CN110569571A - 基于极限学习机的城市供水管网爆管预警方法 - Google Patents
基于极限学习机的城市供水管网爆管预警方法 Download PDFInfo
- Publication number
- CN110569571A CN110569571A CN201910776069.6A CN201910776069A CN110569571A CN 110569571 A CN110569571 A CN 110569571A CN 201910776069 A CN201910776069 A CN 201910776069A CN 110569571 A CN110569571 A CN 110569571A
- Authority
- CN
- China
- Prior art keywords
- pipe
- learning machine
- extreme learning
- water supply
- explosion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000004880 explosion Methods 0.000 claims abstract description 55
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 230000009172 bursting Effects 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 26
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 229910001141 Ductile iron Inorganic materials 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000730332 Ulmus lanceifolia Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于城市供水管网安全技术领域,为解决供水管网安全问题,得到实时的管网运行状况,对管网中爆管事件及时侦测与精确定位。为此,本发明采取的技术方案史是,基于极限学习机的城市供水管网爆管预警方法,通过建立管网水力模型模拟爆管工况,得到爆管数据,利用机器学习中极限学习机的原理对数据进行分析、学习,预测。本发明主要应用于城市管网运维等场合。
Description
技术领域
本发明属于城市供水管网安全技术领域,具体来说是一种基于极限学习机的城市供水管网爆管预警方法。
背景技术
城市供水管网是给水环节中最重要的环节之一,与居民的日常生活息息相关,是最重要的基础设施之一。如今,随着城镇化进程的不断加深,我国城市的基础设施不断完善,城市地下供水管网也已经发展成为纵横交错的庞大、复杂网络。城市供水管网常年深埋于地下,管道老旧,腐蚀漏损问题严重,供水系统出现诸多暗漏情况,却无法及时发现,导致大量水资源流失;城市供水管网运行状态多变,管网中水压波动较大,导致异常事件频繁发生,缺乏科学有效的方法对管网中爆管事件及时侦测与精确定位,影响居民生活和工业用水,造成巨大经济损失。
对于供水管网安全问题,国内外始终十分关注,并且逐渐建立了管网GIS系统和数据采集与监测系统(SCADA),为研究爆管问题提供了一个很好的技术平台,通过在线监测系统采集的数据,能够得到实时的管网运行状况,对于及时发现管网的安全问题并进行修复具有重要意义。同时,随着计算机技术的发展,一大批管网水力模型的建模软件也应运而生,通过建立管网模型,能够进行水力分析计算,得到模型管网的运行数据,基于此建立相应的爆管预警模型。在当今大数据时代,机器学习(Machine Learning,ML)已经成为一种主流研究方向,并被广泛应用于模式识别、数据挖掘、图像处理等领域当中。但应用于城市供水管网安全领域,特别是爆管预警方法上,还比较少见。极限学习机(Extreme LearningMachine,ELM)作为机器学习的一种,具有学习速度快、结构简单易于实现、人为干预少和泛化能力强能等优点,但需要大量的基础数据支撑,而供水管网的监测数据或模拟数据正好能够提供极限学习机所需要的学习数据。因此,将极限学习机的原理运用到城市供水管网爆管预警上,具有良好的条件和广阔的前景。
发明内容
本发明旨在提出一种基于极限学习机的城市供水管网爆管预警方法。本发明采用的技术方案是,通过建立管网水力模型模拟爆管工况,得到爆管数据,利用机器学习中极限学习机的原理对数据进行分析、学习,预测,步骤如下:
(1)选定一片区域,依据城市供水规范计算该区域的用水总量,将其均布到每个用水节点,并依据每天的用水量变化规律选择不同的出厂压力;
(2)利用EPANET软件建立该区域的供水管网模型,依据平均经济流速,确定各管径的大小,并保证在不同出厂压力和用水量的正常运行工况条件下,控制点的水头不低于0.28MPa;
(3)在正常运行工况的基础上,采用加入虚拟节点VJ的方式模拟爆管点,虚拟节点的用水量即为爆管的流量,设计不同梯度的用水量模拟不同程度的爆管,运行得到爆管工况;
(4)选择管网中具有代表性的节点作为压力监测点,监测正常运行工况和爆管工况下的压力值,以爆管前后的压力差作为爆管特征值;将各监测点的爆管特征值作为极限学习机的输入值;对不同爆管工况进行编号,该编号作为极限学习机的输出值;
(5)根据极限学习机的学习能力,选择绝大多数工况作为训练集,用以建立爆管预警模型,少数工况作为测试集,用以检验模型的准确度和精度。
极限学习机采用单隐含层前馈神经网络SLFNs模型,包含三层,分别是输入层、输出层以及隐含层,每一层都由神经元构成,界信息通过输入层进行接收,每个神经元只接收前一层的输出结果并将其作为自己的输入数值,输出层向外界反馈信息,极限学习机随机选取输入层权重和隐藏层偏置,输出层权重通过最小化由训练误差项和输出层权重范数的正则项构成的损失函数,该损失函数依据Moore-Penrose广义逆矩阵理论计算解析求出。
本发明的特点及有益效果是:
极限学习机具有学习速度快、结构简单易于实现、人为干预少和泛化能力强能等优点,但是需要大量的数据才能保证模型的精度;而EPANET作为供水管网常见的建模软件,拥有强大的模拟和计算能力,能够得到大量的模拟数据,将两者结合起来,可以将机器学习的原理用于供水管网爆管预警领域,对于保证城市供水管网安全运行具有重要的理论意义和实用价值。
附图说明:
图1为本发明技术方案流程图;
图2为发明中所构建的供水管网模型图;
图3为供水管网模型管径结果图;
图4为加入虚拟节点后供水管网模型运行示意图;
图5为极限学习机的神经网络结构图;
图6为极限学习机预测爆管工况与真实爆管工况结果对比图;
具体实施方式
本发明是基于极限学习机的原理,建立城市供水管网爆管预警模型,技术方案流程图如图1,具体的实施方案如下:
1.选定一片区域,依据城市供水规范计算该区域的用水总量,将其均布到每个用水节点,并依据每天的用水量变化规律选择不同的出厂压力;
该地区位于华北某市,用地面积9km2,区内人口数:3万人。其中:各类工业用地面积3.5km2;公共建筑用地面积为1km2;其余为居住区、道路以及绿地面积。
根据《室外设计给水规范》(GB50013-2006)计算,综合生活用水量、工业企业用水量、浇洒道路和绿地用水量、消防用水量及未预见漏损量共计:
Qd=30600m3/d=354.2L/s,
综合用水的时变化系数取1.4,故最高日最高时设计用水量:
Qh=Qd×1.4×1000/(24×3600)=495.8L/s,
依据该区域地形,设计供水管网模型图如图2,该管网由1个水源,20个节点,32个管段组成,横向每段长度为1500m,纵向每段长度为500m,所有管道为球墨铸铁管,其海森-威廉系数为100。因此每个节点的设计流量为:
QJ=354.2/20=17.7L/s,
高日高时节点设计流量为:QJH=495.8/20=24.8L/s
因此,确定每天节点用水量在15L/s—25L/s之间变化,取5个用水量梯度,即15L/s,17.5L/s,20L/s,22.5L/s,25L/s;考虑到出厂水压会随着用水量的变化而调整,与之匹配的出厂水压(以m计)分别为35m,37.5m,40m,42.5m,45m。
2.利用EPANET软件建立该区域的供水管网模型,依据平均经济流速,确定各管径的大小,并保证在不同出厂压力和用水量的正常运行工况条件下,控制点的水头不低于0.28MPa;
在EPANET中建立供水管网模型,运行之后,根据表1调整管段管径,使之在步骤1中所述的5种工况条件下运行之后,节点21(控制点)的节点水压不低于28m,最终的管径结果如图3。
表1平均经济流速与管径的确定
3.选择易发生爆管的管段进行爆管工况模拟,在正常运行工况的基础上,采用加入虚拟节点(VJ)的方式模拟爆管点,虚拟节点的用水量即为爆管流量,设计不同梯度的用水量模拟不同程度的爆管,运行得到爆管工况;
选择易发生爆管的管段进行爆管工况模拟,具体为P1、P2、P5、P8、P16、P22、P32;在管段中点加入虚拟节点(VJ)模拟爆管点(以P2为例,如图4),虚拟节点的用水量即为爆管流量,爆管流量的计算公式如下:
式中:Qv (k)为第K次迭代以后的爆管点流量值(m3/s),当K=0时,Qv (0)即为爆管瞬间的流量;Pv (k)为第K次迭代以后的爆管点水头(m),当K=0时,Pv (0)即为爆管瞬间管段的压力;为爆管程度系数,一般爆管事故取值在0.01-0.1之间,管道完全断裂时μ为流量系数,一般取值为0.82;A为爆管点破损处的管段横截面积(m2)。
当计算爆管事故流量时,执行以下步骤:
(1)Pv (0)取值为管网正常工况管段水头,利用公式计算爆管瞬时流量Qv (0);
(2)将Qv (0)带入管网水力模型计算,得到新的水头Pv (1);
(3)重复步骤(1)-(2),不断迭代,直到|Qv (n)-Qv (n-1)|≤ε(ε为一设定的接近于0的值,可以认为管网爆管后达到了稳定状态,以Qv (n)作为爆管稳态流量,Pv (n)为爆管处压力。
爆管程度系数取0.01、0.02、0.03、0.04、0.05、0.06、0.07、0.08、0.09、0.1这10个梯度,按上述方法计算爆管流量,选择能覆盖不同爆管程度计算的流量作为最终的爆管工况流量,对应I、II、III、IV、V、VI、VII、VIII、IX、X 10个等级,具体如表2
表2不同管段爆管流量
4.选择管网中具有代表性的节点作为压力监测点,监测正常运行工况和爆管工况下的压力值,以爆管前后的压力差作为爆管特征值;将各监测点的爆管特征值作为极限学习机的输入值;对不同爆管工况进行编号,该编号作为极限学习机的输出值;
管网的压力监测点应该具有代表性,根据灵敏度分析法,选择J6、J8、J15、J19、J21作为压力监测点;由此,得到5种节点流量及与之匹配的出厂压力,每种包含10组爆管流量梯度,爆管管段为7处,共计5×10×7=350种爆管工况;记录各监测点在爆管前后的压力差,以J21(控制点)的压力差按升序排列,依次对350种工况进行编号,将5个监测点的压力差作为极限学习机的输入参数,将工况编号作为极限学习机的输出值。
5.根据极限学习机的学习能力,选择绝大多数工况作为训练集,用以建立爆管预警模型,少数工况作为测试集,用以检验模型的准确度和精度。
极限学习机采用单隐含层前馈神经网络(SLFNs)模型,SLFNs基于仿生学思想,模拟生物信息处理方法以数学优化形式实现信息提取。它的神经网络包含三层,分别是输入层、输出层以及隐含层,每一层都由神经元构成。外界信息通过输入层进行接收,每个神经元只接收前一层的输出结果并将其作为自己的输入数值,输出层可以向外界反馈信息。传统的SLFNs中所有参数都需要人工调整,因此参数之间存在依赖关系。极限学习机随机选取输入层权重和隐藏层偏置,输出层权重通过最小化由训练误差项和输出层权重范数的正则项构成的损失函数,依据Moore-Penrose(MP)广义逆矩阵理论计算解析求出,与传统的基于梯度思想的神经网络算法相比具有更快的求解速度并且避免陷入局部最优解的可能,并在一定范围内取得良好的泛化性能,整个学习过程不需要进行多次数学变换,避免了神经网络的迭代计算,其神经网络结构模型示意图如图5。
在本发明中,应用极限学习机建立爆管预警模型时,采用5×30×1的网络结构,即以5个监测点的压力值作为极限学习机输入层的输入参数,中间隐含层节点数为30,将工况对应的编号作为输出层的输出参数,激活函数选择sigmoid函数。对于步骤4中得到的350组爆管工况数据,随机选择340组作为建立模型的训练集,剩余10组作为检验模型的测试集。具体MATLAB主程序代码如下:
%%I.清空环境变量
clear all
clc
%%II.训练集/测试集产生
%%
%1.导入数据
load data.mat
%%
%2.随机产生训练集和测试集
temp=randperm(size(NIR,1));
%训练集——340个样本
P_train=NIR(temp(1:340),:)';
T_train=octane(temp(1:340),:)';
%测试集——10个样本
P_test=NIR(temp(341:end),:)';
T_test=octane(temp(341:end),:)';
N=size(P_test,2);
%%III.数据归一化
%%
%1.训练集
[Pn_train,inputps]=mapminmax(P_train);
Pn_test=mapminmax('apply',P_test,inputps);
%%
%2.测试集
[Tn_train,outputps]=mapminmax(T_train);
Tn_test=mapminmax('apply',T_test,outputps);
%%IV.ELM创建/训练
[IW,B,LW,TF,TYPE]=elmtrain(Pn_train,Tn_train,30,'sig',0);
%%V.ELM仿真测试
tn_sim=elmpredict(Pn_test,IW,B,LW,TF,TYPE);
%%
%1.反归一化
T_sim=mapminmax('reverse',tn_sim,outputps);
%%VI.结果对比
result=[T_test'T_sim'];
%%
%1.均方误差
E=mse(T_sim-T_test);
%%
%2.决定系数
N=length(T_test);
R2=(N*sum(T_sim.*T_test)-sum(T_sim)*sum(T_test))^2/((N*sum((T_sim).^2)-(sum(T_sim))^2)*(N*sum((T_test).^2)-(sum(T_test))^2));
%%VII.绘图
figure(1)
plot(1:N,T_test,'r-*',1:N,T_sim,'b:o')
grid on
legend('真实工况','预测工况')
xlabel('序号')
ylabel('工况编号')
string={'测试集爆管工况预测结果对比(ELM)';['(mse='num2str(E)'R^2='num2str(R2)')']};
title(string)
结果如图6所示,将其整理后如表3,由对比结果可知,在10个预测样本中,除了第3、7、8行的三个样本外,其他样本的预测结果与实际爆管模式完全相同。第3行的样本实际爆管模式编号为106(爆管位置:P1,爆管流量:840L/s),极限学习机预测的爆管模式编号为108(爆管位置:P1,爆管流量:1080L/s),发生爆管的位置相同,只是在爆管程度的判定上存在一定误差,第7、8行的预测结果同第三行,爆管位置预测无误,在爆管程度上有一定误差,整体而言,基于极限学习机的爆管预警模型在预测准确度和精度上是可以接受的。
表3极限学习机模型预测结果
前后文含义、取值范围完全一致。
Claims (3)
1.一种基于极限学习机的城市供水管网爆管预警方法,其特征是,通过建立管网水力模型模拟爆管工况,得到爆管数据,利用机器学习中极限学习机的原理对数据进行分析、学习,预测。
2.如权利要求1所述的基于极限学习机的城市供水管网爆管预警方法,其特征是,步骤如下:
(1)选定一片区域,依据城市供水规范计算该区域的用水总量,将其均布到每个用水节点,并依据每天的用水量变化规律选择不同的出厂压力;
(2)利用EPANET软件建立该区域的供水管网模型,依据平均经济流速,确定各管径的大小,并保证在不同出厂压力和用水量的正常运行工况条件下,控制点的水头不低于0.28MPa;
(3)在正常运行工况的基础上,采用加入虚拟节点VJ的方式模拟爆管点,虚拟节点的用水量即为爆管的流量,设计不同梯度的用水量模拟不同程度的爆管,运行得到爆管工况;
(4)选择管网中具有代表性的节点作为压力监测点,监测正常运行工况和爆管工况下的压力值,以爆管前后的压力差作为爆管特征值;将各监测点的爆管特征值作为极限学习机的输入值;对不同爆管工况进行编号,该编号作为极限学习机的输出值;
(5)根据极限学习机的学习能力,选择绝大多数工况作为训练集,用以建立爆管预警模型,少数工况作为测试集,用以检验模型的准确度和精度。
3.如权利要求1所述的基于极限学习机的城市供水管网爆管预警方法,其特征是,极限学习机采用单隐含层前馈神经网络SLFNs模型,包含三层,分别是输入层、输出层以及隐含层,每一层都由神经元构成,界信息通过输入层进行接收,每个神经元只接收前一层的输出结果并将其作为自己的输入数值,输出层向外界反馈信息,极限学习机随机选取输入层权重和隐藏层偏置,输出层权重通过最小化由训练误差项和输出层权重范数的正则项构成的损失函数,该损失函数依据Moore-Penrose广义逆矩阵理论计算解析求出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910776069.6A CN110569571A (zh) | 2019-08-21 | 2019-08-21 | 基于极限学习机的城市供水管网爆管预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910776069.6A CN110569571A (zh) | 2019-08-21 | 2019-08-21 | 基于极限学习机的城市供水管网爆管预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110569571A true CN110569571A (zh) | 2019-12-13 |
Family
ID=68775813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910776069.6A Pending CN110569571A (zh) | 2019-08-21 | 2019-08-21 | 基于极限学习机的城市供水管网爆管预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110569571A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112097126A (zh) * | 2020-09-18 | 2020-12-18 | 同济大学 | 一种基于深度神经网络的供水管网爆管管道精确识别方法 |
CN113074324A (zh) * | 2021-04-09 | 2021-07-06 | 天津大学 | 基于城市供水管网运行安全动态预警的数据库及建立方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102174994A (zh) * | 2011-03-11 | 2011-09-07 | 天津大学 | 城市供水管网事故爆管在线定位系统 |
CN103226741A (zh) * | 2013-05-10 | 2013-07-31 | 天津大学 | 城市供水管网爆管预测方法 |
CN105203869A (zh) * | 2015-09-06 | 2015-12-30 | 国网山东省电力公司烟台供电公司 | 一种基于极限学习机的微电网孤岛检测方法 |
CN108332059A (zh) * | 2018-01-16 | 2018-07-27 | 浙江大学 | 服务于供水管网爆管监测的测压点优化布置方法 |
CN108360608A (zh) * | 2018-03-21 | 2018-08-03 | 浙江大学 | 一种供水系统输水管的爆管识别与定位方法 |
US20180284737A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
CN108894282A (zh) * | 2018-06-08 | 2018-11-27 | 天津大学 | 市政管网运行安全动态预警方法 |
CN108898512A (zh) * | 2018-07-27 | 2018-11-27 | 苏州市自来水有限公司 | 基于bp神经网络的城市供水管网模型校核方法 |
CN109358185A (zh) * | 2018-10-10 | 2019-02-19 | 青岛科技大学 | 基于极限学习机的橡胶配方性能预测模型及预测方法 |
CN109578816A (zh) * | 2018-12-14 | 2019-04-05 | 中冶京诚工程技术有限公司 | 给水管网爆管检测方法及装置、控制方法及装置 |
-
2019
- 2019-08-21 CN CN201910776069.6A patent/CN110569571A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102174994A (zh) * | 2011-03-11 | 2011-09-07 | 天津大学 | 城市供水管网事故爆管在线定位系统 |
CN103226741A (zh) * | 2013-05-10 | 2013-07-31 | 天津大学 | 城市供水管网爆管预测方法 |
CN105203869A (zh) * | 2015-09-06 | 2015-12-30 | 国网山东省电力公司烟台供电公司 | 一种基于极限学习机的微电网孤岛检测方法 |
US20180284737A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
CN108332059A (zh) * | 2018-01-16 | 2018-07-27 | 浙江大学 | 服务于供水管网爆管监测的测压点优化布置方法 |
CN108360608A (zh) * | 2018-03-21 | 2018-08-03 | 浙江大学 | 一种供水系统输水管的爆管识别与定位方法 |
CN108894282A (zh) * | 2018-06-08 | 2018-11-27 | 天津大学 | 市政管网运行安全动态预警方法 |
CN108898512A (zh) * | 2018-07-27 | 2018-11-27 | 苏州市自来水有限公司 | 基于bp神经网络的城市供水管网模型校核方法 |
CN109358185A (zh) * | 2018-10-10 | 2019-02-19 | 青岛科技大学 | 基于极限学习机的橡胶配方性能预测模型及预测方法 |
CN109578816A (zh) * | 2018-12-14 | 2019-04-05 | 中冶京诚工程技术有限公司 | 给水管网爆管检测方法及装置、控制方法及装置 |
Non-Patent Citations (4)
Title |
---|
戴雄奇: ""供水管网重大漏损事故模拟、定位与控制技术"", 《中国博士学位论文全文数据库 工程科技II辑》 * |
李栋 等: ""面向故障诊断的供水管网水压监测点优化布置方法"", 《土木建筑与环境工程》 * |
李楠楠 等: ""供水管网爆管故障诊断的PSO-SVM方法"", 《系统工程理论与实践》 * |
高相铭 等: ""基于极限学习机的供水管网故障智能诊断方法"", 《计算机工程与设计》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112097126A (zh) * | 2020-09-18 | 2020-12-18 | 同济大学 | 一种基于深度神经网络的供水管网爆管管道精确识别方法 |
CN113074324A (zh) * | 2021-04-09 | 2021-07-06 | 天津大学 | 基于城市供水管网运行安全动态预警的数据库及建立方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101692273A (zh) | 城市排水管网在线水力模型建模方法 | |
CN108894282B (zh) | 市政管网运行安全动态预警方法 | |
CN109784746A (zh) | 城乡统筹供水管网水力水质模拟平台 | |
CN112700141B (zh) | 一种城市排水管网在线分析方法 | |
CN112560291A (zh) | 智慧水务供水管网爆管分析系统 | |
CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
CN112182234B (zh) | 流域防洪规划数据知识图谱构建方法 | |
CN110569571A (zh) | 基于极限学习机的城市供水管网爆管预警方法 | |
CN113011903A (zh) | 基于gis和水力模型的水污染精准溯源方法 | |
CN109886506A (zh) | 一种供水管网爆管风险分析方法 | |
CN112989535A (zh) | 一种基于爆管检测效益的供水管网压力监测点优化布局方法 | |
Wu et al. | Assessment of waterlogging risk in the deep foundation pit projects based on projection pursuit model | |
CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
Lungariya et al. | Analysis of continuous water distribution in Surat city using EPANET: a case study | |
CN111022937B (zh) | 一种输水管网管漏损定位系统及定位方法 | |
Liu et al. | City pipe network intelligent service based on GIS and internet of things | |
CN103970610A (zh) | 一种供水管网中节点流量的监控方法 | |
CN116187210A (zh) | 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法 | |
CN114511995B (zh) | 一种基于cesium模型的洪水分级预警方法 | |
Jin et al. | Research progress of a GIS-based DRASTIC model | |
Hong-wei et al. | Research on water leakage prediction of urban water supply network based on grey GM (0, N) model | |
Chai et al. | Study and development of emergent dispatching system for sudden water pollution accidents | |
Chen et al. | A Multivariate Statistical Model of Water Leakage in Urban Water Supply Networks Based on Random Matrix Theory | |
LIU et al. | Numerical simulation of groundwater and early warnings from the simulated dynamic evolution trend in the plain area of Shenyang, Liaoning Province (PR China) | |
Huang et al. | Optimization of Water Distribution Network Design Using Rafflesia Optimization Algorithm Based on Opposition-based Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191213 |
|
RJ01 | Rejection of invention patent application after publication |