CN112560362A - 一种老旧小区供水管道老化诊断方法和系统 - Google Patents
一种老旧小区供水管道老化诊断方法和系统 Download PDFInfo
- Publication number
- CN112560362A CN112560362A CN202011478051.7A CN202011478051A CN112560362A CN 112560362 A CN112560362 A CN 112560362A CN 202011478051 A CN202011478051 A CN 202011478051A CN 112560362 A CN112560362 A CN 112560362A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- pipe network
- roughness
- water supply
- module
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Graphics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种老旧小区供水管道老化诊断方法及系统,所述方法包括:步骤S1:现场数据采集;步骤S2:构建用于判断管道内壁粗糙度管网模型;步骤S3:进行管网诊断。本发明通过大规模机器学习,能够充分考虑管道材质,管道年龄,流体介质组分等因素,可精准的判断管网中某段管道当前的平均粗糙度情况,并评价当前管道的老化程度。
Description
【技术领域】
本发明属于计算机技术领域,尤其涉及一种老旧小区供水管道老化诊断方法和系统。
【背景技术】
小区的管道老化主要是指管道内部由于流体侵蚀,化学腐蚀或粘附杂质所产生的管道内壁老化或堵塞。管道老化会导致内壁粗糙度增加,从而产生水力阻力增加。通常情况下,管网中某个管道的粗糙度变化很难通过经验直接判别出来。而水力阻力增加是可以通过管网运行监测SCADA采集的压力、流量数据反映出来,结合SCADA系统提供的监测数据,可以实现管网内壁粗糙度的辨识。由于老旧小区供水管道老化不可避免,管道内壁侵蚀不仅会造成管壁变薄发生泄漏也会造成管道堵塞。供水管道的泄露问题一直是供水公司面临的一大难点问题,对其经济效益会造成巨大损失。而堵塞会导致供水系统水力失衡,使小区供水不畅,造成用户侧供水不足的现象。管道老化会造成管道内壁粗糙度逐渐增大,使得管道内水的流动特征如流速、流量及压降等产生不同程度的变化。
考虑到管道监测技术的发展离不开多领域多学科间的相互交叉,且因输送物质的多样性、管道所处环境的复杂性、侵蚀和腐蚀形式和原因多种多样,现阶段仍旧没有形成稳定可靠的、对各种复杂工况均可用的管道侵蚀和腐蚀状态诊断方法,来实现对各种管道进行有效侵蚀和腐蚀状态的监测与评价。老旧小区的供水管道主要可分为进楼前的埋地管道以及居民楼里的立管。目前对于埋地管道的检测主要有以下几种方法:针对土壤腐蚀环境的检测、管道防腐层的检测、管体腐蚀损伤检测、及杂散电流检测技术。居民楼里的立管检测主要可通过声波、光纤以及红外线成像的方法检测。这些腐蚀检测方法很多,单较多的依靠人工检测,因此具有一定的滞后性,工作量大。
因此,通过研究一定长度管道内水的各项参数,可以相应的估算该段管道的壁面粗糙度,从而了解管道现有腐蚀状况,对管道的老化情况做出评价。对管道粗糙度辨识的研究,不仅对利用管网水力仿真技术模拟实际工况具有重要意义,而且可以为供水管网的安全评价提供有效信息。本发明通过大规模机器学习,能够充分考虑管道材质,管道年龄,流体介质组分等因素,可精准的判断管网中某段管道当前的平均粗糙度情况,并评价当前管道的老化程度。在进行学习的过程中采用混合寻优模式,在初期,利用遗传算法搜索能力强、收敛速度快的特点,充分发挥其快速性和全局收敛性的优势,将较大的解空间快速有效缩减。同时为之后的蚁群算法提供较优的可行解并形成初始信息素分布。在中后期,利用蚁群算法的并行性、正反馈机制等特点,充分发挥其求解效率高的优势,求解问题的最优解,从而大大减少诊断复杂度。
【发明内容】
为了解决现有技术中的上述问题,本发明提出了一种老旧小区供水管道老化诊断方法和系统,所述方法包含:
步骤S1:现场数据采集;
步骤S2:构建用于判断管道内壁粗糙度管网模型;
步骤S21:设置管网模型的目标函数;
步骤S22:设置管网模型的约束条件;
步骤S23:设置遗传算法模块;设置仿真计算模块;设置蚁群算法模块;
步骤S3:进行管网诊断。
进一步的,所述步骤S1具体为:采集管网现场一段时间内的实际样本数据。
进一步的,所述约束条件包括隐式约束条件和显式约束条件。
进一步的,所述预设距离为50米。
进一步的,所述管道粗糙度的取值为50μm到1000μm。
一种应用上述老旧小区供水管道老化诊断方法的系统,其特征在于,包括:所述系统包括:
采集模块,用于进行现场数据采集;
诊断模块,包括管网模型,所述管网模型用于判断管道内壁粗糙度;所述管网模型还用于基于可行解调用仿真计算模块进行工况计算,并输出相应的工况数据;
诊断模块还包括判断模块,用于获取诊断模型输出的管道粗糙度并保存,根据当前管道粗糙度及其最近一段时间内的变化来评价管道老化的程度和速度。
进一步的,所述系统还包括:
存储模块:用于存储约束条件和目标函数;还用于存储检测点的监测信息。
进一步的,所述系统还包括:仿真计算模块:用于采用管网仿真程序进行工况计算。
进一步的,所述存储模块位于第三方服务器中。
进一步的,所述最近一段时间为用户输入的时间段。
本发明的有益效果包括:通过大规模机器学习,能够充分考虑管道材质,管道年龄,流体介质组分等因素,可精准的判断管网中某段管道当前的平均粗糙度情况,并评价当前管道的老化程度。在进行学习的过程中采用混合寻优模式,在初期,利用遗传算法搜索能力强、收敛速度快的特点,充分发挥其快速性和全局收敛性的优势,将较大的解空间快速有效缩减。同时为之后的蚁群算法提供较优的可行解并形成初始信息素分布。在中后期,利用蚁群算法的并行性、正反馈机制等特点,充分发挥其求解效率高的优势,求解问题的最优解,从而大大减少诊断复杂度。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解,构成本申请的一部分,但并不构成对本发明的不当限定,在附图中:
图1为本发明的老旧小区供水管道老化诊断方法示意图。
图2为本发明的用于判断管道内壁粗糙度管网模型的示意图。
【具体实施方式】
下面将结合附图以及具体实施例来详细说明本发明,其中的示意性实施例以及说明仅用来解释本发明,但并不作为对本发明的限定。
考虑到供水管网内壁粗糙度辨识问题,是一个高维非线性最优化问题。在初期,需要对较大的解空间进行有效的缩减;在中后期,需要对缩减的解空间进行高效的搜索。而现有技术中在进行目标辨识时,往往采用非智能算法,或者是单一的智能算法,而本发明首次将两种算法相结合,提出了一种混合智能计算方法,能够大大提高搜索能力,加快收敛速度。遗传算法在初期搜索能力强,收敛速度快,能够很快的缩减解空间范围,在后期,容易发生迭代冗余。蚁群算法在初期,缺乏信息素,搜索速度慢,在中后期,搜索能力提高,收敛速度加快。将两种算法进行混合使用,如图1所示。在初期,利用遗传算法搜索能力强、收敛速度快的特点,充分发挥其快速性和全局收敛性的优势,将较大的解空间快速有效缩减。同时为之后的蚁群算法提供较优的可行解并形成初始信息素分布。在中后期,利用蚁群算法的并行性、正反馈机制等特点,充分发挥其求解效率高的优势,求解问题的最优解。
本发明提供一种老旧小区供水管道老化诊断方法和系统,所述系统包括:
采集模块,用于进行现场数据采集;
诊断模块,包括管网模型,所述管网模型用于判断管道内壁粗糙度;所述管网模型还用于基于可行解调用仿真计算模块进行工况计算,并输出相应的工况数据;
诊断模块还包括判断模块,用于获取诊断模型输出的管道粗糙度并保存,根据当前管道粗糙度及其最近一段时间内的变化来评价管道老化的程度和速度。
存储模块:用于存储约束条件和目标函数;还用于存储检测点的监测信息;
仿真计算模块:用于采用管网仿真程序进行工况计算;其中:所述管网仿真程序为根据现场管网的拓扑结构所构建的仿真程序,可以采用现有的管网仿真软件进行所述管网仿真程序的构建;
所述管网仿真程序根据现场管网的拓扑结构设置管道拓扑模型和管网边界条件,包括供水侧和用水侧的压力、流量、温度等信息从而进行管网仿真程序的实例化;
对本发明所应用的一种老旧小区供水管道老化诊断方法进行详细说明,如附图1所示,所述方法包含如下步骤:
步骤S1:现场数据采集;具体为:采集管网现场一段时间内的实际样本数据;所述监测数据各监测点的压力、流量、温度等监测信息。
优选的:将待采集管网的每条管道沿着从进水口到出水口的方向进行分段处理,每隔预设距离设立一个监测点并进行编号;采集每个监测点处的压力值、温度值和流量值等检测参数;
优选的;所述预设距离为50米;
优选的:所述管道粗糙度的取值为50μm到1000μm;
步骤S2:构建用于判断管道内壁粗糙度管网模型。该管网模型的运行过程就是一个寻求最优解的过程,在寻求最优解的过程中使得管网模型能够无限度的接近真实现场管网,从而使得管网模型找到的粗糙度与真实管道粗糙度无限度贴近,将所述最接近的粗糙度作为最优解;
步骤S21:设置管网模型的目标函数为:
其中:
PCi——i节点处计算压力,Pa;
PMi——i节点处监测压力,Pa;
MCj——j节点处计算流量,kg/s;
MMj——j节点处监测流量,kg/s;
NP——压力监测点总数;
NM——流量监测点总数;
αi——压力监测点权重;
βj——流量监测点权重。
当目标函数值越大,即计算值和监测值偏离程度越高,解的优良性越差,则表现为适应度低;相反的,目标函数值越小,计算值和监测值越接近,解的优良性越好,表现为适应度高。
步骤S22:设置管网模型的约束条件;所述约束条件包括隐式约束条件和显式约束条件;
优选的:隐式约束条件通过调用外部管网仿真程序自动满足,这样辨识模型就得到了极大的简化。
所述显式约束条件为根据管道材质、使用时间等因素的影响而设置的管道内壁粗糙度范围;所述第一类型条件包括条件(1);
所述隐式约束条件是水在管网中的流动需要符合质量、动量、能量、元件的物理特性等条件;包括条件(2)-条件(10);下面是条件(1)-(10);
其中;ε为管道粗糙度;ρ为水的密度,kg/m3;w为流体x方向速度分量,m/s;x为长度,m;t为时间,s;p为压力,Pa;λ为摩擦系数;D为管道内径,m;θ为管段的倾角,rad;u为比内能,J/kg;z为高差,m;h为比焓,J/kg;g为重力加速度,m/s2;q为传热量,W/m3;Q为流量;Quser是用户侧的流量;Qsource是小区进水口流量;Qset是指模型边界条件流量设定值,通过实际监测中获取;Puser是用户侧的压力;Psource是小区进水口压力;Pset是指模型边界条件压力设定值;Q1,Q2,Q3是三通三个口的流量;P1,P2,P3是三通三个口的压力;Q1,Q2是二通两个口的流量;P1,P2是二通两个口的压力;
步骤S23:设置遗传算法模块;设置仿真计算模块;设置蚁群算法模块;
所述设置遗传算法模块包括:
步骤A1:运行参数设定;运行参数包括种群规模,交叉概率,变异概率。优选的:设定种群规模为200,交叉概率pc=0.8,变异概率pm=0.2
步骤A2:染色体编码和解码,具体的:先根据内壁粗糙度范围对粗糙度进行二进制编码然后实现可行解在二进制和十进制之间的转化,将0和1组成的字符串转化为对应的实数解。
优选的:根据内壁粗糙度范围对粗糙度进行二进制编码,基因片段的长度为:
其中:m为基因片段的长度;
εmin为粗糙度的下限值;
εmax为粗糙度的上限值;
δ为求解精度;
优选的:解码的过程实际上是实现可行解在二进制和十进制之间的转化,将0和1组成的字符串转化为对应的实数。具体实现方式如下,
式中,x为二进制字符串对应的实数。
步骤A3:将染色体解码后得到的n个解码作为仿真计算模块的输入,并调用仿真计算模块进行工况计算;获取所述仿真计算模块的输出,并对所述输出进行适应度评价;
步骤A4:构建适应度函数,进行适应度评价,;
适应度函数是对目标函数重新建立映射关系,具体形式如下所示:
式中,Fi()为计算种群中第i个个体的适应度值;
步骤A5:设置收敛条件,并进行收敛分析;优选的:所述收敛条件为:)固定进化代数,达到设定值,计算完成且达到收敛条件。
优选的:所述收敛条件为:设定停滞代数,一定连续代数后没有显著提升,计算完成且达到收敛条件。
优选的:所述收敛条件为:设定计算时间,计算时间达到则计算完成且达到收敛条件。
优选的:所述收敛条件为:设定进化代数为70,遗传进化次数达到设定值后计算完成且达到收敛条件。优选的:在计算完成后输出可行解。
所述设置仿真计算模块,具体为:基于遗传算法模块中解码得到的可行解,调用管网仿真程序进行工况计算;
所述管网仿真程序的输入为遗传计算模块解码输出的可行解,也就是待进一步优化计算的管道粗糙度;管道拓扑模型和管网边界条件(即供水侧和用水侧的压力、流量、温度)为已知;所述管网仿真程序的是各监测点的计算压力、流量等监测信息的计算值;
将各监测点的监测信息的计算值代入目标函数中进行求解得到多个f(ε),所述多个f(ε)作为输入进行个体适应度评价;
所述代入后的目标函数为:
MCi(ε)代表将粗糙度代入水力模型时i节点处计算流量,kg/s。
所述设置遗传算法模块包括:
步骤B1:设定运行参数;
优选的:设定蚁群规模为100,信息素挥发系数ρ0=0.8。
步骤B2:蚁群位置初始化;
min f(ε)
设连续域目标函数为:εmin<ε<εmax;式中,ε=(ε1,ε2,…,εn);εmin=(ε1,min,ε2,min,…,εn,min);εmax=(ε1,max,ε2,max,…,εn,max)。
所述蚁群位置初始化,具体为:指将各个蚂蚁等概率的随机放置在解空间的任一位置,按下式进行。
εi=(rand(ε1,min,ε1,max),rand(ε2,min,ε2,max),…,rand(εn,min,εn,max));
式中,εi表示蚁群中第i只蚂蚁所处的解空间位置,即第i只蚂蚁获得的可行解;rand(εmin,εmax)表示区间(εmin,εmax)上的随机数。
f(εi)为第i个可行解对应的目标函数值。
步骤B4:信息素更新;所有蚂蚁根据上一次的信息素完成搜索后,位置会发生变化。在转移的过程中,信息素浓度由于挥发而降低,同时蚂蚁会释放新的信息素,此时需要对信息素进行更新。
更新规则如下:
τi(k+1)=(1-ρ0)τi(k)+Δτi;式中:τi(k+1)为第k+1次搜索后的信息素浓度;
τi(k)为第k次搜索后的信息素浓度;
ρ0为信息素挥发系数,0<ρ0<1;
步骤B5:设置收敛条件,并进行收敛分析;
优选的:所述终止条件为:固定搜索次数,达到设定值,计算完成且达到终止条件。
优选的:所述终止条件为:设定停滞次数,一定搜索次数后没有显著提升,计算完成且达到终止条件。
优选的:所述终止条件为:设定计算时间,且达到终止条件。
优选的:在达到终止条件时,输出计算结果,也就是最优解。
优选的:设定搜索次数为70,搜索达到设定值后,最后完成搜索后,输出最优解。
步骤S3:进行管网诊断;具体的:获取诊断模型输出的管道粗糙度并保存,根据当前管道粗糙度及其最近一段时间内的变化来评价管道老化的程度和速度。
一般,粗糙度越高,老化程度越重。这里需要人为虚构一个评价指标模型,来定量联系粗糙度与老化的关系。再进一步,用当前粗糙度与上一次的粗糙度值相比较,获得相对变化率。从相对变化率来说明管道老化速度。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,这里所称得的存储介质,如:ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种老旧小区供水管道老化诊断方法,其特征在于,所述方法包含:
步骤S1:现场数据采集;
步骤S2:构建用于判断管道内壁粗糙度管网模型;
步骤S21:设置管网模型的目标函数;
步骤S22:设置管网模型的约束条件;
步骤S23:设置遗传算法模块;设置仿真计算模块;设置蚁群算法模块;
步骤S3:进行管网诊断。
2.根据权利要求1所述的老旧小区供水管道老化诊断方法,其特征在于,所述步骤S1具体为:采集管网现场一段时间内的实际样本数据。
3.根据权利要求2所述的老旧小区供水管道老化诊断方法,其特征在于,所述约束条件包括隐式约束条件和显式约束条件。
4.根据权利要求3所述的老旧小区供水管道老化诊断方法,其特征在于,所述预设距离为50米。
5.根据权利要求4所述的老旧小区供水管道老化诊断方法,其特征在于,所述管道粗糙度的取值为50μm到1000μm。
6.一种应用权利要求1-5中任一项所述的老旧小区供水管道老化诊断方法的系统,其特征在于,包括:所述系统包括:
采集模块,用于进行现场数据采集;
诊断模块,包括管网模型,所述管网模型用于判断管道内壁粗糙度;所述管网模型还用于基于可行解调用仿真计算模块进行工况计算,并输出相应的工况数据;
诊断模块还包括判断模块,用于获取诊断模型输出的管道粗糙度并保存,根据当前管道粗糙度及其最近一段时间内的变化来评价管道老化的程度和速度。
7.根据权利要求6所述的老旧小区供水管道老化诊断系统,其特征在于,所述系统还包括:
存储模块:用于存储约束条件和目标函数;还用于存储检测点的监测信息。
8.根据权利要求7所述的老旧小区供水管道老化诊断系统,其特征在于,所述系统还包括:仿真计算模块:用于采用管网仿真程序进行工况计算。
9.根据权利要求8所述的老旧小区供水管道老化诊断系统,其特征在于,所述存储模块位于第三方服务器中。
10.根据权利要求8所述的实现分布式服务配置热更新的系统,其特征在于,所述最近一段时间为用户输入的时间段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011478051.7A CN112560362B (zh) | 2020-12-15 | 2020-12-15 | 一种老旧小区供水管道老化诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011478051.7A CN112560362B (zh) | 2020-12-15 | 2020-12-15 | 一种老旧小区供水管道老化诊断方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560362A true CN112560362A (zh) | 2021-03-26 |
CN112560362B CN112560362B (zh) | 2022-11-01 |
Family
ID=75063704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011478051.7A Active CN112560362B (zh) | 2020-12-15 | 2020-12-15 | 一种老旧小区供水管道老化诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560362B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101189508A (zh) * | 2005-06-01 | 2008-05-28 | 丹尼尔度量和控制公司 | 用于确定管道粗糙度的方法和超声仪系统 |
CN102609602A (zh) * | 2011-01-20 | 2012-07-25 | 北京工业大学 | 多消防流量测试工况约束下给水管网管道粗糙度校核方法 |
CN103198210A (zh) * | 2013-03-07 | 2013-07-10 | 中国石油天然气集团公司 | 一种天然气管道减阻内涂层检测评价方法及设备 |
CN106599599A (zh) * | 2016-12-26 | 2017-04-26 | 广东技术师范学院 | 一种燃气管道当量粗糙度自适应辨识的计算方法 |
CN110619191A (zh) * | 2019-10-10 | 2019-12-27 | 中冶赛迪重庆信息技术有限公司 | 一种煤气管网运行诊断系统及方法 |
CN111637367A (zh) * | 2020-04-24 | 2020-09-08 | 西南石油大学 | 山地输气管道内腐蚀缺陷检测与评价方法 |
CN111832873A (zh) * | 2020-01-10 | 2020-10-27 | 吉林建筑大学 | 一种旧城区给水管道的管径确定方法及系统 |
-
2020
- 2020-12-15 CN CN202011478051.7A patent/CN112560362B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101189508A (zh) * | 2005-06-01 | 2008-05-28 | 丹尼尔度量和控制公司 | 用于确定管道粗糙度的方法和超声仪系统 |
CN102609602A (zh) * | 2011-01-20 | 2012-07-25 | 北京工业大学 | 多消防流量测试工况约束下给水管网管道粗糙度校核方法 |
CN103198210A (zh) * | 2013-03-07 | 2013-07-10 | 中国石油天然气集团公司 | 一种天然气管道减阻内涂层检测评价方法及设备 |
CN106599599A (zh) * | 2016-12-26 | 2017-04-26 | 广东技术师范学院 | 一种燃气管道当量粗糙度自适应辨识的计算方法 |
CN110619191A (zh) * | 2019-10-10 | 2019-12-27 | 中冶赛迪重庆信息技术有限公司 | 一种煤气管网运行诊断系统及方法 |
CN111832873A (zh) * | 2020-01-10 | 2020-10-27 | 吉林建筑大学 | 一种旧城区给水管道的管径确定方法及系统 |
CN111637367A (zh) * | 2020-04-24 | 2020-09-08 | 西南石油大学 | 山地输气管道内腐蚀缺陷检测与评价方法 |
Non-Patent Citations (3)
Title |
---|
周志刚 等: "基于遗传蚂蚁混合算法的热网阻力特性辨识", 《哈尔滨工业大学学报》 * |
王海 等: "供热管网中管段阻力系数的辨识方法", 《计算物理》 * |
薛华: "给水管道老化统计学模型的研究", 《城市建设》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112560362B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
Kalogirou et al. | Artificial neural networks for the prediction of the energy consumption of a passive solar building | |
Yan et al. | Pollution source localization in an urban water supply network based on dynamic water demand | |
CN103914594A (zh) | 基于支持向量机的混凝土热力学参数智能识别方法 | |
CN108805346A (zh) | 一种基于多隐层极限学习机的热连轧轧制力预报方法 | |
CN116451556A (zh) | 一种混凝土坝变形观测量统计模型构建方法 | |
CN111626003B (zh) | 一种供暖系统热负荷分层预测方法、存储介质及预测设备 | |
CN114548680A (zh) | 城市暴雨洪水管理模型参数自动率定方法及系统 | |
CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
CN112113146A (zh) | 供水管网管道粗糙系数和节点需水量同步自适应校核方法 | |
CN115186555A (zh) | 基于数字孪生的干燥设备实况仿真方法及相关设备 | |
CN105389442A (zh) | 一种耦合遗传算法、神经网络与数值模拟的反向设计方法 | |
CN109242142B (zh) | 一种面向基础设施网的时空预测模型参数优化方法 | |
CN112560362B (zh) | 一种老旧小区供水管道老化诊断方法和系统 | |
CN111553041B (zh) | 一种燃气管网参数校验方法、系统、终端及存储介质 | |
CN103793582B (zh) | 圆柱壳大开孔接管结构优化方法 | |
CN115982918B (zh) | 阻力特性辨识方法、装置、设备及存储介质 | |
CN111022937B (zh) | 一种输水管网管漏损定位系统及定位方法 | |
CN105389614A (zh) | 一种神经网络自更新过程的实现方法 | |
CN116595845A (zh) | 一种螺旋翅片管式换热器的结构优化方法 | |
CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
Wang et al. | Concrete compression test data estimation based on a wavelet neural network model | |
Zhu et al. | Application of machine learning and its improvement technology in modeling of total energy consumption of air conditioning water system | |
Kumar Tyagi et al. | Estimation of Hazen Williams’s constant for a residential water distribution network; GMDH and PSO approach | |
Li et al. | Research on neural network quality prediction model based on genetic algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |