强潮河口潮流挟沙能力的影响因子研究

曾　剑，陈　刚

(浙江省水利河口研究院，浙江　杭州　310020)



强潮河口潮流挟沙能力的影响因子研究

曾剑，陈刚

(浙江省水利河口研究院，浙江杭州310020)

摘要：借助大量的钱塘江河口实测水沙资料，通过引入时变挟沙能力的概念获取了挟沙能力的数据，利用RBF神经网络的拟合功能，构建了强潮河口潮流挟沙能力预测模型，经检验该模型具有较好的泛化能力。采用正交试验设计方法，结合方差分析法定量分析了各因素对挟沙能力的敏感性。结果表明，挟沙能力与垂线平均流速呈正相关关系，而与水深呈负相关关系，当泥沙沉速小于0.06 cm/s的范围内，水流挟沙能力与泥沙沉速呈正相关关系，超出此范围后，则呈负相关关系。

关键词：强潮河口；挟沙能力；RBF神经网络；影响因子

1问题的提出

水流挟沙能力是指在一定水流泥沙和断面形态条件下河床处于平衡状态时水流所能挟带的最大含沙量。水流挟沙能力作为河流动力学的基本问题，是河流整治与涉水工程的规划、设计与实施中最为关键的水沙综合参数之一，因此，受到工程界与学术界的广泛关注。尽管国内外的学者提出了很多描述水流挟沙能力的公式，但尚未找到一个具有普遍意义的统一计算公式。尤其在强潮河口，受水流的非恒定性、泥沙运动的复杂性等因素影响，水流挟沙能力的研究更为困难。

潮汐河口受涨、落潮流的影响，水流具有非恒定性与非对称性，因此，在潮汐河口的挟沙能力公式中大多数引入半潮平均的概念，将水力参数和含沙量在半潮周期内取平均值构建经验公式[1]。考虑到河口地区影响挟沙能力的因素众多，国内学者有引入前期含沙量因子或波浪要素等[2-3]，以改进半潮平均公式的拟合精度。国外学者在计算河口河床变形时也多用定常的侵蚀率和沉积率函数或床面平衡浓度[4-5]。由于河口输沙总是随潮流作非恒定的变化，孙志林等[6]提出了时变挟沙能力的概念，认为水体中含沙量始终随着水流挟沙能力的变化进行调整，力图达到两者平衡，在半潮周期内存在2个瞬间的平衡点。于是，依据瞬间平衡机理获取河口水流时变挟沙能力数据，并建立了相应的经验公式。

河口挟沙能力的大小受垂线平均流速、水深、泥沙沉速、潮差、半潮平均水深、泥沙粒径比等多种因素影响，它们之间存在复杂的映射关系，目前准确地表达这种复杂的映射关系仍有相当的困难。而近年发展起来的人工神经网络具有很强的拟合处理能力，可以逼近任何的非线性函数。本文利用大量的钱塘江河口实测水沙资料，根据时变挟沙能力的概念获取挟沙能力的数据，构建基于RBF神经网络的强潮河口潮流挟沙能力预测模型，识别挟沙能力与各影响因素之间的复杂关系，并对影响程度加以定量分析。

2挟沙能力资料的提取

在潮汐河口，由于流速和潮位呈周期性、非恒定变化，而对应的水流挟沙能力也呈相应变化，孙志林等[6]据此提出了时变挟沙能力的概念，即水流挟沙能力在半潮周期内随潮速和潮位同步变化，是时间的函数。并定义归一化时变水流挟沙能力Y与归一化含沙量Z为：

(1)

(2)

式中：S*(t)为时变挟沙能力，S*max为半潮周期内最大时变水流挟沙能力，S(t)含沙量过程，Smax半潮周期内最大含沙量，Smin半潮周期内最小含沙量，v为垂线平均流速，g为重力加速度，h为水深，α为待定指数。

根据实测流速、水深以及含沙量过程，得到归一化时变水流挟沙能力Y与归一化含沙量Z随时间的变化曲线(见图1)。如果将潮汐河口水位和流速近似于正弦或余弦的变化规律，则可得到概化的Y、Z随时变化曲线(见图2)。

由图1～2及式(1)可知，当水流强度逐渐增大时，挟沙能力随水流强度而增大，并同步达到峰值，而含沙量并未同步达到最大值。同理，当挟沙能力随水流减速而降至低谷时，含沙量浓度仍未降到最低。这意味着水体含沙量始终随着水流挟沙能力的变化进行调整，力图达到两者平衡，其响应相对于挟沙能力在时间上是滞后的。但是，水流挟沙能力和含沙量随潮变化的曲线一定存在2个瞬间相交的平衡点(B点与C点)，此时，水流挟沙能力恰等于平衡含沙量浓度。

通过对钱塘江河口水域历年多测次、多站点的水文泥沙测量数据的整理与筛选，本着合理、完整及具有代表性的原则，共选取了从钱塘江河口段到杭州湾湾口广阔水域自2003年以来的共23个现场观测站点的资料作为基础性数据，其位置见图3，选取的23个现场观测站点上至钱塘江九堡、下达杭州湾湾口断面，涵盖了整个钱塘江河口及杭州湾广阔的水域，这些水文测站位于诸如九堡大桥、秦山核电、嘉兴电厂等重要的涉水工程水域和南股槽等重要的河口整治工程水域以及湾口控制断面等重要部位，具有良好的代表性。根据23个现场观测站的实测水沙资料绘制含沙量、流速和水深过程线，按瞬间平衡机理，选取含沙量过程线上平衡点的含沙量作为挟沙能力，并提取相应时刻的流速、水深、盐度、泥沙粒径等资料，构建了由248组的实测资料组成的挟沙能力数据库。

3挟沙能力的神经网络模型

为了消除输入与输出数据的物理意义、量纲、大小的差异，对数据样本进行了归一化处理。将归一化后的垂线平均流速、水深、泥沙沉速、潮差、半潮平均水深、泥沙粒径比作为RBF网络的输入样本，相应的水流挟沙能力作为期望输出，具体算法详见文献[7]。

通过输入与输出序列之间对应关系的反复学习和训练，并在网络训练成功后，利用检验样本对泛化能力进行了检验，图4列出了训练样本与检验样本的模型计算值与实测值的对比。由图4可知，大部分点据落在45°线附近，模型计算的水流挟沙能力与训练样本实测值，平均误差0.25 kg/m3，平均相对误差在20%以内，计算值与实测值的相关系数可达0.94。模型计算值与检验样本实测值平均误差为0.26 kg/m3，平均相对误差在18%以内。可见，模型的训练与检验的精度较高，较好地反映了潮流挟沙能力与影响因素之间的复杂关系。

4影响因素的敏感性分析

4.1正交试验设计方案

依据正交试验原理，对垂线平均流速、水深、泥沙沉速、潮差、半潮平均水深、泥沙粒径比等6个因素变化引起的对水流挟沙能力的影响程度安排试验方案，各因素的取值范围按提取数据的极值，均匀的概化为5个因素水平，各因素水平的次序按抽签方式随机排列，以减少水平次序引起的系统误差(见表1)。对于5水平6因素的正交试验，可选取L25(56)的正交表，设计了25个计算方案。根据设计的计算方案，采用已建立的RBF神经网络模型，计算相应的挟沙能力。

注：表中上标1的数据为取值范围。

4.2影响因素的显著性检验

评价影响因素的显著性采用方差分析法[8]，即F检验。该方法可将因素的显著性水平划分为4个等级，即特别显著影响、显著影响、有影响但不显著、无影响。方差分析结果表明(见表2)，垂线平均流速的F值达19.4远大于临界值F0.01(4,12)，对挟沙能力有特别显著的影响，而水深与泥沙沉速的F值介于F0.05(4,12)与F0.1(4,12)之间，对挟沙能力有显著影响，潮差、半潮平均水深、泥沙粒径比的均方差仅为0.33、0.19、0.28，对挟沙能力的影响很小，为次要因素。

4.3主要因素的影响趋势分析

由于正交试验设计的计算方案，使得每个因素各级水平出现的次数相同且相互间各碰一次，最大限度地排除了其它因素的干扰。因此，各因素每一水平级挟沙能力的均值反映了遭遇不同取值的其他因素时该因素对挟沙能力影响的平均情况。表2列出了3个主要影响因素各水平级下的挟沙能力的均值，趋势分析见图5。

从图5可知，水流挟沙能力与垂线平均流速呈正相关关系，平均流速增大，水流挟沙能力增大，反之，水流挟沙能力减小。平均情况下，垂线平均流速增大1.0 m/s，水流挟沙能力增大1.1 kg/m3。水流挟沙能力与水深呈负相关关系，水深增大，挟沙能力减弱，就平均而言，水深增大10 m，水流挟沙能力减小0.8 kg/m3。水流挟沙能力与泥沙沉速并非呈单一的递增或递减关系，而是存在某一极值。就平均而言，泥沙沉速的极值约为0.06 cm/s，在泥沙沉速小于0.06 cm/s的范围内，水流挟沙能力与泥沙沉速呈正相关关系，大于0.06 cm/s沉速后，水流挟沙能力与泥沙沉速呈负相关关系。

5结语

本文利用基于RBF神经网络的强潮河口潮流挟沙能力预测模型，讨论了影响挟沙能力的主要因素，其中垂线平均流速的影响特别显著，水深与泥沙沉速有显著影响。定量分析表明，挟沙能力与垂线平均流速呈正相关关系，而与水深呈负相关关系，当泥沙沉速小于0.06 cm/s的范围内，水流挟沙能力与泥沙沉速呈正相关关系，超出此范围后，则呈负相关关系。有趣的是钱塘江河口絮凝极限沉速约0.058 cm/s与上述极值十分接近，是否意味着因絮凝沉降的影响水流挟沙能力随沉速的增加而减小，其机理有待进一步研究。

参考文献：

[1]韩曾萃，戴泽蘅，李光炳.钱塘江河口治理开发[M].北京：中国水利水电出版社，2003.

[2]窦国仁，董凤舞.波浪和潮流的挟沙能力[J].科学通报,1995,40(5):443-446.

[3]赵龙保,祝永康.椒江河口挟沙力经验关系初步分析[J].泥沙研究,1991(4):69-75.

[4]Gleizon P,Punt A G,Lyons M G.Modeling hydrodynamicssediment flux within a macrotidal estuary:Problems andsolutions [J].The Science of The Total Environment,2003,314-316(1):589-597.

[5]Tayfur G.Applicability of sediment transport capacitymodels for nonsteady state erosion from steep slopes [J].Journal of Hydrologic Engineering，2002，127(3):252-259.

[6]孙志林，夏珊珊，朱晓，等.河口时变水流挟沙能力公式[J].清华大学学报(自然科学版)，2010(3):383-386.

[7]闻新，周露，李翔,等.MATLAB神经网络仿真与应用[M].北京：科学出版社，2003.

[8]吴翊.应用数理统计[M].长沙：国防科技大学出版社，1997.

(责任编辑郎忘忧)

Research on Influencing Factors of Currents’ Sediment Carrying Capacity of Strong Tidal Estuary

ZENG Jian, CHEN Gang

(Zhejiang Institute of Hydraulics & Estuary, Hangzhou 310020, Zhejiang, China)

Key words:strong tidal estuary; sediment carrying capacity; RBF neural network;influencing factor

Abstract:By introducing the concept of time-dependent sediment carrying capacity, this study acquired the sediment transport capacity data from plenty of measured water and sediment data of Qiantang River estuary. Using the fitting function of RBF neural network, a sediment transport capacity prediction model of strong tidal estuary was constructed. Upon examination, this model has good generalization ability. Using orthogonal experiment design method combined with variance analysis method, the paper analyzed the sensitivity of each factor to sediment carrying capacity quantitatively. The results show that sediment carrying capacity was positively correlated with vertical average flow velocity, while negatively correlated with water depth. When sediment settling velocity was less than 0.06 cm/s, there was a positive correlation between the flow sediment carrying capacity and sediment settling velocity; beyond this range, it was a negative correlation relationship.

收稿日期：2016-01-11

基金项目：国家自然科学基金(41376099)；水利部公益性行业科研专项(201401010)。

作者简介：曾剑(1974-)，男，教授级高级工程师，博士，从事河口海岸工程科研。E-mail:zengj-1000@163.com

中图分类号：P731.23

文献标识码：A

文章编号：1008-701X(2016)02-0001-04

DOI：10.13641/j.cnki.33-1162/tv.2016.02.001