Simulation des Kanalnetzes mit SWMM
Ziel:
Hydraulische Simulation des Kanalnetzes mit SWMM und Vergleich modellierter vs. beobachteten Ganglinien.
SWMM-Modell:
- Software: EPA SWMM (Storm Water Management Model)
- Netzwerk: 4216 Teileinzugsgebiete, 9843 Knoten, 1118 Speicherbauwerke, 9266 Haltungen, 18 Pumpen, 123 Drosselorgane, 191 Wehre, 18 Auslässe
- 118 Steuerungsregeln, 4802 Zufluss-Ganglinien
- Simulierterte Zeit: 29 Tage, Laufzeit ca. 18 h, Kontinuitätsfehler < 1%
Ergebnisse:
Zur quantitativen Bewertung der drei Niederschlagsansätze wurden die simulierten Abflussganlinien am Auslass des Kanalnetzes mit den beobachteten Abflüssen verglichen. Die folgenden Ganglinien und Zielfunktionen zeigen die Modellgüte für die vier ausgewählten Ereignisse.
Die Metriken sind zweigeteilt: links BIAS und PBIAS (Zentralität des Fehlers), rechts RMSE, COR und NSE (Streuung und Modellanpassung). Die Innovation liefert durchgehend die beste Fehlerstreuung (tiefster RMSE, höchste Korrelation, höchster NSE) über alle vier Events. Besonders ausgeprägt ist der Unterschied bei EV04 und EV08, wo der Niederschlag räumlich stark variiert. Der BIAS und PBIAS der Innovation schneidet teils schlechter ab als die einfacheren Ansätze, obwohl Kreuzvalidierung des Niederschlags (siehe A.3c - Modell Niederschlag) gezeigt hat, dass die Innovation nahezu bias-frei ist. Diese Verschiebung der Fehlerzentralität entsteht durch systematische Fehler bei der Abbildung und Modellierung des Kanalnetzes (Pumpregeln, Regulierunge etc.). Der verbesserte Input deckt also Schwächen im hydraulischen Modell auf, die bei schlechterem Input im Rauschen untergegangen sind.
Im nächsten Schritt wird der Einfluss der Verluste (ET und Anfangsverlust) auf die Modellergebnisse untersucht. Dargestellt ist Ereignis EV08 (August 2024), Sub-Events 4 und 5.
Die Berücksichtigung der Verluste verbessert die Abbildung des Anstiegs der Abflussganglinie, auch wenn die simulierte Abflussspitze dadurch etwas tiefer ausfällt. Die Pfeile markieren weitere Stellen, an denen die Modellanpassung durch die Verlustmodellierung sichtbar verbessert wird. Die Zielfunktionen bestätigen, dass die Inklusion der Verluste in diesen Sub-Events zu einer besseren Modellanpassung führt. Das gilt allerdings nicht generalisierbar für alle Sub-Events. Der Effekt ist ereignis- und saisonabhängig.
Beim Sub-Event 1 von EV08 zeigt sich ein gegenteiliger Effekt. Die Verlustmodellierung verursacht eine zusätzliche zeitliche Verschiebung des Ganglinienbeginns. Statt die Anpassung zu verbessern, vergrössert sich die Verzögerung des Anstiegs. Das Innovationsmodell ohne Verluste liefert hier bessere Zielfunktionswerte als das Modell mit Verlusten. Eine ähnliche Beobachtung lässt sich bei Sub-Event 3 von EV02 machen
Zur Bewertung der Abflussspitzen wird der prozentuale Fehler zwischen simulierten und gemessenen Peakwerten über alle Events hinweg berechnet.
Das Innovationsmodell liefert die robusteste Performance mit der geringsten Standardabweichung und den wenigsten Ausreissern (diese entsprechen typischerweise nicht erkannten Abflussspitzen). Die Inklusion der Verluste führt zu einer Verschiebung der Fehler nach unten, d.h. die simulierten Spitzen fallen konsistent tiefer aus als die gemessenen. Analog wurde der prozentuale Fehler der Eintrittszeit der Abflussspitze über alle Events ausgewertet. Auch hier zeigt das Innovationsmodell die geringste Fehler.
Zurück / weiter zu: