CN110929359A

CN110929359A - 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法

Info

Publication number: CN110929359A
Application number: CN201911138213.XA
Authority: CN
Inventors: 谈正鑫; 郑宝中; 董毓良; 许令顺; 付明; 张羽茜; 凡伟伟
Original assignee: Hefei Zezong City Intelligent Technology Co Ltd
Current assignee: Hefei Zezong City Intelligent Technology Co Ltd
Priority date: 2019-11-20
Filing date: 2019-11-20
Publication date: 2020-03-27
Anticipated expiration: 2039-11-20
Also published as: CN110929359B

Abstract

本发明提供了基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法，包括以下步骤A：采集管网排水参数，基于SWMM模型对排水参数进行预处理；B：基于步骤A的预处理结果构建包括影响管网淤积情况和反应管网淤积情况的参数的历史数据；C：将历史数据输入PNN神经网络，得到淤积风险的预测模型。本发明提供的基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法的优点在于：通过PNN神经网络和SWMM技术的结合，构建更精确的历史数据进行模型训练，解决了现有淤积判断方法的单一性、滞后性问题，便于管养单位制定详细的清淤养护方案，提高管网养护的效率。

Description

基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法

技术领域

本发明涉及排水管网淤积风险计算与预测技术领域，尤其涉及一种基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法。

背景技术

排水管道系统在维持城市正常运行中起到重要作用。由于规划、设计、施工、运维等各方面的原因，排水管网时常会出现管道淤积、堵塞等问题，导致管道过流能力低下的现象，严重影响了排水管道的正常运行，诱发降雨期间路面积水、城市内涝等问题灾害，给城市的交通和市民的正常生活带来极大不便。

但是目前针对管网淤积情况的判断尚无系统的预测分析方法，通常依靠CCTV(closed-circuit television，闭路电视系统)、QV(Pipe Quick View lnspection，管道潜望镜检测)等检测设备视觉判断管网的淤积情况，工作量大，检测流程繁琐，且通常是在排水问题发生后才发现淤积问题。

发明内容

本发明所要解决的技术问题在于提供一种基于SWMM技术得到训练数据并用来训练PNN神经网络从而得到能够预测管网淤积风险的预测模型的方法，以克服现有技术对淤积情况监测存在滞后性的问题。

本发明是通过以下技术方案解决上述技术问题的：

基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法，包括以下步骤

步骤A：采集管网排水参数，基于SWMM模型对排水参数进行预处理；

步骤B：基于步骤A的预处理结果构建包括影响管网淤积情况和反应管网淤积情况的参数的历史数据；

步骤C：将历史数据输入PNN神经网络，得到淤积风险的预测模型。

优选地，步骤A所述的管网排水参数包括检查井、管道、排口、子汇水区、雨量计、污水入流量及周期变化曲线、实际降雨事件，将上述数据导入SWMM模型计算得到管网年入流量。

优选地，步骤B所述的影响管网淤积情况的参数包括管网GIS数据和管道附近的敏感污染源数据，反应管网淤积情况的参数包括管道排水负荷和淤积深度。

优选地，所述管网GIS数据包括管道类型、管道长度、管道坡度、管径、管龄和管道材质。

优选地，所述敏感污染源包括管道周边0～35m缓冲区内的建筑工地、裸露地块、餐饮企业、洗车店及排放污水石油类废水的企业。

优选地，所述淤积深度转化为淤积等级，淤积深度小于断面尺寸15％，淤积等级为1；断面尺寸15％～30％，淤积等级为2；淤积深度大于断面尺寸30％，淤积等级为3。

优选地，所述PNN神经网络的输入层输入数据为包括管道类型、管道长度、管道坡度、管径、管龄、管道材质、敏感源数量、年入流量和淤积等级的8维向量；输入层包括8个节点，所述模式层节点数为输入层的两倍，模式层的概率密度函数为：

其中，l为训练样本的特征向量个数，x为待测样本向量，X为第i类特征的第j个样本，σ为平滑参数。

优选地，所述PNN神经网络的求和层将输入的概率密度函数进行叠加，计算淤积等级的综合概率密度函数，具体公式为

其中，l_i为第i类中的样本个数。

优选地，所述PNN神经网络的输出层计算输出类别的方法为：

Y(x)＝argmax{f_i(x)}

输出层以向量形式输出不同的淤积等级，其中[1,0,0]表示淤积等级为1，[0,1,0]表示淤积等级为2，[0,0,1]表示淤积等级为3。

优选地，还包括将步骤B得到的历史数据随机分成训练集和测试集，使用测试集训练模型，并使用测试集验证模型的步骤。

本发明提供的基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法的优点在于：通过PNN神经网络和SWMM技术的结合，构建更精确的历史数据进行模型训练，获得能够及时准确的对管网淤积情况进行预测的模型，解决了现有淤积判断方法的单一性、滞后性问题，能够在日常管理中通过模拟、历史数据判断管网淤积状况对管网淤积风险进行判断，便于管养单位制定详细的清淤养护方案，提高管网养护的效率。在训练过程中较为全面的考虑了较为系统的评价指标，不仅考虑了管道自身物理属性，也考虑了外界刺激因素，适合各种场景。

附图说明

图1为本发明的实施例所提供的基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法的流程图；

图2为本发明的实施例所提供的基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法的PNN神经网络结构图；

图3为本发明的实施例所提供的基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法的效果验证图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

如图1所示，本实施例提供了一种基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法，包括

SWMM(storm water management model，暴雨洪水管理模型)是一个动态的降水-径流模拟模型，能够高效模拟出排水系统的水量、水质变化状况，适用于城市水文环境模拟分析。通过概化管道、检查井、汇水区等城市排水要素，运用地表产流模型、下渗模型、管网汇流模型模拟降雨、污水输送过程。可用于城市区域降雨径流、合流制管网、污水管道排水负荷、水质等指标的分析。

本实施例中选用的管网排水参数包括检查井、管道、排口、子汇水区、雨量计、污水入流量及周期变化曲线、实际降雨事件；使用SWMM模型进行预处理的方法为基于上述基础数据建立排水管网模型，并根据管道实际情况配置各项参数，如管道糙率、汇水区水文地质参数等；并通过提前布设的管网监测设备对管网模型进行校核，然后利用模型进行计算，统计得到各管道上游检查井入流量的数据。

所述的影响管网淤积情况的参数包括管网GIS数据和管道附近的敏感污染源数据，所述管网GIS数据包括管道类型、管道长度、管道坡度、管径、管龄和管道材质；高泥沙含量的地表径流和悬浮物含量较高的污水对管道淤积的影响较大，基于此所述敏感污染源主要考虑管道周边0～35m缓冲区内的建筑工地、裸露地块、餐饮企业、洗车店及排放污水石油类废水的企业。

反应管网淤积情况的参数包括管道排水负荷和淤积深度；由于通常管网养护单位多以年为周期进行管网清淤工作，故以管道上游检查井年入流量作为排水负荷指标，因此步骤A中的排水参数也以年为单位进行计算。

由于PNN神经网络的输出为向量，本实施例将淤积深度转换为淤积等级，具体为淤积深度小于断面尺寸15％，淤积等级为1；断面尺寸15％～30％，淤积等级为2；淤积深度大于断面尺寸30％，淤积等级为3；并进一步规定PNN神经网络输出[1,0,0]表示淤积等级为1，[0,1,0]表示淤积等级为2，[0,0,1]表示淤积等级为3。

经过处理后得到如表1所示形式的历史数据，为了进一步优化数据，简化数据计算量，优选实施例中还可以对历史数据中的部分参数进行归一化处理，如管道长度、管道坡度、管径、年入流量即管道排水负荷中的一个或多个数据。

表1：管道淤积参数

参考图2和表1，PNN神经网络的输入层输入数据为包括管道类型、管道长度、管道坡度、管径、管龄、管道材质、敏感源数量、年入流量和淤积等级的8维向量；即输入层包括8个节点，根据贝叶斯最小风险准则，分析输入特征向量与训练数据相似度，模式层节点数确认为输入层的两倍即16个节点。

管网淤积特征向量通过随机组合，使用模式层神经网络内连接权值训练函数进行计算，构建管网淤积特征量到某一模式的映射，得出不同训练结果的概率密度，同时将输入层向量匹配各模式模式层的概率密度函数为

PNN神经网络的求和层将输入的概率密度函数f_ij(x)叠加，计算出淤积风险等级的综合概率密度函数f_i(x)，完成输入多维特征向量到3类淤积风险的映射，计算公式为：

其中，l_i为第i类中的样本个数。

PNN神经网络的输出层输出三种不同风险等级的结果，基于上文对输出向量与风险等级的解释，应当知晓本实施例将输出层的输出结果设置为根据特定的淤积风险等级，输出最大后验概率密度的竞争层结果为1，其余为0，输出类别表示为：

Y(x)＝argmax{f_i(x)}

优选实施例中还包括对上述建模方法得到的模型进行验证的过程，具体为将步骤B得到的历史数据进行随机分配，70％作为训练集，30％作为测试集，步骤C中将训练集导入PNN神经网络进行训练，并使用测试集对模型进行验证，参考图3，基于本实施例选用的数据对排水官网淤积风险等级进行预测的正确率为92％，在实际使用时，随着后期淤积输入参数指标及历史数据库的丰富，准确度还能够进一步提高。

Claims

1.基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法，其特征在于：包括以下步骤

2.根据权利要求1所述的基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法，其特征在于：步骤A所述的管网排水参数包括检查井、管道、排口、子汇水区、雨量计、污水入流量及周期变化曲线、实际降雨事件，将上述数据导入SWMM模型计算得到管网年入流量。

3.根据权利要求2所述的基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法，其特征在于：步骤B所述的影响管网淤积情况的参数包括管网GIS数据和管道附近的敏感污染源数据，反应管网淤积情况的参数包括管道排水负荷和淤积深度。

4.根据权利要求3所述的基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法，其特征在于：所述管网GIS数据包括管道类型、管道长度、管道坡度、管径、管龄和管道材质。

5.根据权利要求3所述的基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法，其特征在于：所述敏感污染源包括管道周边0～35m缓冲区内的建筑工地、裸露地块、餐饮企业、洗车店及排放污水石油类废水的企业。

6.根据权利要求3所述的基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法，其特征在于：所述淤积深度转化为淤积等级，淤积深度小于断面尺寸15％，淤积等级为1；断面尺寸15％～30％，淤积等级为2；淤积深度大于断面尺寸30％，淤积等级为3。

7.根据权利要求1所述的基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法，其特征在于：所述PNN神经网络的输入层输入数据为包括管道类型、管道长度、管道坡度、管径、管龄、管道材质、敏感源数量、年入流量和淤积等级的8维向量；输入层包括8个节点，所述模式层节点数为输入层的两倍，模式层的概率密度函数为：

8.根据权利要求7所述的基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法，其特征在于：所述PNN神经网络的求和层将输入的概率密度函数进行叠加，计算淤积等级的综合概率密度函数，具体公式为

其中，l_i为第i类中的样本个数。

9.根据权利要求8所述的基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法，其特征在于：所述PNN神经网络的输出层计算输出类别的方法为：

Y(x)＝arg max{f_i(x)}

10.根据权利要求1所述的基于PNN神经网络和SWMM技术的管网淤积风险预测建模方法，其特征在于：还包括将步骤B得到的历史数据随机分成训练集和测试集，使用测试集训练模型，并使用测试集验证模型的步骤。