CN111721479A - 一种压力管网渗漏探测的层析扫描方法 - Google Patents

Abstract

本发明公开了一种压力管网渗漏探测的层析扫描方法，该方法利用市政管网中已有的阀门、流量传感器和压力传感器作为数据采集系统，依次开启和关闭各个阀门，流量传感器和压力传感器获取不同位置处的流速和水压力的响应数据；根据响应数据进行管网区域渗漏计算反演，建立供水管网渗漏异常诊断的层析扫描模型，并利用模型试验方法，对模型的可靠性进行检测，通过渗漏量进一步锁定渗漏发生的位置。本发明方法利用传感器测得的变化数据可以进行高效的管网渗漏异常层析扫描，实现了管网渗漏的精确定位，提高管网渗漏异常诊断的解析度。

Description

一种压力管网渗漏探测的层析扫描方法

技术领域

本发明涉及输水压力管网的渗漏探测以及地球物理勘探领域，具体涉及一种压力管网渗漏探测的层析扫描方法。

背景技术

水是生命之源，然而地球上淡水资源非常有限，据不完全统计，中国一些城市供水的漏失率在25％至30％，其中约70％是管网渗漏造成的。此外，管网渗漏不但造成水量的损失，还有可能造成土壤地质结构变化，引起渗漏点周围地基大幅沉降，并影响其他市政基础设施。

传统的供水管网渗漏监测常采用的方法包括小区全面音品质监测法、不间断流量检测法、夜间最小流量法、干管流量分析法等。然而，由于对泄漏声产生机理及特征认识不足，各种已有的泄漏检测方法在应用中常受到限制，泄漏误判和漏判率高，同时针对供水管道所面临的实际泄漏定位问题，各种泄漏定位方法还不够完善或已不适用，使得目前大量采用的传统时延估计泄漏定位方法在实际应用中受到限制。此外，由于监测的压力、流速等数据不直接反应渗漏位置及渗漏规模，常用的数据解译方法包括神经网络、遗传算法、卡尔曼滤波器算法等。神经网络有依据可靠、推导过程严谨、精度较高、通用性较好等优点，但收敛速度缓慢、容易陷入局部极小值、难以确定隐层数和隐层节点个数；遗传算法的参数设置对算法性能影响较大，其本身也是个优化问题，且需要依据多次运行的收敛情况判断参数设置是否合理，导致使用困难与计算量大；卡尔曼滤波器算法中协克里金插值是一种线性估计算法，而压力管道中水压力与管径之差呈非线性关系，无法反应监测数据中携带的非线性信息，因此利用卡尔曼滤波器估计诊断的精度也会受到较大影响。

可以看出，在利用监测数据进行管网渗漏异常诊断时，即要考虑渗漏异常分布与规模的随机性，也需要考虑管网监测数据与预测结果之间的非线性。

因此，有必要研发一种能解决上述问题的压力管网渗漏探测方法。

发明内容

本发明的目的是提供一种基于连续线性估计算法的管网渗漏层析扫描探测技术。

为实现本发明目的而采用的技术方案是这样的，一种压力管网渗漏探测的层析扫描方法，包括以下步骤：

1)在探测管网区域，利用市政管网中已有的若干阀门、若干流量传感器和若干压力传感器组成层析扫描的数据采集系统，数据采集控制系统用于收集水头压力和流量信息；

2)打开所述探测管网区域内的所有阀门，开启探测管网区域内的所有流量传感器和所有压力传感器进行预热，流量传感器和压力传感器均达到稳定后关闭阀门；

3)打开一个所述阀门，监测网络通过流量传感器和压力传感器获取不同位置处的流速和水压力的响应数据；

4)关闭步骤3)中打开的阀门，监测网络通过流量传感器和压力传感器再次获取不同位置处的流速和水压力的响应数据；

5)重复步骤3)和4)，依次开关所述探测管网区域的所有阀门，并获得不同刺激下各位置的水压力和流量响应数据；

6)利用压力管道的水流方程，设置每个所述阀门的位置、流量传感器接收点位置和压力传感器接收点位置，模拟探测管网区域的布置情况，建立正分析模型；其中，压力管道的水流方程为：

式中，h为水头，t为时间，c为压力波速，g为重力加速度，A为管道截面积，Q为流量，x为空间坐标，f为达西-魏斯巴赫摩擦系数， D为管道内径；

7)所述监测网络获取的水流流量值、水压力值以及管道内径参数赋予探测管网区域的每一个网格内；

8)管网渗漏影响所述探测管网区域的监测数据的分布，通过步骤5)接收到不同位置的压力、流量响应数据，将若干次监测数据进行对比，定性分析渗漏位置、渗漏规模与水压力、流速数据之间的相关性；

9)根据监测数据与供水管网异常之间的相关性，利用连续线性估计算法对探测管网区域内待估点的渗漏量大小进行估计，未知渗漏量的迭代计算公式为：

式中，u_c为待估的探测区域渗漏量参数向量；u_c ^(r+1)为参数向量u_c在第r+1次的条件估计值，r＝0的参数来源于步骤8)正分析的结果以及先验资料；h^*为在每次开关阀门作用下水压力的监测值，h^(r)为管网区域正分析模型的模拟值，T为反演周期，权重系数矩阵ω计算公式为：

[ε_hh+λdiag(ε_hh)]ω＝ε_hu

其中ε_hh是监测数据之间的协方差矩阵，ε_hu是监测数据与参数之间的协方差矩阵；λ是Levenberg-Marquardt算法动态乘子，diag()运算符代表取对角阵；协方差由敏感度得到：

式中，J_hu是水压流量监测数据对探测区域渗漏量变化的敏感度矩阵，参数协方差矩阵ε_uu在r＝0时由先验信息给出，随后每次迭代按照下式逐步更新：

10)重复式(1)的迭代过程，直至得到的参数估计值条件下得到的计算值与监测值之差小于等于0.01或达到最大迭代步数时，迭代停止；

11)在所述数据解译、信息融合以及高效算法的基础上，建立供水管网渗漏异常诊断的层析扫描模型，通过渗漏量进一步锁定渗漏发生的位置。

进一步，步骤11)包括以下分步骤：

11.1)由收集的先验信息建立正分析模型，结合资料假定一个随机渗漏位置及渗漏量分布，得到初始条件估计值，开始进行数据解译；

11.2)通过获取到的水压力、水流速数据，反代入分析模型，按照步骤9)和10)的数据算法进行信息融合，迭代多次直到满足允许误差，停止计算；

11.3)将计算出的结果进行整理分析，利用画图工具建立供水管网渗漏异常诊断层析扫描模型。

本发明的技术效果是毋庸置疑的，本发明的层析扫描技术是利用有限的监测数据反演得到高解析度参数信息，利用传感器测得的变化数据进行高效的管网渗漏异常层析扫描，相较于传统的监测方式，实现了管网渗漏的精确定位，提高管网渗漏异常诊断的解析度。同时，利用市政管网中已有的阀门、流量传感器、压力传感器组成层析扫描的数据采集系统，就地取材，探测成本低，操作便捷。

附图说明

图1为本发明的工作流程图；

图2为求解域及网格划分示意图；

图3为真实值与模拟值对比图；

图4为不同迭代次数下管网渗漏反演刻画情况；

图5为管网渗漏真实情况与反演结果对比；

图6为开关阀门、流量传感器和压力传感器的布置图。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

实施例1：

参见图1，本实施例公开了一种压力管网渗漏探测的层析扫描方法，该方法基于连续线性估计算法，包括以下步骤：

1)在探测管网区域，利用市政管网中已有的若干阀门、若干流量传感器和若干压力传感器组成层析扫描的数据采集系统，数据采集控制系统用于收集水头压力和流量信息；参见图6，为开关阀门、流量传感器和压力传感器的布置图；

2)打开所述探测管网区域内的所有阀门，开启探测管网区域内的所有流量传感器和所有压力传感器进行预热，流量传感器和压力传感器均达到稳定后关闭阀门；

3)打开一个所述阀门，监测网络通过流量传感器和压力传感器获取不同位置处的流速和水压力的响应数据；

4)关闭步骤3)中打开的阀门，监测网络通过流量传感器和压力传感器再次获取不同位置处的流速和水压力的响应数据；

5)重复步骤3)和4)，依次开关所述探测管网区域的所有阀门，并获得不同刺激下各位置的水压力和流量响应数据；

6)利用压力管道的水流方程，设置每个所述阀门的位置、流量传感器接收点位置和压力传感器接收点位置，模拟探测管网区域的布置情况，建立正分析模型；其中，压力管道的水流方程为：

式中，h为水头，t为时间，c为压力波速，g为重力加速度，A为管道截面积，Q为流量，x为空间坐标，f为达西-魏斯巴赫摩擦系数，D为管道内径；

7)所述监测网络获取的水流流量值、水压力值以及管道内径参数赋予探测管网区域的每一个网格内；

8)管网渗漏影响所述探测管网区域的监测数据的分布，不同的渗漏位置与强度会使管网监测的动态响应产生变化，而这种动态响应是非线性变化。通过步骤5)接收到不同位置的压力、流量响应数据，将若干次监测数据进行对比，定性分析渗漏位置、渗漏规模与水压力、流速数据之间的相关性；

9)根据监测数据与供水管网异常之间的相关性，利用连续线性估计算法对探测管网区域内待估点的渗漏量大小进行估计，未知渗漏量的迭代计算公式为：

式中，u_c为待估的探测区域渗漏量参数向量；u_c ^(r+1)为参数向量u_c在第r+1次的条件估计值，r＝0的参数来源于步骤8)正分析的结果以及先验资料，先验资料为通过市政系统或存在渗漏区域的相关负责机构来获取管网的基本参数信息，这些信息包括管径大小、管线分布、平均经济流速以及管壁粗糙度等基本参数信息，

表示有先验资料依据经验给定整个管网区域渗漏量的分布以及假定一个随机的管网渗漏位置分布，然后通过正分析模型得到的初始条件估计值；h^*为在每次开关阀门作用下水压力的监测值，h^(r)为管网区域正分析模型的模拟值，T为反演周期，权重系数矩阵ω计算公式为：

[ε_hh+λdiag(ε_hh)]ω＝ε_hu

其中ε_hh是监测数据之间的协方差矩阵，ε_hu是监测数据与参数之间的协方差矩阵；λ是Levenberg-Marquardt算法动态乘子，diag()运算符代表取对角阵；协方差由敏感度得到：

式中，J_hu是水压流量监测数据对探测区域渗漏量变化的敏感度矩阵，参数协方差矩阵ε_uu在r＝0时由先验信息给出，参考先验信息，假定的渗漏量分布以及渗漏位置分布，利用协克里金算法，得到初步线性估计的参数协方差矩阵，随后每次迭代按照下式逐步更新：

10)重复式(1)的迭代过程，直至得到的参数估计值条件下得到的计算值与监测值之差小于等于0.01或达到最大迭代步数时，迭代停止，即：

式中：Δh允许误差，

对于j取任意值时的监测值，

对于j取任意值时的第r+1次迭代估计值，Δσ²渗漏量的允许方差，Var[ln(u^r+1)]第r+1次迭代估计值的方差，Var[ln(u^r)]第r次迭代估计值的方差；

最大迭代步数为200，当迭代步数大于等于200时，迭代停止；

11)在所述数据解译、信息融合以及高效算法的基础上，建立供水管网渗漏异常诊断的层析扫描模型，通过渗漏量进一步锁定渗漏发生的位置，具体包括以下分步骤：

11.1)由收集的先验信息建立正分析模型，结合资料假定一个随机渗漏位置及渗漏量分布，得到初始条件估计值，开始进行数据解译；

11.2)通过获取到的水压力、水流速数据，反代入分析模型，按照步骤9)和10)的数据算法进行信息融合，迭代多次直到满足允许误差，停止计算；

11.3)将计算出的结果进行整理分析，利用画图工具建立供水管网渗漏异常诊断层析扫描模型。

本实施例将地质统计学中的水力层析扫描方法引入到管网渗漏异常诊断中。水力层析扫描是利用水力探测数据刻画含水层特性的有效方法。它通过搜集一系列不同刺激下观测数据，得到不同角度的含水层扫描影像。通过数据融合方法，将这些影像综合起来，即可以得到含水层水力参数的空间分布形态。水力层析扫描采用连续线性估计算法处理非线性问题。该方法基于贝叶斯模型原理，以观测和参数的协相关关系为主要依据，更新参数后检验均值和协方差，可以方便吸收各种类型的数据；连续线性估计算法以迭代的方法对数据的信息进行线性化，在时间上采用同时吸收模式，可以有效解决非线性问题，避免传统数据同化算法等可能出现的参数-观测不一致问题；在迭代过程中，采用非线性回归的最小二乘法动态控制迭代的稳定性和速度，避免结果陷入局部最优解；通过伴随方程方法高效准确地计算敏感度矩阵，并基于随机一阶近似计算不同尺度、不同精度观测数据的协方差。

实施例2：

本实施例主要步骤同实施例1，进一步，选择一块50m×50m的管网区域作为探测管网区域，并对其进行数值建模，利用层析扫描方法对管网渗漏区域的渗漏量分布进行刻画。假设探测管网区域南北两侧为水头边界，在边界围成的求解域内进行单元网格划分，网格为正方形，尺度为1m×1m，共得到有限计算网格900个，节点1305个。假设在求解域中共布置了8个开关阀门，每隔10m有一个传感器，共布置12个，并预设6次开关阀门接收响应数据试验，划分网格后的求解域如图2所示。

为了能够使用层析扫描这一技术，利用压力管道的水流方程，已知管道的流速、水压力，内径等参数，创建正分析模型。然后运用连续线性估计算法反分析管网区域情况。将真实值作为横坐标模拟值作为纵坐标，绘制关系图得到一条斜率大致为1的直线，图3可以看出模拟结果较好，能够较好的探测出管网渗漏情况。

图4代表了多次模拟过程中渗漏通道逐渐形成的一个过程，其中图4a代表第一次情况，图4b代表迭代4次的渗漏情况，图4c代表迭代8次的渗漏情况，图4d代表迭代10次的渗漏情况，图4e和图4f分别代表迭代14次和最终结果图。由图可知随着试验测量次数的增加，不确定性在不断降低，说明在层析过程中反演值逐渐向真实值的进化。到第21次迭代结束时，反演结果图已经可以较为清楚地展示出管网渗漏异常情况。

图5a表示真实的管网通道渗漏情况，图5b表示反演得到的管网渗漏异常情况，对比管网通道分布情况与利用层析扫描得到的管网渗漏异常情况，可以看出，右上角有明显的红色区域，说明这个位置发生了管网渗漏异常，可见反分析得到的管网渗漏分布可以较好的反映出管网渗漏异常区域。

值得说明的是，层析扫描技术是利用有限的监测数据反演得到高解析度参数信息的先进手段。通过对比分析，可以看出利用传感器测得的变化数据可以进行高效的管网渗漏异常层析扫描，相较于传统的监测方式，实现了管网渗漏的精确定位，提高管网渗漏异常诊断的解析度。

Claims (2)

1.一种压力管网渗漏探测的层析扫描方法，其特征在于：包括以下步骤：

1)在所述探测管网区域，利用市政管网中已有的若干阀门、若干流量传感器和若干压力传感器组成层析扫描的数据采集系统，数据采集控制系统用于收集水头压力和流量信息；

2)打开所述探测管网区域内的所有阀门，开启探测管网区域内的所有流量传感器和所有压力传感器进行预热，流量传感器和压力传感器均达到稳定后关闭阀门；

3)打开一个所述阀门，监测网络通过流量传感器和压力传感器获取不同位置处的流速和水压力的响应数据；

4)关闭步骤3)中打开的阀门，监测网络通过流量传感器和压力传感器再次获取不同位置处的流速和水压力的响应数据；

5)重复步骤3)和4)，依次开关所述探测管网区域的所有阀门，并获得不同刺激下各位置的水压力和流量响应数据；

6)利用压力管道的水流方程，设置每个所述阀门的位置、流量传感器接收点位置和压力传感器接收点位置，模拟探测管网区域的布置情况，建立正分析模型；其中，压力管道的水流方程为：

式中，h为水头，t为时间，c为压力波速，g为重力加速度，A为管道截面积，Q为流量，x为空间坐标，f为达西-魏斯巴赫摩擦系数，D为管道内径；

7)所述监测网络获取的水流流量值、水压力值以及管道内径参数赋予探测管网区域的每一个网格内；

8)管网渗漏影响所述探测管网区域的监测数据的分布，通过步骤5)接收到不同位置的压力、流量响应数据，将若干次监测数据进行对比，定性分析渗漏位置、渗漏规模与水压力、流速数据之间的相关性；

9)根据监测数据与供水管网异常之间的相关性，利用连续线性估计算法对探测管网区域内待估点的渗漏量大小进行估计，未知渗漏量的迭代计算公式为：

式中，u_c为待估的探测区域渗漏量参数向量；u_c ^(r+1)为参数向量u_c在第r+1次的条件估计值，r＝0的参数来源于步骤8)正分析的结果以及先验资料；h^*为在每次开关阀门作用下水压力的监测值，h^(r)为管网区域正分析模型的模拟值，T为反演周期，权重系数矩阵ω计算公式为：

[ε_hh+λdiag(ε_hh)]ω＝ε_hu

其中ε_hh是监测数据之间的协方差矩阵，ε_hu是监测数据与参数之间的协方差矩阵；λ是Levenberg-Marquardt算法动态乘子，diag()运算符代表取对角阵；协方差由敏感度得到：

式中，J_hu是水压流量监测数据对探测区域渗漏量变化的敏感度矩阵，参数协方差矩阵ε_uu在r＝0时由先验信息给出，随后每次迭代按照下式逐步更新：

10)重复式(1)的迭代过程，直至得到的参数估计值条件下得到的计算值与监测值之差小于等于0.01或达到最大迭代步数时，迭代停止；

11)在所述数据解译、信息融合以及高效算法的基础上，建立供水管网渗漏异常诊断的层析扫描模型，通过渗漏量进一步锁定渗漏发生的位置。

2.根据权利要求1所述的一种压力管网渗漏探测的层析扫描方法，其特征在于：步骤11)包括以下分步骤：

11.1)由收集的先验信息建立正分析模型，结合资料假定一个随机渗漏位置及渗漏量分布，得到初始条件估计值，开始进行数据解译；

11.2)通过获取到的水压力、水流速数据，反代入分析模型，按照步骤9)和10)的数据算法进行信息融合，迭代多次直到满足允许误差，停止计算；

11.3)将计算出的结果进行整理分析，利用画图工具建立供水管网渗漏异常诊断层析扫描模型。

Images