基于空间聚类算法的排水管网风险分析

2014年第4期(总198期)安徽建筑水、电、暖通技术与应用安徽建筑圜在核心点nodej满足nodej~．node，则认为点node是节点集合的噪点。⑤双重属性密度可达，给定一系列节点node，，node⋯⋯node，并且nodej双重属性直接密度可达于nodej+。(n一1)，则称节点node双重属性密度可达于节点node。2．2空间聚类算法步骤空间聚类算法用于节点风险分析的具体步骤可以总结如下。Step1：选取离排放口最近的节点node，作为起始节点。Step2：搜索起始节点node的双重属性邻域点，判断其是否为核心点。(~node。不是核心点，则暂时将其标记为噪点，找到下一个离排放口最近的节点作为新的起始节点，重复步骤2；②node是核心点，则建立新类，并将node。双重属性邻域内的所有点用node。的类标号标记，进入步骤3。Step3：依次用当前类别中的其他核心点进行搜索，找到所有双重属性密度可达于node的节点，用node的类标号标记，完成本聚类族的划分，进入步骤4。Step4：找到离排放口最近的未标记的节点，以此节点作为新的起始节点，进入步骤2进行新一个聚类族的搜索。直到所有节点均被处理为止，聚类过程结束。3应用实例本次模拟地区位于安徽省合肥市东北角，合肥火车站前。该区面积约为275km：，地面平均坡度为5‰，属于商住混合区，地面不透水百分比约为60％。本次模拟管网含节点316个，排水管段315条，节点间平均距离约为40m，排水管段直径为0．4m～1．8m不等，部分末端管段为箱涵，尺寸为1．9m(高)×4m(宽)。3．1多风险等级聚类结果节点风险大小目前没有明确的定义，我们可以简单理解为事故发生的概率及事故造成的损失大小。本文风险评价指标采用下式表达：Risk_index=a×Ⅳ+6×DUR+c×FLO(1)其中：Risk—index为节点的风险评价指标；N为节点水位的过顶最大高度与节点下游管段起点的覆土厚度的比值；DUR为节点超载持续时间，FLO为溢流量，由SWMM模拟获得，两者在使用前需进行归一化处理，处理后的数据为0～1之间的无量纲数，其值越大，代表节点风险越高；a、b、C为权重系数。本文取权重系数o=b=c=1／3，可计算得到各节点的风险评价指标。根据节点Risk—index取值的不同，将节点分为低风险、中风险和高风险三类。我们取五年一遇的暴雨重现期，运用聚类分析法，得到系统风险分布图见图1。由图1可知，随着风险等级的提高，其整体所覆盖的范围变得越来越小，且高等级风险区域通常分布在低等级风险区域范围的内部，风险分布由低到高具有明显的过度。其次单个高等级聚类区域较低等级聚类区域小，一个低等级聚类内部可能具有多个较高等级的聚类。另外，我们可以发现在五年一遇的降雨条件下，整个系统多处发生溢流，风险范围分布较广。这是图1空间聚类算法下排水系统风险分布因为系统处于合肥市老城区，排水管网管径较小，加上管段坡度较缓，使得整个地区过水能力较小，引发溢流。3．2参数敏感性分析参数的选取是为了提供更稳定的结果，并尽可能的与实际情况相符。本文提供了一种全新的基于密度的聚类有效性指数——类内密度，用聚类内的风险点数量与聚类覆盖管段长度的比值来评价聚类内聚．f生的强弱，具体公式如下：∑Elc=AVR{D(Ci)}×～一(2)』V其中：D(cJ=ni为类Ci的密度，n为类Ci中有效风险点总L数，厶为cf覆盖的管段总长度；N为相应风险等级系统总风险点数量。Elc越大，表明系统聚类结果越好。此外，划分过于笼统的聚类结果不利于制定灵活的改造策略。本次聚类采用聚类数量及Elc两个值评价不同参数取值下系统的聚类质量，评估结果如图2。由图2(a)我们可以发现：低风险等级聚类数量对参数取值较为敏感，而风险改造主要集中在中高风险区域，这样就避免了参数选取不当造成改造决策的失误。另外，聚类结果对MinPts取值较敏感，对于改造资金有限的区域，可以适当增大MinPts值，寻找迫切需要改造地区。由图2(B)可知，在低MinPts取值下，影响系统Elc值的主要是聚类结果的类内密度。随着s增大，聚类越松散，系统剧c值减小；当MinPts逐渐增大时，噪点数量对Elc值的影响将逐渐增大。由以上结果可知，MinPts=1，Ep,=100将获得较满意的聚类结果，故本次聚类采用此参数组合。3．3原因分析及优化改造进行风险分析的目的，就是为了找到高风险地区，然后进行更新改造，以降低排水系统风险，减少灾害的损失。由图1可知，模拟地区的风险主要集中在四个部分，现给四个区域分别编号为a．b、c、d。为了分析发生洪流的原因，我们借助于SWMM模型强大的剖面图显示功能，分别查看此四个区域的管道剖面图。管道剖面图见图3。由图3(A)可知a、C区发生溢流的主要原因是因为管道坡度过缓，可