法律状态公告日
法律状态信息
法律状态
2022-06-28
公开
发明专利申请公布
技术领域
本发明涉及人工智能及城市水文领域，具体涉及一种基于人工智能算法的绿色基础设施空间布局优化方法。
背景技术
加强城市雨水管理对于解决城市水安全问题具有重要作用，“使雨水尽快远离城市”的传统理念已无法满足现代城市的雨洪管理需求，取而代之的是建设“海绵城市”的新观念。其统筹了低影响开发雨水系统、城市雨水管渠系统和超标雨水径流排放系统，而绿色基础设施是低影响开发雨水系统建设的核心技术。研究绿色基础设施的空间优化布局，对于建立合理高效的低影响开发雨水系统、城市防洪减灾、缓解水资源危机、净化水质和补偿生态环境等方面都具有重大意义(Raei E,Alizadeh M R,Nikoo M R, et al.Multi-objective decision-making for green infrastructure planning(LID-BMPs) inurban storm water management under uncertainty[J].Journal of Hydrology,2019,579:124091.)。
绿色基础设施在城市雨洪管理中的作用至关重要，其空间布局优化研究也取得了一定的成果(Huang C L,Hsu N S,Liu H J,et al.Optimization of low impactdevelopment layout designs for megacity flood mitigation[J].Journal ofhydrology, 2018,564:542-558.)，但仍存在一些不足之处，如(1)绿色基础设施空间布局优化的目标函数过于单一，难以满足防洪排涝工作日益增加的要求；(2)缺乏常用寻优方法的适用性与可行性评估，难以判断计算出来的最优解是否为全局最优解。因此，本发明建立基于人工智能算法的绿色基础设施空间布局优化框架，集合多种优化方法结果探讨全局最优方案。预期成果可为全国的海绵城市规划与建设提供理论支撑与技术支持，对城市水安全治理问题具有重要的现实意义。
发明内容
为获得全局最优的绿色基础设施空间布局方案，本发明提出将绿色基础设施的空间关系以及水流流向也作为优化的一个因素，提出了基于人工智能算法的绿色基础设施空间布局优化，用于指导海绵城市建设的相关规划。通过采用人工智能算法构建优化模型，采用多方法结果提取全局最优结果，为绿色基础设施空间布局提供了一个更加全面的计算方法。
本发明的目的至少通过如下技术方案之一实现。
一种基于人工智能算法的绿色基础设施空间布局优化方法，包括以下步骤：
S1、获取研究区域的基础数据和监测数据；
S2、采用研究区域的基础数据构建研究区域的雨洪管理模型(Storm WaterManagement Model,SWMM)；
S3、确定绿色基础设施(Green Infrastructure,GI)基础特征参数的取值，确定绿色基础设施的水流方向；
S4、构建基于人工智能算法与SWMM模型结合的绿色基础设施空间布局优化模型；
S5、基于绿色基础设施空间布局优化模型的模拟结果，获取最优的布局方案。
进一步地，步骤S1中，研究区域的基础数据包括地理数字高程信息、土地利用类型、河网数据和管网数据；
研究区域的监测数据包括降雨量、管道/河道流量和检查井水位；
研究区域的地理数字高程信息为研究区域的高程数据；土地利用类型为研究区域的下垫面类型，分为透水下垫面和不透水下垫面；河网数据包括河网空间分布和河道地形数据；管网数据包括管网空间分布、管道长度、管道截面形状、管径、检查井深度和管道与检查井的连接方式；
研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据通过当地的水务部门获取；
研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据需要限制为同一坐标系。
进一步地，步骤S2中，应采用步骤S1中的管道流量和检查井水位数据，通过模拟结果与监测数据对比的方式率定和验证SWMM模型的合理性和精确度，具体如下：
具体对比的模拟结果与监测数据为检查井水位以及管网、河道的流量过程，采用纳什效率系数(NSE)评价SWMM模型模拟的准确性，计算公式如下：
其中，Y
进一步地，步骤S3中，绿色基础设施包括表面层绿色基础设施、路面层绿色基础设施、土壤层绿色基础设施和畜水层绿色基础设施；
表面层绿色基础设施的基础特征参数包括表面层的护堤蓄水高度、植被覆盖率、曼宁系数和表面坡度；
路面层绿色基础设施的基础特征参数包括路面层的厚度、孔隙比、不透水率、渗透率和堵塞因子；
土壤层绿色基础设施的基础特征参数包括土壤层的厚度、孔隙比、土壤持水率、萎蔫点、水力传导率、水力传导坡度和水吸力；
蓄水层绿色基础设施的基础特征参数包括蓄水层的厚度、孔隙率、下渗率和阻碍因子。
进一步地，步骤S3中，根据绿色基础设施所处位置高低，绿色基础设施之间的水流方向为从高到低。
进一步地，步骤S4中，构建绿色基础设施空间布局优化模型的目标函数、约束条件和人工智能算法，具体如下：
所述目标函数用于指导绿色基础设施空间布局优化模型的优化目标，包括全生命周期成本和径流与水质控制效率；整个绿色基础设施空间布局优化模型朝着成本最低，效率最高的目标进行优化；
所述约束条件用于限制绿色基础设施的布局，包括绿色基础设施应因地制宜布置和绿色基础设施在某一地块布置面积时不能超过该地块的面积；
人工智能算法用于根据目标函数在约束条件范围内寻找最优的空间布局，包括位置、面积和连接关系；采用多目标优化算法，包括SPEA、NSGA以及 MOEA。
进一步地，所述全生命周期成本f
其中，r为绿色基础设施设施的种类个数；k为计算期，单位为年；i为年利率，单位为％；C
进一步地，所述径流与水质控制效率f
其中，f
不同方案的径流控制效率和水质控制效率采用SWMM模型进行计算。
进一步地，所述绿色基础设施因地制宜布置包括下凹式绿地宜布置在原本是绿地和不透水公共区域、绿色屋顶宜布置在原本为屋顶的区域以及渗透铺装宜布置在原本是不透水路面的区域。
进一步地，步骤S5中，基于绿色基础设施空间布局优化模型的模拟结果包括多个人工智能算法算出的结果，每个算法的结果均为一个局部最优结果，采用外包线方法确定全局最优结果，确定不同成本下的绿色基础设施空间布局的最优方案。
与现有的技术相比，本发明的有益效果为：
本发明可以计算研究区在不同成本下的绿色基础设施优化布局方案，提出将绿色基础设施连接关系作为优化因子之一，采用多种人工智能算法避免模拟结果陷入局部最优解，为构建全局最优的绿色基础设施空间布局提供一种新的途径，为海绵城市规划与建设提供了更加全面的计算方法。
附图说明
图1为本发明一种基于人工智能算法的绿色基础设施空间布局优化方法的流程图；
图2为本发明实施例中一种基于人工智能算法的绿色基础设施空间布局优化方法的绿色基础设施水流流向示意图；
图3为本发明实施例中一种基于人工智能算法的绿色基础设施空间布局优化方法的人工智能算法与SWMM模型调用关系示意图(以NSGA II为例)；
图4为本发明实施例中一种基于人工智能算法的绿色基础设施空间布局优化方法的基于多个人工智能算法的局部最优前沿得到全局最优前沿示意图。
图5为本发明3个实施例的全局最优前沿对比图。
具体实施方式
以下结合附图及实施例对本发明的具体实施作进一步说明。在本说明书的叙述中提到的相同或类似的符号和标注，代表相同或近似的物理意义或具有相同或近似的功能，并且本说明书中使用的图例，仅仅是为了更好的解释本发明，本发明的适用性并不限制于此。
实施例：
一种基于人工智能算法的绿色基础设施空间布局优化方法，如图1所示，包括以下步骤：
S1、获取研究区域的基础数据和监测数据；
研究区域的基础数据包括地理数字高程信息、土地利用类型、河网数据和管网数据；
研究区域的监测数据包括降雨量、管道/河道流量和检查井水位；
研究区域的地理数字高程信息为研究区域的高程数据；土地利用类型为研究区域的下垫面类型，分为透水下垫面和不透水下垫面；河网数据包括河网空间分布和河道地形数据；管网数据包括管网空间分布、管道长度、管道截面形状、管径、检查井深度和管道与检查井的连接方式；
研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据通过当地的水务部门获取；
研究区域的地理数字高程信息、土地利用类型、河网数据和管网数据需要限制为同一坐标系。
S2、采用研究区域的基础数据构建研究区域的雨洪管理模型(Storm WaterManagement Model,SWMM)；
通过监测得到步骤S1的管道流量和检查井水位数据，采用模拟结果与监测数据对比的方式率定和验证SWMM模型的合理性和精确度，具体如下：
具体对比的模拟结果与监测数据为检查井水位以及管网、河道的流量过程，采用纳什效率系数(NSE)评价SWMM模型模拟的准确性，计算公式如下：
其中，Y
S3、确定绿色基础设施(Green Infrastructure,GI)基础特征参数的取值，确定绿色基础设施的水流方向；本实施例中，选择建设绿色屋顶、下凹式绿地、透水铺装以及生物滞留池四种不同的绿色基础设施为例进行说明。
本实施例中，以透水铺装为例，绿色基础设施的基础特征参数应包括下表所示的参数。
表1绿色基础设施基础特征参数表(以透水铺装为例)
根据绿色基础设施所处位置高低，绿色基础设施之间的水流方向为从高到低。
本实施例中，屋顶处于最高位置，透水铺装、生物滞留池次之，接着是下凹式绿地，最后是出水口。水流可以从高位的绿色基础设施可以流向低位的绿色基础设施，反之则不行。本实施例的连接方案如图2所示。
S4、构建基于人工智能算法与SWMM模型结合的绿色基础设施空间布局优化模型；
构建绿色基础设施空间布局优化模型的目标函数、约束条件和人工智能算法，具体如下：
所述目标函数用于指导绿色基础设施空间布局优化模型的优化目标，包括全生命周期成本和径流与水质控制效率；整个绿色基础设施空间布局优化模型朝着成本最低，效率最高的目标进行优化；
所述约束条件用于限制绿色基础设施的布局，包括绿色基础设施应因地制宜布置和绿色基础设施在某一地块布置面积时不能超过该地块的面积；
人工智能算法用于根据目标函数在约束条件范围内寻找最优的空间布局，包括位置、面积和连接关系；人工智能算法采用多目标优化算法，包括SPEA、 NSGA以及MOEA。本实施例中，采用三种多目标优化算法，包括SPEA II、 MOEA\D和NSGA II。
所述全生命周期成本f
其中，r为绿色基础设施设施的种类个数；k为计算期，单位为年；i为年利率，单位为％；C
所述径流与水质控制效率f
其中，f
不同方案的径流控制效率和水质控制效率采用SWMM模型进行计算，多目标优化算法与SWMM模型的调用关系如图3所示(以NSGA算法为例)。多目标优化算法构建绿色基础设施空间布局方案，得到的方案输入到SWMM模型中进行计算，计算结果反馈给多目标优化算法，判断是否完成迭代；若是，则停止迭代；若否，则由多目标优化算法构建新方案重新计算。
所述绿色基础设施因地制宜布置包括下凹式绿地宜布置在原本是绿地和不透水公共区域、绿色屋顶宜布置在原本为屋顶的区域以及渗透铺装宜布置在原本是不透水路面的区域。
S5、基于绿色基础设施空间布局优化模型的模拟结果，获取最优的布局方案；
基于绿色基础设施空间布局优化模型的模拟结果包括多个人工智能算法算出的结果，每个算法的结果均为一个局部最优结果，采用外包线方法确定全局最优结果，确定不同成本下的绿色基础设施空间布局的最优方案，如图4所示，每种图案都是一种算法算出的结果，即局部最优结果，虚线代表的是采用外包线方法得到的全局最优结果。
实施例2：
本实施例与实施例1的不同之处在于，多目标优化算法只采用NSGA II算法。
实施例3：
本实施例与实施例1的不同之处在于，本实施例中，绿色基础设施之间无水流连接。
结果对比：选择了广州市某片区为研究区，分别计算出三个实施例在5年一遇设计暴雨情景下的计算结果，如图5所示，展示了三个实施例的结果。从图中可以发现实施例1的前沿曲线是最优的。实施例2仅采用NSGA II算法进行计算，得到的前沿曲线在成本低于120万及高于250万时劣于实施例1的结果。实施例3的绿色基础设施之间无水流连接，即不考虑连接关系，得到的方案无论在哪个成本下的均劣于实施例1的结果。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
