本研究針對區域雨水利用規劃之各項影響供水可靠度因子，以區域歷年日雨量分佈資料為基礎，經由區域降雨頻率、雨水逕流量、水量平衡與供水可靠度等分析，得到不同需水條件及供水可靠度要求下之雨水貯槽設計容量建議值，並以二種不同型式之類神經網路模型建立小區域雨水逕流供水系統可靠度模擬與預測模式，並測試模式穩定度與學習速率，未來可作為規劃系統設置後之可靠度預測或應用於智慧型控制裝置開發。
就預測成功率而言，BPNN模型約為83%、RBFNN 模型約為98.6%，此等結果與訓練或測試階段之結果相若，顯示模式本身有良好的穩定性。另檢視在神經網路訓練過程中之失誤或失敗的19%(BPNN)、6%(RBFNN)，顯示其高估一級者佔10.18%(BPNN)、0.93%(RBFNN)及低估一級者佔8.80%(BPNN)、0.46%(RBFNN)；換言之，即使本模式評估有誤，但影響差異亦僅一級，且高估一級者與低估一級者樣本點相若。表示依目前建立之模式，其預測結果將較趨向樂觀，且與預測結果趨於悲觀之差異僅約9%(BPNN)、0.5%(RBFNN)，顯示出模式本身的穩定性。
以本研究之BPNN 4-3-1架構、修正BPNN4-3-1-1架構以及RBFNN架構，應用於台北市郊相同區域實際設置雨水徑流利用設施對供水可靠度進行預測，並收集2000~2007年之系統實際供水數據進行可靠度計算驗證，比對的三種預測供水可靠度模式中，RBFNN供水可靠度之預測模型較為保守，而BPNN的二種優化模式則有較為樂觀的估計，這與原模式效能分析時所得結論是一致的。
依據模式模擬與實際案例數據之比對結果，RBFNN模式雖然在預測精度上也較一般BPNN佳，但在與實際案例資料比對後發現，誤差率反較修正BPNN網路架構4-3-1-1大，這也凸顯出RBFNN網路設計的學習速度雖然比BP網路快，但是透過調整隱藏層、節點數目以及訓練參數之BPNN優化模式對實際之預測仍有其優勢存在。未來如改變不同傳輸函數（例如二元雙彎曲函數等）、優化網絡結構（開發新的方法，以獲得最佳一些隱藏的節點）、選擇網絡類型和訓練算法進行模擬，或採用不同系列的類神經網路架構來進行模式建構分析比較，相信對進行相關研究或實務設計將可提供不同的貢獻。

Many factors have to be considered in the reliability analysis of planning the regional rainwater utilization tank capacity. Based on the historical daily rainfall data, the following four analyze procedures were conducted: the regional daily rainfall frequency, the amount of runoff, the water continuity, and the reliability. The suggested designed storage capacity could be obtained according to the conditions with the demand and supply reliability. By using the output data, two different types of artificial neural network models were used to build up small area rainfall–runoff supply systems for the simulation of reliability and the prediction model. This study should have significant benefit in the future application of the instantaneous prediction or the development of related intelligent instantaneous control equipment.
In terms of the success rate of prediction as a whole, the results are about 83% for BPNN and 98.6% for RBFNN. Such result is similar to the training or testing results, indicating the model itself has good stability. Inspecting the misses or failures of 19% for BPNN and 6% for RBFNN during the artificial neural network training process of this research, it shows that the percentage of overestimation by one grade is 10.18% for BPNN and 0.93% for RBFNN, while for underestimation by one grade; the percentage is 8.80% for BPNN and 0.46% for RBFNN. In other words, even if there are mistakes in the estimation of this model, the variance in the effect is just one grade and the sample points of overestimation by one grade is similar to the underestimation by one grade. This also indicates that, based on the current model, the variance of prediction result tends to be “optimistic” but the prediction result tends to be “pessimistic”, only around 9% for BPNN and 0.5% for RBFNN, further indicating the stability of the model itself.。
Compared with three models, RBFNN was more conservative and BPNN had more optimistic estimates. Besides, we observed the predicted behavior of three models with the sensitivity analysis of the parameter between runoff coefficient and water supply and shows that the inference of water supply of RBFNN model was more conservative than the BPNN4-3-1-1 model.
Despite the fact that RBFNN was more reliable than BPNN, it still made a conservative estimate for the actual monitoring data. The error rate of RBFNN was still higher than the correction of BPNN 4-3-1-1. Although the learning speed of RBFNN was faster than BPNN, it could keep the advantage at the actual prediction by adjusting the number of hidden layers and nodes. This should have significant benefit in the future application of the instantaneous prediction or the development of related intelligent instantaneous control equipment. It is believed that changing different transfer functions (e.g., binary, logistic, sigmoid, etc.) for the simulation or adopting different series of ANN structure for model construction analysis is necessary in the future.

目　錄
第一章 緒論 1
1-1、研究背景 1
1-1-1前言 1
1-1-2建築雨水利用的基本概念 2
1-2、研究動機 4
1-3、研究目的 5
1-4、研究架構 6
第二章 文獻探討 8
2-1 雨水利用系統的定義與源由 8
2-2 相關文獻與研究方向 8
2-2-1研究重點回顧 8
2-2-2研究方法與重要提示 9
2-2-3水量設計相關之重點文獻 10
2-2-4雨水利用水質之重點文獻 18
2-2-5人工智慧在雨水利用領域的相關國外文獻 21
2-3綜合探討與研究方向 22
第三章 雨水利用設計要務 24
3-1 概論雨水的收集與貯存 24
3-2 以集水方式區分的雨水收集觀念 25
3-3 以貯存方式區分的雨水收集觀念 27
3-4 與雨水利用可靠度相關的設計 34
3-4-1建築雨水利用之整體思考 34
3-4-2 雨水集流之設計要旨 35
3-4-3 與建築再生水利用的互補規劃 40
3-5 與水質相關的設計要務 45
3-5-1 初期降雨排除設計 45
3-5-2 雨水前處理單元規劃 49
3-5-3 雨水後處理單元規劃 49
3-6 綜論建築節水設計的意義 52
第四章　理論概述與研究方法 54
4-1 水量分析模式 54
4-1-1貯水容量模擬法 54
4-1-2供水可靠度的計算步驟 57
4-2水質分析模式 58
4-2-1水質參數相關性分析 58
4-2-2拉丁超立方取樣分析法(Latin Hypercube Sampling) 59
4-3 類神經網路 61
4-3-1概論網路類型與學習法則的選用 61
4-3-2倒傳遞神經網路 65
4-3-3輻狀基底神經網路 70
4-3-4網路學習率的調整 72
第五章 模式建立與解析 74
5-1 模式建立與解析流程 74
5-2 研究區域降雨特性分析 75
5-3 供水可靠度的應用模式分析 77
5-3-1貯水容量與供水可靠度分析之步驟與參數設定 77
5-3-2貯水容量與供水可靠度分析結果解析 78
5-4 類神經網路的建模與現象解析 81
5-4-1 模式模擬結果解析 81
5-4-2 BPNN模式的網路效能改進與測試 89
5-4-3 逕流係數改變對不同模式造成之影響分析 93
5-4-4 案例與模式預測結果之解析 95
5-4-5 研究評析與導引 99
第六章 結論與建議 101
6-1 結論 101
6-2 建議 105
參考文獻 107
附 錄 111
附錄一、以模擬法推求建築雨水利用設計可靠度參考 112
附錄二、應用於初期降雨水質辨識模式之試析 116
附錄三、提昇建築替代水源利用率之再生水設施初始設置成本解析 128
附錄四、雨水利用可靠度分析原始程式碼 135
附錄五、LHS分析原始程式碼 140
附錄六、建築物雨水貯留利用之水質建議值 145
附錄七、建築物生活污水回收再利用水質應用標準 146


表 目 錄
表1-1 綠建築評估指標排序與地球環境關係 2
表2-1 臺灣官方公告之雨水利用可靠度計算參考資訊 11
表2-2 近十年與雨水利用相關之國內碩博士重點論文摘要 13
表2-3 國內外曾發表重要初期降雨排除的建議原則 20
表3-1 各種不同種類材質之降雨逕流係數 26
表3-2 五種主要雨水貯存方式之方案評估比較 32
表3-3 建築雨水利用配管內外徑對照表 36
表3-4 常見雨水收集面/管/渠不同材質曼寧糙度係數參考值(N) 37
表3-5 雨水收集立管管路與容許收集面積推估對照表 39
表3-6 雨水貯留供水系統之相關措施或關連設備表 40
表3-7 建築污水再生處理程序組合建議 42
表3-8 回收水量推估之不同設施設計水量建議 43
表3-9 回收設備概估細項建議 44
表3-10 雨水利用主要前處理單元規劃 49
表3-11 雨水利用主要後處理單元建議流程 50
表3-12 建築雨水/再生水利用設施處理設備主要組成因子 50
表3-13 採用國外進口設備建議注意事項 51
表4-1 各種不同種類不透水或半透水材質收集效率 56
表4-2 各種不同種類土壤與坡度之收集效率 56
表4-3 VIESSMAN 建議之逕流係數計算區間 56
表4-4 各種計算法的核心函數與決策區域 63
表5-1 研究區域月降雨量分析 76
表5-2 研究區域需水量與貯留槽容量及供水率成長之關係 80
表5-4 RBFNN用於訓練系統供水可靠度推估結果之混亂矩陣表 87
表5-5 BPNN用於測試系統供水可靠度推估結果之混亂矩陣表 87
表5-6 RBFNN用於測試系統供水可靠度推估結果之混亂矩陣表 87
表5-7 BPNN用於預測系統供水可靠度推估結果之混亂矩陣表 88
表5-8 RBFNN用於預測系統供水可靠度推估結果之混亂矩陣表 88
表5-9 BPNN在訓練、測試及預測結果與實際的衝擊差異程度統計 89
表5-10 RBFNN在訓練、測試及預測結果與實際的衝擊差異程度統計 89
表5-11 單隱藏層BPNN模式在訓練與測試階段之差異程度分析 91
表5-12 雙隱藏層BPNN模式在訓練與測試階段之差異程度摘述分析 92
表5-13 不同模式對於逕流係數改變造成供水量改變之比例 93
表5-14 比對案例逐月供水可靠度統計(以250噸系統為例) 97
表5-15 不同模式預測與實設系統供水可靠度之比較表 98


圖 目 錄
圖1-1 雨水貯留供水系統與傳統雨水利用方式之區別 3
圖1-2 研究架構與流程 7
圖3-1 雨水收集與貯存利用型式分類 25
圖3-2 地面設置貯水槽示意圖 28
圖3-3 連續多段式貯存示意圖 29
圖3-4 分離多段式貯存示意圖 29
圖3-5 地下式貯水槽示意圖 30
圖3-6 以地下水庫為概念的雨水貯存方式 30
圖3-7 筏式基礎貯存案例 31
圖3-8 粒料回填式雨水利用示意圖 32
圖3-9 建築雨水利用之整體思考 34
圖3-10 建築雨水利用之雨水浸透設施設計手法 35
圖3-11 與雨水槽聯合運用之地下浸透孔設備示意圖 35
圖3-12 雨水輸水管渠溼周(P值)示意圖 36
圖3-13 建築雨水利用管路收集設計示意圖 38
圖3-14非耗能初期雨水管式分?處?器案例 (發明專利I254094號) 47
圖3-15 家庭用小型初期雨水截留設備案例 48
圖3-16 大型建築物(大面積收集)初期雨水排除設計案例 48
圖3-17 輸配水潔淨能源的搭配概念 52
圖4-1 YBS取水模式示意圖 57
圖4-2 拉丁超立方取樣法(LHS)的空間取樣概念 60
圖4-3 人工神經元的數學概念模型 61
圖4-4 神經元的信息處理過程的模擬 62
圖4-5 最陡坡降法修正權重方向的概念 64
圖4-6 反饋網路拓撲結構示意圖 65
圖4-7 以三層網路為例的倒傳遞類神經網路示意圖 66
圖4-8 倒傳遞類神經網路前饋階段與倒傳遞階段概念 67
圖4-9 本研究採用之輻狀基底類神經網路(RBFNN)概念 72
圖4-10 誤差能量曲線之震盪與收斂現象 73
圖4-11 誤差能量函數與鍵結值之關係圖 73
圖5-1 雨水利用可靠度預測模式之分析流程 75
圖5-2 研究區域日降雨頻率分析 77
圖5-3 研究區域月降雨頻率分析 77
圖5-4 研究區域設施之供水可靠度 79
圖5-5 本研究構組之BPNN模式初始架構 82
圖5-6 系統供水可靠度之BPNN模式訓練結果 83
圖5-7 系統供水可靠度之BPNN模式測試結果 84
圖5-8 系統供水可靠度之BPNN模式預測結果 84
圖5-9 系統供水可靠度之 RBFNN模式訓練結果 85
圖5-10 系統供水可靠度之RBFNN模式測試結果 85
圖5-11 系統供水可靠度之RBFNN模式預測結果 86
圖5-12 修正BPNN模式的測試架構 90
圖5-13 單隱藏層BPNN之系統供水可靠度模式迭代訓練過程示意 91
圖5-14 比較不同隱藏層BPNN系統供水可靠度模式迭代訓練過程 93
圖5-15 不同模式對於逕流係數改變造成供水量改變之敏感度 94
圖5-16 用於比對模式預測之建築雨水利用系統實景 96
圖5-17 比對案例逐月供水可靠度統計(以250噸系統為例) 97

參考文獻

1. 工業技術研究院能源與資源研究所，1997，〈雨水貯留供水系統技術成果彙編〉，經濟部技術處。
2. 工業技術研究院能源與資源研究所，1999，〈節約用水措施推動：初期雨水截留設施評估研究與效能測試〉，經濟部水資源局。
3. 工業技術研究院能源與資源研究所，2004，〈綠色廳舍暨學校水資源改善計畫〉，第21-22頁，內政部建築研究所。
4. 內政部營建署，2004，〈建築物雨水貯留利用設計技術規範〉，內政部營建署。
5. 李士畦，1999，〈雨水/中水利用規劃設計訓練班教材〉，第C-1~C-16頁，經濟部水資源局。
6.李士畦，2001，替代水資源，土木技術，第4卷7期，第81-87頁。
7. 李士畦、盧文俊、林志鴻等，2002，〈用水計畫書審查技術規範之研擬〉，經濟部水利署。
8.李士畦，林憲德，2006，“初期降雨操作策略與其在綠建築設計中的應用，第十五屆水利工程研討會論文，中央大學，桃園。
9.林國峰等，2003，“優選法及回饋演算於降雨–逕流預報模式之研究(1)，農業水利科技研究發展91年度成果發表討論會，屏東。
10.林怡菁，2008，〈臺灣地區屋頂雨水收集水質特性與使用評估之研究〉，國立台北科技大學環境工程與管理研究所碩士論文。
11. 陳仁宗、李士畦，1997，〈雨水貯留供水系統最適化設計技術準則〉，工業技術研究院能源與資源研究所。
12.陳弘?、王國樑、黃泳塘，2007，臺灣地區都市污水廠現況暨放流水利用潛勢，節約用水季刊47期，第9-21頁。
13.葉怡成，1997，〈類神經網路模式應用與實作〉，儒林出版社。
14.經濟部水利署，2005，〈機關學校節約用水技術手冊〉，經濟部水利署。
15.Balram Panigrahi, Sudhindra N Panda, Bimal Chandra Mal, 2006, “Rainwater conservation and recycling by optimal size on-farm reservoir, Resources Conservation and Recycling, Vol. 50(4), pp.459-474. (SCI)
16.Chen S., 1991,“Orthogonal least squares learning algorithm for radial basis function networks [J].?, IEEE Trans on NN,Vol.2(2) ,pp. 302- 309.
17. Dawson, C.W., Wilby, R.L., 2001, “Hydrological modeling using artificial neural networks, Progress in Physical Geography, Vol. 25(1), pp. 80-108. (SCI)
18. Edgar L. Villarreal, Andrew Dixon, 2005, “Analysis of a rainwater collection system for domestic water supply in Ringdansen, Norrko? ping, Sweden, Building and Environment, Vol., 40, pp. 1174–1184. (SCI)
19. Elshorbagy, A., Simonovic, S.P., Panu, U.S., 2000, “Performance evaluation of artificial neural networks for runoff prediction, Journal of Hydrologic Engineering, October, pp. 424-427. (SCI)
20. Enedir Ghisi ＆ Sulayre Mengotti de Oliveira, 2007, “Potential for potable water savings by combining the use of rainwater and greywater in houses in southern Brazil, Building and Environment, Vol. 42, pp. 1731–1742. (SCI)
21. E. Sazakli, A. Alexopoulos, M. Leotsinidis, 2007,“Rainwater harvesting quality assessment and utilization in Kefalonia Island, Greece, Water Research, Vol., 41, pp. 2039–2047. (SCI)
22. E.W. Steel and Terence J. McGhee, 1979,“Water Supply and Sewerage, 5th Edition, McGraw. Hill published, USA.
23. Ham F. M. and Kostanic I., 2001, Principles of neurocomputing for science engineering, McGraw-Hill: New York, NY.
24. Hecht-Nielsen, R., 1987, “Counterpropagation network, Applied Optics, Vol. 26, pp. 4979–4984. (SCI)
25. Jeong, D.I., Kim, Y.O., 2005, “Rainfall-runoff models using artificial neural networks for ensemble streamflow predicting, Hydrological Process, Vol. 19, pp. 3819-3835. (SCI)
26. Jeroen Mentens, Dirk Raes, Martin Hermy, 2006. “Green roofs as a tool for solving the rainwater runoff problem in the urbanized 21st century?, Landscape and Urban Planning, Vol. 77, pp.217-226. (SCI)
27. Ju, Q., Yu, Z., Hao, Z., Zhu, C., Liu, D., 2007, “Hydrologic Simulations with Artificial Neural Networks, Third International Conference on Natural Computation, August, China.(IEEE).
28. Kun Zhu, Linus Zhang, William Hart, Mancang Liu, Hui Chen, 2004, “Quality issues in harvested rainwater in arid and semi-arid Loess Plateau of northern China , Journal of Arid Environments, Vol., 57, pp. 487–505. (SCI)
29. Liaw Chao-Hsien and Yao-Lung Tsai, 2004,“Optimum Storage Volume of Rooftop Rain Water Harvesting Systems for Domestic Use, Journal of the American Water Resources Association (JAWRA), Vol. 40(4), pp.901-912. (SCI)
30. Lippmann, R. P., 1987, “An introduction to computing with neural nets, IEEE ASSP Magazine, Vol. 4(2), pp. 4–22.
31. Lubing Handia, James Madalitso Tembo, Caroline Mwiindwa, 2003, “Potential of rainwater harvesting in urban Zambia, Physics and Chemistry of the Earth, Vol.28, pp. 893–896. (SCI)
32. Martinson, D.B. and Thomas, T., 2003, “Improving water quality by design, The 11th International Rainwater Catchment Systems Conference, Mexico City, Mexico.
33. Martinson, D.B. and Thomas, T., 2005, “Quantifying the first flush phenomenon, The 12th International Rainwater Catchment Systems Conference, New Delhi, India.
34. Mcmahon, T.A. and Mein, R.G., 1978, “Reservoir Capacity and Yield, pp.6-68, Elsevier Scientific Publishing Company.
35. Mirchandani, G., ＆ Cao, W., 1989, “On hidden nodes for neural nets, IEEE Transactions on Circuits and Systems, Vol. 36(5), pp661–664. (SCI)
36. Rajurkar, M.P., Kothyari, U.C., Chaube, U.C., 2002, “Artificial neural networks for daily rainfall-runoff modeling, Hydrological Sciences-Journal-des Sciences Hydrologiques, Vol., 47(6), pp. 865-877. (SCI)
37. Ree-Ho Kim, Sang-ho Lee, Jin-woo Jeong, Jung-Hun Lee, Yeong-Kwan Kim, 2007, “Reuse of greywater and rainwater using fiber filter media and metal membrane , Desalination., Vol., 202, pp. 326–332. (SCI)
38. Ruby L Kennedy, Yuchun Lee, Benjamin Van Roy, Christopher D. Reed, Richard P. Lippmann, 1998, “ Solving Data Mining Problems through Pattern Recognition , pp.10-5, Unica Technologies, Inc. published, USA.
39. Sartor, J., ＆ Boyd, G., 1972, 〈Water Pollution Aspects of Street Surface Contaminants〉, U.S. Environmental Protection Agency.
40. Shih-Chi Lee, Hsien-Te Lin, 2006, “Artificial Neural Network Analysis for Reliability Prediction of Regional Runoff Utilization, CIB 32th International Symposium: Water Supply and Drainage for Buildings, Taipei, Taiwan.
41. Shih-Chi Lee, Hsien-Te Lin, 2009, “First-flush Rainfall Operation Strategy for the Rainwater Utilization System Design, The 14th International Rainwater Catchment Systems Conference, Kuala Lumpur, Malaysia.
42. Shih-Chi Lee, Hsien-Te Lin, 2010, “Artificial Neural Network Analysis for Reliability Prediction of Regional Runoff Utilization, Environmental Monitoring and Assessment, Vol. 161, pp. 315-326. (SCI)
43. Stephen N. Ngigi, 2003, “What is the limit of up-scaling rainwater harvesting in a river basin?, Physics and Chemistry of the Earth, Vol.28, pp. 943–956. (SCI)
44. Warren Viessman, 1989, Jr., Gary L. Lewis, Knapp, John W, “Introduction to hydrology, Harper ＆ Row published, USA.