水庫高濁度下之供水風險分析-以石門水庫為例

The Risk Analysis of Reservoir Water Supply under High Turbidity- Case Study of the Shihmen Reservoir

柯思瑋(Ssu-Wei Ko)

指導教授 ： 張良正

國立交通大學/工學院/土木工程系所/碩士(2010年)

https://doi.org/10.6842/NCTU.2010.00959

摘要

台灣地區地質條件鬆軟，每遇颱風豪雨洪水挾帶大量土石而下，造成河川水流除了流量大外濁度亦高，若取用此高濁度之河水，將使得淨水廠處理能力大為降低，從而形成臺灣部份地區如石門水庫供水區，非常特別的洪水時期缺水的現象。
針對前述之高濁度缺水問題，本研究以蒙地卡羅法為基礎，整合雨量歷線合成、降雨逕流模式、濁度預測模式與高濁度水資源調配模式等，探討石門水庫在高濁度下之供水風險。其中濁度預測模式，本研究發展並比較兩種不同的模擬方式，其一為類神經模式，另一為參考單位歷線法的精神，發展以濁度特性函數為基礎之濁度預測模式，而此濁度特性函數為單位入或放流量下之濁度歷線。蒙地卡羅分析需有多組雨量資料進行模擬，本研究以設計降雨之觀念進行雨量歷線繁衍，設計降雨主要由設計總降雨量與設計雨型兩部分所組成，兩者皆與降雨延時有關，故進行雨量歷線繁衍時有兩個隨機變數，即總降雨量與降雨延時待取樣，本研究以拉丁超立方取樣法進行雨量歷線合成，可以較少樣本數仍完整呈現母體之統計特性。濁度模擬結果顯示，單位特性歷線法與類神經皆有良好之預測精度，單位特性歷線之觀測與實際值相關係數皆高達0.87以上，然單位特性歷線法較具物理意義及易於瞭解，而類神經為黑盒分析，故本研究後續風險分析乃以單位特性歷線之分析結果進行分析。水庫高濁度之供水風險結果顯示，發生高濁度缺水事件機率高達57%，若假設公共用水缺水忍受度為5%，發生缺水超過缺水忍受度之機率仍達34%。
本研究發展之模式與方法皆有相當程度上的可靠度，目前僅應用於石門水庫中，未來可將此分析流程應用於其它亦有高濁度問題的水庫，以降低整體供水風險。

關鍵字

蒙地卡羅 ； 拉丁超立方取樣 ； 類神經網路 ； 濁度預測模式 ； 水資源調配模式 ； 單位特性歷線 ； 韋伯點繪法

並列摘要

無資料

並列關鍵字

Monte Carlo simulation ； Latin Hypercube Sampling (LHS) ； Artificial Neural Network (ANN) ； turbidity prediction model ； water supply model ； Unit Characteristic Hydrograph ； Weibull Plotting Method

參考文獻

1. Chou F.N.F., Wu C.W., ” Reducing the impacts of flood-induced reservoir turbidity on a regional water supply system”, Advance in Water Resources, 33(2), 146-157, 2010.

4. Kynch G.J., ”Theory of sedimentation”, Transactions of the Faraday Society, 48, 166-175, 1952.

6. Metropolis N. and Ulam S., “The Monte Carlo Method”, Journal of the American Statistical Association, 44(247), 335-341, 1949.

7. Nagy H.M., Watanabe K., and Hirano M., ”Prediction of Sediment Load Concentration in Rivers Using Artificial Neural Network Model”, Journal of Hydraulic Engineering-ASCE, 128(6), 588-595, 2002.

8. Sarangi A. and Bhattacharya A.K., ”Comparison of Artificial Neural Network And Regression Models for Sediment Loss Prediction from Banha Watershed in India”, Agricultural Water Management, 78(3), 195-208, 2005.