CN112818495A - 一种新型管道压降测算算法参数的动态修正方法 - Google Patents
一种新型管道压降测算算法参数的动态修正方法 Download PDFInfo
- Publication number
- CN112818495A CN112818495A CN202110199380.6A CN202110199380A CN112818495A CN 112818495 A CN112818495 A CN 112818495A CN 202110199380 A CN202110199380 A CN 202110199380A CN 112818495 A CN112818495 A CN 112818495A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- data
- water supply
- pressure drop
- pressure
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012937 correction Methods 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 121
- 238000004140 cleaning Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000009530 blood pressure measurement Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明公开了一种新型管道压降测算算法参数的动态修正方法，包括以下步骤：采集管道供水数据，记录下多组供水管网中同一时间点的各用水节点的瞬时流量和管网首末压力，并将记录的数据作为同一时间断面的管道供水数据；压降数据清洗，定义数据清洗规则，并将采集的管道供水数据按照定义的数据清洗规则进行数据清洗，获得可用的管道压降测算数据；参数动态修正，根据可用的管道压降测算数据并利用神经网络进行训练和参数修正，并输出实际的管道压力测算参数。本发明能在实际生产环境中进行管道的压力测算，动态进行管道压降测算参数拟合修正，能快速并准确的测算出供水管网中每个管道真实的管阻系数和流量的指数。
Description
技术领域
本发明涉及管道压力测算技术领域，尤其涉及一种新型管道压降测算算法参数的动态修正方法。
背景技术
随着人口增长以及城市化发展，我国城市供水管网系统结构日趋复杂，导致供水管网运行管理困难，运行效率较低、漏损严重、爆管频发、供水能耗偏高。现有供水管网在投入使用前，根据压降方程会进行放水实验来测算出方程中的参数管阻系数α和流量的指数n，压降方程为：
式中，Hi，Hj分别表示管段两端节点i、j的水压高程；hij管段两端节点i、j的压降；sij管段摩阻；qij管段流量(m3/s)；αij表示比阻；-----lij管段长度(m3/s)。由于参数α和n与管道的材质、管径有一定关系，因此需要在投入使用前分段实际进行放水实验来测算出每个管道真实的参数α和n。
而在实际生产环境中，由于各种原因，放水实验不可能实现。进而导致参数α和n不能确定，从而影响管道的压力测算。
如申请号为201710667800.2的专利提供了一种节点流量和管道阻力系数同时调整的供水管网模型快速校正方法，其技术方案通过管道阻力系数分组并初始化、节点流量分组并初始化、计算监测点观测值与计算值残差、计算管网监测点灵敏度矩阵、计算参数调整值、更新参数值，从而实现管网在线实时模拟，进而实现管网的运行智能化管理。可见该申请方案采用数值计算方法来对节点流量和管道阻力系数同时调整，实现供水管网的在线校正，但是该技术方案的参数校正效率不够高，所耗费的时间也较长。因此需要一种能在实际生产环境中动态进行压降测算算法参数拟合测算的方法。
发明内容
本发明的目的在于克服现有技术的不足，提供一种新型管道压降测算算法参数的动态修正方法，能在实际生产环境中进行管道的压力测算，动态进行管道压降测算参数拟合修正，能快速并准确的测算出供水管网中每个管道真实的管阻系数和流量的指数。
本发明的目的是通过以下技术方案来实现的：
一种新型管道压降测算算法参数的动态修正方法，包括以下步骤：
步骤一：采集管道供水数据，记录下多组供水管网中同一时间点的各用水节点的瞬时流量和管网首末压力，并将记录的数据作为同一时间断面的管道供水数据；
步骤二：压降数据清洗，定义数据清洗规则，并将采集的管道供水数据按照定义的数据清洗规则进行数据清洗，获得可用的管道压降测算数据；
步骤三：参数动态修正，根据可用的管道压降测算数据并利用神经网络进行训练和参数修正，并输出实际的管道压力测算参数。
具体的，所述步骤一具体包括以下子步骤：
S101，分别在多组供水管网中的输水管线入口处和出口处布设压力和流量传感器，并在供水管网上沿用水节点布设压力传感器；
S102，利用供水监测平台实时获取各个传感器的压力和流量监测数据，并根据时间点记录各用水节点的瞬时流量和管网首末压力形成对应时间点断面的管道供水数据。
具体的，所述步骤二具体包括以下步骤：预定义管道供水数据的清洗规则，对管道供水网络中的脏数据或无变化数据进行清洗；具体清洗规则包括：
A，判断当前时间点断面供水管网中的总入水瞬时流量和总出水瞬时流量是否超出预设的判定标准，若超出判定标准则去除当前时间点断面的管道供水数据；
B，在供水管网中任意选取一个用水节点X，判断当前时间点断面用水节点X的压力和上一时间点断面用水节点X的压力是否满足预设的压力判定条件，若不满足压力判定条件则去除当前时间点断面的管道供水数据；
将同时满足上述清洗规则A和清洗规则B的管道供水数据作为可用的管道压降测算数据。
具体的，所述判定标准包括：总入水瞬时流量≥总出水瞬时流量；总出水瞬时流量/总入水瞬时流量>98％。
具体的，所述压力判定条件为：|压力值t1-压力值t2|>0.005MPa，其中压力值t1为当前时间点断面用水节点X的压力，压力值t2为上一时间点断面用水节点X的压力。
具体的，所述步骤三具体包括以下子步骤：
S301，首先提取可用的管道压降测算数据，建立输入样本和输出样本集，输入样本为可用的管道压降测算数据，输出样本集为实际的管道压力测算参数；
S302，利用神经网络对可用的管道压降测算数据进行训练，建立管道压降测算神经网络模型；
S303，将供水管网中各个管段可用的管道压降测算数据输入到管道压降测算神经网络模型中，模型根据拟合计算公式最小二乘法对预测的管道压力测算参数进行拟合计算，输出最终实际的管道压力测算参数。
具体的，所述拟合计算公式为如下式所示：
P＝h1(q1)+h2(q2)+..+hn(qn)；
其中，P为供水管网中的输水管线入口处和出口处的压力差值，h为每段管网压降的计算公式，q是每段管网中水的舒适流量。
本发明的有益效果：
1.通过设定相应的数据清洗规则对供水管网数据进行数据清洗，剔除脏数据和无变化数据，提高了数据测算的准确性。
2.利用神经网络对清洗数据进行训练并建立网络模型，同时通过最小二乘法对训练结果进行修正，对网络模型参数进行更新，进一步提高数据测算修正的效率，大大减少参数修正耗费的时间。
附图说明
图1是本发明的方法流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
本实施例中，如图1所示，一种新型管道压降测算算法参数的动态修正方法，包括以下步骤：
步骤一：采集管道供水数据，记录下多组供水管网中同一时间点的各用水节点的瞬时流量和管网首末压力，并将记录的数据作为同一时间断面的管道供水数据；
步骤二：压降数据清洗，定义数据清洗规则，并将采集的管道供水数据按照定义的数据清洗规则进行数据清洗，获得可用的管道压降测算数据；
步骤三：参数动态修正，根据可用的管道压降测算数据并利用神经网络进行训练和参数修正，并输出实际的管道压力测算参数。
本发明中，采集管道供水数据的过程具体包括以下步骤：
S101，先分别在多组供水管网中的输水管线入口处和出口处布设压力和流量传感器，并在供水管网上沿用水节点布设压力传感器；
S102，然后可利用现有供水监测平台(如市政管网平台等)实时获取各个传感器的压力和流量监测数据，并根据时间点记录各用水节点的瞬时流量和管网首末压力形成对应时间点断面的管道供水数据。
本发明中，由于脏数据和无变化数据会影响参数的修正精度和效率，因此需要对管道供水数据进行数据清洗，剔除掉脏数据或无变化数据。压降数据清洗过程具体包括：预定义管道供水数据的清洗规则，对管道供水网络中的脏数据或无变化数据进行清洗。
具体清洗规则包括：
A，判断当前时间点断面供水管网中的总入水瞬时流量和总出水瞬时流量是否超出预设的判定标准，若超出判定标准则去除当前时间点断面的管道供水数据；
B，在供水管网中任意选取一个用水节点X，判断当前时间点断面用水节点X的压力和上一时间点断面用水节点X的压力是否满足预设的压力判定条件，若不满足压力判定条件则去除当前时间点断面的管道供水数据；
将同时满足上述清洗规则A和清洗规则B的管道供水数据作为可用的管道压降测算数据。
判定标准包括：总入水瞬时流量≥总出水瞬时流量；总出水瞬时流量/总入水瞬时流量>98％。
由于每个管段有α，n两个参数需要拟合，我们需要采集多组管网的瞬时断面数据进行拟合，这些数据尽量涵盖不同取值区间，所以在采集数据时，需要采集数据具有变化性压力判定条件为：|压力值t1-压力值t2|>0.005MPa，其中压力值t1为当前时间点断面用水节点X的压力，压力值t2为上一时间点断面用水节点X的压力。
本发明中采用神经网络模型对参数进行动态修正，其中，需要预先设计神经网络的网络结构。本发明采用的神经网络结构采用三层神经网络结构，包括输入层、隐藏层和输出层。
其中，利用设计的神经网络进行参数修正过程具体包括：
S301，首先提取可用的管道压降测算数据，建立输入样本和输出样本集，输入样本为可用的管道压降测算数据，输出样本集为实际的管道压力测算参数；
S302，利用神经网络对可用的管道压降测算数据进行训练，建立管道压降测算神经网络模型；
S303，将供水管网中各个管段可用的管道压降测算数据输入到管道压降测算神经网络模型中进行计算，输出预测的管道压力测算参数；
S303，将供水管网中各个管段可用的管道压降测算数据输入到管道压降测算神经网络模型中，模型根据拟合计算公式最小二乘法对预测的管道压力测算参数进行拟合计算，输出最终实际的管道压力测算参数。
其中，拟合计算公式为如下式所示：
P＝h1(q1)+h2(q2)+..+hn(qn)；
其中，P为供水管网中的输水管线入口处和出口处的压力差值，h为每段管网压降的计算公式，q是每段管网中水的舒适流量。
本发明的实施例中，通过模拟设定供水管网的管阻系统、流量、流量指数和管段长度作为理论下的参数值。另外采用随机生成管段用水节点压力和流量等参数，并利用本发明的方法对随机生成的参数进行计算，获得计算出的实际压降值。同时利用本发明的方法对设定供水管网理论参数值进行计算获得理论压降值。将计算压降值与理论压降值进行比对，并计算二者的差值来分析本发明方法的修正精度。
其中，本实施设定的供水管网参数如下表1所示，采用本发明计算出的参数值如下表2所示。
表1
表2
采用压降方程分别计算出理论压降值和计算压降值，并将二者进行差值计算，获得差值如表3所示。根据理论压降值和计算压降值的差值可以看出，采用本发明方法进行管道压降测算算法参数的动态修正，其修正的精度较现有的参数修正方法有明显的提升。
| 理论压降值合计 | 计算压降值合计 | 差值 |
| 0.014529019 | 0.014529018 | 1.46122E-10 |
| 0.000256216 | 0.000256216 | 5.67096E-12 |
| 0.05044211 | 0.05044211 | 2.55121E-10 |
| 0.048531764 | 0.048531764 | 9.97249E-11 |
| 0.040903777 | 0.040903777 | -7.17474E-11 |
| 0.017664517 | 0.017664517 | 7.09149E-12 |
| 0.000165378 | 0.000165378 | 9.87396E-13 |
| 0.001410343 | 0.001410343 | 1.66447E-11 |
| 0.024682222 | 0.024682221 | 2.51016E-10 |
| 0.00343629 | 0.00343629 | 7.06514E-11 |
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种新型管道压降测算算法参数的动态修正方法，其特征在于，包括以下步骤：
步骤一：采集管道供水数据，记录下多组供水管网中同一时间点的各用水节点的瞬时流量和管网首末压力，并将记录的数据作为同一时间断面的管道供水数据；
步骤二：压降数据清洗，定义数据清洗规则，并将采集的管道供水数据按照定义的数据清洗规则进行数据清洗，获得可用的管道压降测算数据；
步骤三：参数动态修正，根据可用的管道压降测算数据并利用神经网络进行训练和参数修正，并输出实际的管道压力测算参数。
2.根据权利要求1所述的一种新型管道压降测算算法参数的动态修正方法，其特征在于，所述步骤一具体包括以下子步骤：
S101，分别在多组供水管网中的输水管线入口处和出口处布设压力和流量传感器，并在供水管网上沿用水节点布设压力传感器；
S102，利用供水监测平台实时获取各个传感器的压力和流量监测数据，并根据时间点记录各用水节点的瞬时流量和管网首末压力形成对应时间点断面的管道供水数据。
3.根据权利要求1所述的一种新型管道压降测算算法参数的动态修正方法，其特征在于，所述步骤二具体包括以下步骤：预定义管道供水数据的清洗规则，对管道供水网络中的脏数据或无变化数据进行清洗；具体清洗规则包括：
A，判断当前时间点断面供水管网中的总入水瞬时流量和总出水瞬时流量是否超出预设的判定标准，若超出判定标准则去除当前时间点断面的管道供水数据；
B，在供水管网中任意选取一个用水节点X，判断当前时间点断面用水节点X的压力和上一时间点断面用水节点X的压力是否满足预设的压力判定条件，若不满足压力判定条件则去除当前时间点断面的管道供水数据；
将同时满足上述清洗规则A和清洗规则B的管道供水数据作为可用的管道压降测算数据。
4.根据权利要求3所述的一种新型管道压降测算算法参数的动态修正方法，其特征在于，所述判定标准包括：总入水瞬时流量≥总出水瞬时流量；总出水瞬时流量/总入水瞬时流量>98％。
5.根据权利要求3所述的一种新型管道压降测算算法参数的动态修正方法，其特征在于，所述压力判定条件为：|压力值t1-压力值t2|>0.005MPa，其中压力值t1为当前时间点断面用水节点X的压力，压力值t2为上一时间点断面用水节点X的压力。
6.根据权利要求1所述的一种新型管道压降测算算法参数的动态修正方法，其特征在于，所述步骤三具体包括以下子步骤：
S301，首先提取可用的管道压降测算数据，建立输入样本和输出样本集，输入样本为可用的管道压降测算数据，输出样本集为实际的管道压力测算参数；
S302，利用神经网络对可用的管道压降测算数据进行训练，建立管道压降测算神经网络模型；
S303，将供水管网中各个管段可用的管道压降测算数据输入到管道压降测算神经网络模型中，模型根据拟合计算公式最小二乘法对预测的管道压力测算参数进行拟合计算，输出最终实际的管道压力测算参数。
7.根据权利要求6所述的一种新型管道压降测算算法参数的动态修正方法，其特征在于，所述拟合计算公式为如下式所示：
P＝h1(q1)+h2(q2)+..+hn(qn)；
其中，P为供水管网中的输水管线入口处和出口处的压力差值，h为每段管网压降的计算公式，q是每段管网中水的舒适流量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110199380.6A CN112818495B (zh) | 2021-02-22 | 2021-02-22 | 一种新型管道压降测算算法参数的动态修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110199380.6A CN112818495B (zh) | 2021-02-22 | 2021-02-22 | 一种新型管道压降测算算法参数的动态修正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112818495A true CN112818495A (zh) | 2021-05-18 |
| CN112818495B CN112818495B (zh) | 2024-09-06 |
Family
ID=75864909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110199380.6A Active CN112818495B (zh) | 2021-02-22 | 2021-02-22 | 一种新型管道压降测算算法参数的动态修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112818495B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113887026A (zh) * | 2021-09-17 | 2022-01-04 | 中国石油大学(华东) | 一种基于集成学习的输油管道水力预测方法 |
| CN116150930A (zh) * | 2023-04-20 | 2023-05-23 | 天津智云水务科技有限公司 | 基于3d地图信息的供水管网水力模型节点流量初始化方法 |
| CN117993306A (zh) * | 2024-04-03 | 2024-05-07 | 北京云庐科技有限公司 | 一种对管网仿真参数进行率定的方法、系统和介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106649579A (zh) * | 2016-11-17 | 2017-05-10 | 苏州航天系统工程有限公司 | 一种用于管网建模的时序数据清洗方法 |
| CN107869653A (zh) * | 2017-12-14 | 2018-04-03 | 北京化工大学 | 一种管道流量敏感性矩阵漏损检测方法 |
| CN108167653A (zh) * | 2017-12-23 | 2018-06-15 | 浙江大学 | 基于动态神经网络预测的城市供水管网爆管检测方法 |
| CN108764540A (zh) * | 2018-05-16 | 2018-11-06 | 杭州电子科技大学 | 基于并行lstm串联dnn的供水管网压力预测方法 |
| CN109359698A (zh) * | 2018-10-30 | 2019-02-19 | 清华大学 | 基于长短时记忆神经网络模型的漏损识别方法 |
| CN109376925A (zh) * | 2018-10-23 | 2019-02-22 | 青岛理工大学 | 供水管网节点流量动态自适应优化方法 |
| CN109492708A (zh) * | 2018-11-30 | 2019-03-19 | 东北大学 | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 |
| KR20190094692A (ko) * | 2018-02-05 | 2019-08-14 | 문경훈 | 회귀분석, 회귀신경망 및 심층신경망을 이용한 광역상수도의 유량 예측 및 누수 감지 방법 |
-
2021
- 2021-02-22 CN CN202110199380.6A patent/CN112818495B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106649579A (zh) * | 2016-11-17 | 2017-05-10 | 苏州航天系统工程有限公司 | 一种用于管网建模的时序数据清洗方法 |
| CN107869653A (zh) * | 2017-12-14 | 2018-04-03 | 北京化工大学 | 一种管道流量敏感性矩阵漏损检测方法 |
| CN108167653A (zh) * | 2017-12-23 | 2018-06-15 | 浙江大学 | 基于动态神经网络预测的城市供水管网爆管检测方法 |
| KR20190094692A (ko) * | 2018-02-05 | 2019-08-14 | 문경훈 | 회귀분석, 회귀신경망 및 심층신경망을 이용한 광역상수도의 유량 예측 및 누수 감지 방법 |
| CN108764540A (zh) * | 2018-05-16 | 2018-11-06 | 杭州电子科技大学 | 基于并行lstm串联dnn的供水管网压力预测方法 |
| CN109376925A (zh) * | 2018-10-23 | 2019-02-22 | 青岛理工大学 | 供水管网节点流量动态自适应优化方法 |
| CN109359698A (zh) * | 2018-10-30 | 2019-02-19 | 清华大学 | 基于长短时记忆神经网络模型的漏损识别方法 |
| CN109492708A (zh) * | 2018-11-30 | 2019-03-19 | 东北大学 | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113887026A (zh) * | 2021-09-17 | 2022-01-04 | 中国石油大学(华东) | 一种基于集成学习的输油管道水力预测方法 |
| CN116150930A (zh) * | 2023-04-20 | 2023-05-23 | 天津智云水务科技有限公司 | 基于3d地图信息的供水管网水力模型节点流量初始化方法 |
| CN117993306A (zh) * | 2024-04-03 | 2024-05-07 | 北京云庐科技有限公司 | 一种对管网仿真参数进行率定的方法、系统和介质 |
| CN117993306B (zh) * | 2024-04-03 | 2024-06-04 | 北京云庐科技有限公司 | 一种对管网仿真参数进行率定的方法、系统和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112818495B (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112818495B (zh) | 一种新型管道压降测算算法参数的动态修正方法 | |
| CN110108328B (zh) | 一种供水管网漏损区域漏水量的获取方法 | |
| CN109376925B (zh) | 供水管网节点流量动态自适应优化方法 | |
| CN110984062B (zh) | 一种流域干支流大规模水库群模拟调度方法 | |
| CN106157173B (zh) | 基于scada数据和实时模型的城市供水管网爆管在线定位方法 | |
| KR102031714B1 (ko) | 수리해석 기반의 상수도관망 누수탐지 시스템 | |
| CN107563007A (zh) | 一种节点流量和管道阻力系数同时调整的供水管网模型快速校正方法 | |
| CN108197725B (zh) | 基于需水量先验信息的供水管网节点需水量校核方法 | |
| CN101118610A (zh) | 稀疏数据过程建模方法 | |
| CN111143992B (zh) | 一种供水管网水龄监测系统及方法 | |
| CN117469603B (zh) | 一种基于大数据学习的多水厂供水系统压力优化控制方法 | |
| CN108758357B (zh) | 一种基于供水管网压力变化值分析的爆管定位方法 | |
| CN107016622A (zh) | 一种含大用户用水信息的城市供水管网节点需水量反演方法 | |
| CN102968529A (zh) | 一种供水管网模型计算结果不确定性区间的量化方法 | |
| CN110263960B (zh) | 一种基于pdd的城市供水管网压力监测点优化布置的方法 | |
| CN112113146B (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 | |
| CN107066710B (zh) | 基于测量数据的供热管网阻力特性辨识方法及系统 | |
| CN108510072A (zh) | 一种基于混沌神经网络的河道流量监测数据质量控制方法 | |
| CN114936742A (zh) | 一种供水系统调度代理决策方法 | |
| CN116362720A (zh) | 一种应对供水管网操作变化情景下的漏损检测方法、装置及系统 | |
| CN112097125A (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 | |
| CN114858207A (zh) | 一种基于软测量的河道排污口网格化溯源排查方法 | |
| CN106320257B (zh) | 基于水文观测的湖库槽蓄曲线确定方法 | |
| CN108204997A (zh) | 常一线油闪点在线软测量方法 | |
| CN114462688A (zh) | 一种基于lstm模型和动态阈值确定算法的爆管检测方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Zengliang Inventor after: Ye Ning Inventor after: Xiong Wei Inventor after: Chen Li Inventor after: Move to fly Inventor after: Zou Kun Inventor before: Wang Zengliang Inventor before: Ye Ning Inventor before: Chen Li Inventor before: Move to fly Inventor before: Zou Kun |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |