问题，同时CNN和LSTM使用相同的初始权重，不仅能够增强网络记忆模块的性能，还能减轻网络负载[19]，具体结构如图6所示。

图6 改进LSTM模型结构Fig.6 Improved LSTM Model Structure

改进后的LSTM模型是在RNN模型的基础上改进而来，在RNN模型中的隐含层融入多种智能控制门，采用CNN与LSTM模型相同的全连接层，对输入层的数据进行预处理，从而解决了RNN模型的信息紊乱、预测滞后的问题[20]。

(4)模型计算输出。通过上述模型，输出预测结果。在海绵城市建设中，透水性路面的建设已经具有了良好的研究基础，但是对比管道的建设以及排水规划，还需要进行深入的研究。以某一城市为例，在建设海绵城市的过程中，根据设计好的管道网进行建模仿真，输入管道充满度时间序列，通过CNN对数据进行降维，然后通过LSTM对管道的下一时刻充满度进行预测。根据预测结果，对海绵城市的蓄水建设提供相应的数据支持，比如根据实时的管道充满度预测，并通过人工智能技术关闭或打开管道的开关，又或者利用阀门，以实现雨水的合理排放以及存储。此外，不断改变降水量，根据预测结果可得管道网的最大降雨承载量，然后对比城市历年的最大降水量，对管道网进行相应的改进，以满足使用需求。上述流体管网充满度预测除了能够应用在海绵城市的雨水建设中，还能在此基础上进行一定的改进，用于其他行业、流体的预测上，为其他的行业提供一定的思路和技术支持。

3 试验结果与分析

本研究的渗透性路面性能和改进LSTM模型进行如下仿真试验，试验的硬件环境为CPU inter i7-9700 h，运行内存为16 G，硬盘内存为2 T。

3.1 渗透性路面性能分析

采用ANSYS有限元分析软件对本研究的渗透性路面性能进行分析，同时分别对渗透性路面和常规路面进行建模，选用的材料保持一致，设置相同的载荷，对ANSYS的分析结果进行整理，得到试验数据(表2)。

表2 试验数据Tab.2 Test Data

其中，载荷1为10 000 N，载荷2为30 000 N，载荷3为50 000 N。由表2可知，在相同载荷的情况下，渗透性路面的应力会比常规路面稍大，通过计算对渗透性路面和常规路面的应变进行对比(图7)。

图7 应变对比Fig.7 Strain Comparison

由图7可知，随着载荷的增加，渗透性路面的应变率要比常规路面大，设置渗透性路面的空隙率为20%，对渗透性路面的排水率、降噪能力进行验证，经过5次试验，对试验数据进行整理(表3)。与常规路面相比，渗透性路面的排水率可以达到90%左右，降噪率可以达到60%左右。

综上，渗透性路面虽然在强度上有所欠缺，但是具有常规路面没有的排水功能，并且排水能力较好。

3.2 改进LSTM模型的流体管网充满度预测分析

采用Python语言和基于Google开源框架的第二代人工智能学习系统TensorFlow，构建LSTM模型，TensorFlow具有效率高、使用方便等特点[21]。降雨量的时间序列来源为历年雨量计采集数据的平均值，采集间隔3 min，雨管液面高度采用液位传感器监测。训练样本采用某市2020年6月—8月的8场降雨资料，降雨时间分别为6月9日、6月20日、7月3日、7月10日、7月23日、8月9日、8月17日和8月28日，实测降雨数据如表4所示。