CN113095588A - 一种降雨对地下管廊影响的预测方法 - Google Patents

一种降雨对地下管廊影响的预测方法 Download PDF

Info

Publication number
CN113095588A
CN113095588A CN202110462924.3A CN202110462924A CN113095588A CN 113095588 A CN113095588 A CN 113095588A CN 202110462924 A CN202110462924 A CN 202110462924A CN 113095588 A CN113095588 A CN 113095588A
Authority
CN
China
Prior art keywords
pipe gallery
rainfall
information
underground pipe
drainage facility
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
Application number
CN202110462924.3A
Other languages
English (en)
Other versions
CN113095588B (zh
Inventor
李谦
李秋实
任耕北
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lianggu Technology Co ltd
Original Assignee
Lianggu Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lianggu Technology Co ltd filed Critical Lianggu Technology Co ltd
Priority to CN202110462924.3A priority Critical patent/CN113095588B/zh
Publication of CN113095588A publication Critical patent/CN113095588A/zh
Application granted granted Critical
Publication of CN113095588B publication Critical patent/CN113095588B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种降雨对地下管廊影响的预测方法，其包括如下步骤：S1、将区域内地下管廊进行分段划分，得到若干个管廊分段；S2、收集区域内所有管廊分段的基础信息；S3、对区域内所有管廊分段根据其基础信息划分为不同的影响预测等级；S4、采集历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息；S5、计算临界有效积水量；S6、基于历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量，生成多个地下管廊积水预测模型；S7、选择性能最好的地下管廊积水预测模型作为最终的积水影响预测模型；S8、预测降雨对地下管廊的风险值。采用本申请，能对地下管廊进行分级控制，提前进行风险预测。

Description

一种降雨对地下管廊影响的预测方法
技术领域
本申请涉及建筑工程领域，具体为一种降雨对地下管廊影响的预测方法。
背景技术
城市地下综合管廊(以下简称“地下管廊”)是建于城市地下的一个隧道空间，将电力、通讯、燃气、供热、给排水及各种工程管线集于一体的构筑物及附属设施。随着城市的发展，地下管廊的里程也与日俱增，导致整体结构复杂，体积庞大。由于地下管廊处于地下，其地势相对较低。一旦地下管廊损坏，水流极易渗入地下管廊内部，出现浸水、泡水现象，而地下管廊内带电设备繁多，渗水会影响设备的正常使用，导致设备短路或毁损现象的发生。为避免浸水、泡水等问题的出现，地下管廊在建设时会设置相应的排水系统，并通过主机根据检测数据对地下管廊的照明、通风、排水等系统进行统一管控，实现智能启停，达到智慧节能的目的。
受地下管廊地理位置、地表通行流量、地势等的影响，地下管廊的使用寿命存在显著差异。目前，通常在地下管廊内设置多个压力传感器、温度传感器、湿度传感器等，并根据监测数据对地下管廊的运行状态进行实时监测。采用该方式，需要提前布设固定的监测点，并铺设大量的线缆，工作效率低，维护费用高。
另一方面，在我国南方城市，夏季往往出现暴雨现象，例如在1998年，南方多地发生特大暴雨，导致特大洪水发生。在此种情况下，单位时间降雨量远大于地下管廊内排水设施的排水量，使得地下管廊内发生浸水现象，严重影响城市的正常运行。
为此，迫切需要一种新的方法，以解决上述问题。
发明内容
本申请的发明目的在于：针对上述存在的问题，提供一种降雨对地下管廊影响的预测方法。本申请基于降雨信息，对地下管廊进行分段预测，旨在浸水发生前，提前对地下管廊的积水风险进行预判，使得市政人员能有针对性的进行预防。对于积水风险高的地区，提前增加排水设施的单位时间排水能力，减少或降低因积水可能对地下管廊所带来的浸水风险。采用本申请，能对地下管廊进行分级控制，提前进行风险预测，减少或避免地下管廊内因降雨所产生积水导致其内设备损坏的可能。
为了实现上述目的，本申请采用如下技术方案：
一种降雨对地下管廊影响的预测方法，包括如下步骤：
S1、将区域内地下管廊进行分段划分，得到若干个管廊分段；
S2、收集区域内所有管廊分段的基础信息，包括管廊服役年限、管廊结构形式、管廊积水信息、排水设施服役年限、排水设施单位时间排水量；
S3、对区域内所有管廊分段根据其基础信息划分为不同的影响预测等级；不同的管廊分段根据其影响预测等级对应的影响预测周期进行预测；
S4、从市政设施部门资料、气象部分及文献调研中，采集历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息；
历史地下管廊积水信息包括降雨开始前管廊分段内剩余积水量；历史地下管廊降雨信息包括降雨强度、降水时间，降雨强度为单位时间内的降雨量，降水时间为一定降雨强度下的降水历时时间；排水设施工作信息包括排水设施单位时间排水量、排水设施工作时间；
S5、计算临界有效积水量，临界有效积水量为反应当前降雨强度及排水量使得管廊分段内设备产生或可能产生浸水的等效降雨量；地下管廊的临界有效积水量We=Wi+Ir×t1-Pd×t2；Wi为降雨开始前管廊分段内剩余积水量，Ir为降雨强度，t1为降雨强度为Ir时的降水历时，Pd为排水设施单位时间排水量，t2为排水设施工作时间；
S6、基于历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量分别对最近邻分类、深度波兹曼机、逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、K均值分类、隐马尔可夫模型、张量分解应用进行训练，生成多个地下管廊积水预测模型；
S7、评估基于最近邻分类、深度波兹曼机、逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、K均值分类、隐马尔可夫模型、张量分解训练生成的桥梁风险预测模型的性能，选择性能最好的地下管廊积水预测模型作为最终的积水影响预测模型；
S8、采集降雨信息、排水设施工作信息，并输入最终的积水影响预测模型，预测降雨对地下管廊的风险值。
所述步骤S5包括：构建卷积神经网络，卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成；具体包括5个卷积层，每个卷积层都附带一个带参数的非线性激活函数PReLU层，第一卷积层、第二个卷积层、第四个卷积层后连接有池化层，每一个池化层均采用最大池化的方法，第一卷积层与输入层连接，输入层输入的是需要处理的历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量所对应的值，全连接层位于最后一个池化层和输出层之间，其中每一个神经元都与前一层的全部神经元相连接，并根据风险检测的需要，有针对性地将特征向量映射到输出层，输出层输出降雨对地下管廊的风险值；
利用大量的历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量对卷积神经网络模型进行训练，计算卷积神经网络的损失函数，利用损失函数对卷积神经网络进行迭代、更新，基于深度学习的风险预测通过不断对卷积神经网络进行训练，使损失函数降到预期值，生成最终的卷积神经网络模型。
还包括步骤S9：基于步骤S7的积水影响预测模型，选择设定时间内的历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量信息，得到历史降雨风险值；
基于历史降雨风险值，对管廊分段进行风险分级，针对不同分级的管廊分段进行排水设施维护。
还包括步骤S10：待步骤S9完成后，更新管廊分段的排水设施服役年限、排水设施单位时间排水量数据，并通过步骤S6、S7对最终的积水影响预测模型进行修正。
所述步骤S3中：
设置管廊服役年限、管廊结构形式、管廊积水信息、排水设施服役年限、排水设施单位时间排水量的权重依次为1、m2、m3、m4、m5，其中m1+m2+m3+m4+m5=1；影响预测等级的估值N估为：
N估=N1*m1+N2*m2+N3*m3+N4*m4+N5*m5；
其中，N1、N2、N3、N4、N5分别为管廊服役年限、管廊结构形式、管廊积水信息、排水设施服役年限、排水设施单位时间排水量；管廊服役年限的值为相应的服役年限，管廊结构型式的值根据管廊结构的不同进行赋值，管廊积水信息的值为赋予管廊分段的的值，排水设施服役年限的值为排水设施相应的服役年限，排水设施单位时间排水量的值为排水设施相应的单位时间排水量，排水量越大，等级值越小。
综上所述，本发明的优点：对地下管廊进行分段，得到管廊分段，实现管廊分段的网格化处理；并基于历史降雨信息，根据实时降雨强度，对地下管廊内积水进行提前预警，从而为市政人员对地下管廊的维护提供针对性的建议，有效减少因地下管廊内积水导致其内设备损坏的问题，有效保障城市的正常运行。
附图说明
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
图1是实施例1的预测方法流程图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
实施例1
如图1所示，本实施例提出了一种降雨对地下管廊影响的预测方法，其包括如下步骤。现有方法中，通常采用地下管廊全段防护的方式，这种方式设备数量多，整体设备安装、维护、使用成本较高。为此，本申请首先对地下管廊进行分段，具体如步骤S1所示。
S1、将区域内地下管廊进行分段划分，得到若干个管廊分段。管廊分段的长度可根据实际需要，进行选择。
S2、收集区域内所有管廊分段的基础信息，包括管廊服役年限、管廊结构形式、管廊积水信息、排水设施服役年限、排水设施单位时间排水量。
S3、对区域内所有管廊分段根据其基础信息划分为不同的影响预测等级；不同的管廊分段根据其影响预测等级对应的影响预测周期进行预测。
在此，提供一个影响预测等级的具体划分方法。
设置管廊服役年限、管廊结构形式、管廊积水信息、排水设施服役年限、排水设施单位时间排水量的权重依次为1、m2、m3、m4、m5，其中m1+m2+m3+m4+m5=1；影响预测等级的估值N估为：
N估=N1*m1+N2*m2+N3*m3+N4*m4+N5*m5；
其中，N1、N2、N3、N4、N5分别为管廊服役年限、管廊结构形式、管廊积水信息、排水设施服役年限、排水设施单位时间排水量；管廊服役年限的值为相应的服役年限，管廊结构型式的值根据管廊结构的不同进行赋值，管廊积水信息的值为赋予管廊分段的的值，排水设施服役年限的值为排水设施相应的服役年限，排水设施单位时间排水量的值为排水设施相应的单位时间排水量，排水量越大，等级值越小。
S4、从市政设施部门资料、气象部分及文献调研中，采集历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息。
历史地下管廊积水信息包括降雨开始前管廊分段内剩余积水量。历史地下管廊降雨信息包括降雨强度、降水时间，降雨强度为单位时间内的降雨量，降水时间为一定降雨强度下的降水历时时间；排水设施工作信息包括排水设施单位时间排水量、排水设施工作时间。
降雨是一个动态的过程，产生积水的主要原因在于，降水量的剧增，导致地下管廊内的积水无法及时排出，进而导致浸水事故的发生。因此，计算临界有效积水量，就显得尤为重要，具体如步骤S5所示。
S5、计算临界有效积水量，临界有效积水量为反应当前降雨强度及排水量使得管廊分段内设备产生或可能产生浸水的等效降雨量。
地下管廊的临界有效积水量We=Wi+Ir×t1-Pd×t2；Wi为降雨开始前管廊分段内剩余积水量，Ir为降雨强度，t1为降雨强度为Ir时的降水历时，Pd为排水设施单位时间排水量，t2为排水设施工作时间。
步骤S5包括：构建卷积神经网络，卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成；具体包括5个卷积层，每个卷积层都附带一个带参数的非线性激活函数PReLU层，第一卷积层、第二个卷积层、第四个卷积层后连接有池化层，每一个池化层均采用最大池化的方法，第一卷积层与输入层连接，输入层输入的是需要处理的历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量所对应的值，全连接层位于最后一个池化层和输出层之间，其中每一个神经元都与前一层的全部神经元相连接，并根据风险检测的需要，有针对性地将特征向量映射到输出层，输出层输出降雨对地下管廊的风险值；
利用大量的历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量对卷积神经网络模型进行训练，计算卷积神经网络的损失函数，利用损失函数对卷积神经网络进行迭代、更新，基于深度学习的风险预测通过不断对卷积神经网络进行训练，使损失函数降到预期值，生成最终的卷积神经网络模型。
S6、基于历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量分别对最近邻分类、深度波兹曼机、逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、K均值分类、隐马尔可夫模型、张量分解应用进行训练，生成多个地下管廊积水预测模型。
S7、评估基于最近邻分类、深度波兹曼机、逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、K均值分类、隐马尔可夫模型、张量分解训练生成的桥梁风险预测模型的性能，选择性能最好的地下管廊积水预测模型作为最终的积水影响预测模型。
S8、采集降雨信息、排水设施工作信息，并输入最终的积水影响预测模型，预测降雨对地下管廊的风险值。
通过建立模型，在降雨发生的初始阶段，预测出积水风险较大的管廊分段，为市政人员的防护决策提供相应的依据。
进一步，本实施例还包括步骤S9：基于步骤S7的积水影响预测模型，选择设定时间内的历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量信息，得到历史降雨风险值。基于历史降雨风险值，对管廊分段进行风险分级，针对不同分级的管廊分段进行排水设施维护。
本实施例中，基于地下管廊的历史信息，得到相应管廊分段的历史降雨风险值。针对积水风险较大的管廊分段，通过对管廊分段进行结构改造、更换排水设施、增加排水设施的单位时间排水量，降低管廊分段的积水风险。
待改造完成后，进行步骤S10：更新管廊分段的排水设施服役年限、排水设施单位时间排水量数据，并返回步骤S2中，重新进行影响预测等级划分，而后通过步骤S6、S7对最终的积水影响预测模型进行修正，得到更新后的积水影响预测模型。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (5)

1.一种降雨对地下管廊影响的预测方法，其特征在于，包括如下步骤：
S1、将区域内地下管廊进行分段划分，得到若干个管廊分段；
S2、收集区域内所有管廊分段的基础信息，包括管廊服役年限、管廊结构形式、管廊积水信息、排水设施服役年限、排水设施单位时间排水量；
S3、对区域内所有管廊分段根据其基础信息划分为不同的影响预测等级；不同的管廊分段根据其影响预测等级对应的影响预测周期进行预测；
S4、从市政设施部门资料、气象部分及文献调研中，采集历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息；
历史地下管廊积水信息包括降雨开始前管廊分段内剩余积水量；历史地下管廊降雨信息包括降雨强度、降水时间，降雨强度为单位时间内的降雨量，降水时间为一定降雨强度下的降水历时时间；排水设施工作信息包括排水设施单位时间排水量、排水设施工作时间；
S5、计算临界有效积水量，临界有效积水量为反应当前降雨强度及排水量使得管廊分段内设备产生或可能产生浸水的等效降雨量；地下管廊的临界有效积水量We=Wi+Ir×t1-Pd×t2；Wi为降雨开始前管廊分段内剩余积水量，Ir为降雨强度，t1为降雨强度为Ir时的降水历时，Pd为排水设施单位时间排水量，t2为排水设施工作时间；
S6、基于历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量分别对最近邻分类、深度波兹曼机、逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、K均值分类、隐马尔可夫模型、张量分解应用进行训练，生成多个地下管廊积水预测模型；
S7、评估基于最近邻分类、深度波兹曼机、逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、K均值分类、隐马尔可夫模型、张量分解训练生成的桥梁风险预测模型的性能，选择性能最好的地下管廊积水预测模型作为最终的积水影响预测模型；
S8、采集降雨信息、排水设施工作信息，并输入最终的积水影响预测模型，预测降雨对地下管廊的风险值。
2.根据权利要求1所述的预测方法，其特征在于，所述步骤S5包括：构建卷积神经网络，卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成；具体包括5个卷积层，每个卷积层都附带一个带参数的非线性激活函数PReLU层，第一卷积层、第二个卷积层、第四个卷积层后连接有池化层，每一个池化层均采用最大池化的方法，第一卷积层与输入层连接，输入层输入的是需要处理的历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量所对应的值，全连接层位于最后一个池化层和输出层之间，其中每一个神经元都与前一层的全部神经元相连接，并根据风险检测的需要，有针对性地将特征向量映射到输出层，输出层输出降雨对地下管廊的风险值；
利用大量的历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量对卷积神经网络模型进行训练，计算卷积神经网络的损失函数，利用损失函数对卷积神经网络进行迭代、更新，基于深度学习的风险预测通过不断对卷积神经网络进行训练，使损失函数降到预期值，生成最终的卷积神经网络模型。
3.根据权利要求1或2所述的预测方法，其特征在于，还包括步骤S9：基于步骤S7的积水影响预测模型，选择设定时间内的历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量信息，得到历史降雨风险值；
基于历史降雨风险值，对管廊分段进行风险分级，针对不同分级的管廊分段进行排水设施维护。
4.根据权利要3所述的预测方法，其特征在于，还包括步骤S10：待步骤S9完成后，更新管廊分段的排水设施服役年限、排水设施单位时间排水量数据，并通过步骤S6、S7对最终的积水影响预测模型进行修正。
5.根据权利要求1~4任一项所述的预测方法，其特征在于，所述步骤S3中：
设置管廊服役年限、管廊结构形式、管廊积水信息、排水设施服役年限、排水设施单位时间排水量的权重依次为1、m2、m3、m4、m5，其中m1+m2+m3+m4+m5=1；影响预测等级的估值N估为：
N估=N1*m1+N2*m2+N3*m3+N4*m4+N5*m5；
其中，N1、N2、N3、N4、N5分别为管廊服役年限、管廊结构形式、管廊积水信息、排水设施服役年限、排水设施单位时间排水量；管廊服役年限的值为相应的服役年限，管廊结构型式的值根据管廊结构的不同进行赋值，管廊积水信息的值为赋予管廊分段的的值，排水设施服役年限的值为排水设施相应的服役年限，排水设施单位时间排水量的值为排水设施相应的单位时间排水量，排水量越大，等级值越小。
CN202110462924.3A 2021-04-28 2021-04-28 一种降雨对地下管廊影响的预测方法 Active CN113095588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110462924.3A CN113095588B (zh) 2021-04-28 2021-04-28 一种降雨对地下管廊影响的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110462924.3A CN113095588B (zh) 2021-04-28 2021-04-28 一种降雨对地下管廊影响的预测方法

Publications (2)

Publication Number Publication Date
CN113095588A true CN113095588A (zh) 2021-07-09
CN113095588B CN113095588B (zh) 2023-08-11

Family

ID=76680475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110462924.3A Active CN113095588B (zh) 2021-04-28 2021-04-28 一种降雨对地下管廊影响的预测方法

Country Status (1)

Country Link
CN (1) CN113095588B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807008A (zh) * 2021-08-27 2021-12-17 华南理工大学 一种基于深度学习的城市暴雨内涝模拟方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007205001A (ja) * 2006-02-01 2007-08-16 Fuji Electric Systems Co Ltd 流量予測装置
CN110807562A (zh) * 2020-01-07 2020-02-18 杭州鲁尔物联科技有限公司 一种区域性桥梁风险预测方法及系统
CN112232589A (zh) * 2020-10-30 2021-01-15 国网山西省电力公司大同供电公司 一种电缆管廊水环境数据的处理方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007205001A (ja) * 2006-02-01 2007-08-16 Fuji Electric Systems Co Ltd 流量予測装置
CN110807562A (zh) * 2020-01-07 2020-02-18 杭州鲁尔物联科技有限公司 一种区域性桥梁风险预测方法及系统
CN112232589A (zh) * 2020-10-30 2021-01-15 国网山西省电力公司大同供电公司 一种电缆管廊水环境数据的处理方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄丹萍;白龙;: "南宁城市内涝分布特征及其监测预警系统应用分析", 防灾科技学院学报, no. 04 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807008A (zh) * 2021-08-27 2021-12-17 华南理工大学 一种基于深度学习的城市暴雨内涝模拟方法
CN113807008B (zh) * 2021-08-27 2024-06-04 华南理工大学 一种基于深度学习的城市暴雨内涝模拟方法

Also Published As

Publication number Publication date
CN113095588B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN107941537B (zh) 一种机械设备健康状态评估方法
Chang et al. Real-time multi-step-ahead water level forecasting by recurrent neural networks for urban flood control
CN107908889B (zh) 部分监测点预先选定的水质监测网络多目标优化部署方法
CN104156422A (zh) 一种基于动态神经网络的瓦斯浓度实时预测方法
KR100828968B1 (ko) 지리정보시스템과 연계된 하수관거 유지관리방법 및 그기능을 탑재한 하수관거 유지관리시스템
CN105046445A (zh) 一种防汛调度决策支持系统
CN101975092A (zh) 基于径向基函数神经网络集成的矿井瓦斯浓度中短期实时预测方法
CN104318347A (zh) 一种基于多传感器信息融合的输电线路覆冰状态评估方法
CN113807008B (zh) 一种基于深度学习的城市暴雨内涝模拟方法
Chang et al. Counterpropagation fuzzy-neural network for city flood control system
CN111027730A (zh) 一种基于阀门操作和在线用水计量的供水管网漏失高效定位方法
CN108615098B (zh) 基于贝叶斯生存分析的供水管网管道爆管风险预测方法
CN117688844A (zh) 一种基于深度神经网络的城市内涝实时模拟方法及系统
CN113095588A (zh) 一种降雨对地下管廊影响的预测方法
CN115638833A (zh) 一种监控数据处理方法及系统
CN112330187A (zh) 一种地下设施水灾风险评估方法、系统、终端及存储介质
CN107632521B (zh) 一种基于决策树和神经网络的恒电位仪控制方法
CN112632733A (zh) 面向监测信息最大化的供水管网新增流量计的布置方法
Hou et al. Optimization of the gas leak monitoring points distributed underground
Elshaboury et al. Comparing machine learning models for predicting water pipelines condition
CN118211488A (zh) 盾构机滚刀磨损预测方法、装置、设备及存储介质
CN108536980A (zh) 一种考虑可靠性因素的气体探测器离散选址优化方法
CN112363476A (zh) 一种基于定位技术的地下排水监控系统及方法
CN110632643B (zh) 一种防第三方施工开挖检测报警方法
Lu et al. Water-level based discrete integrated dynamic control to regulate the flow for sewer-WWTP operation

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