CN113221440A - 一种排水系统监测点优化布置与实时全局反演方法 - Google Patents
一种排水系统监测点优化布置与实时全局反演方法 Download PDFInfo
- Publication number
- CN113221440A CN113221440A CN202110371210.1A CN202110371210A CN113221440A CN 113221440 A CN113221440 A CN 113221440A CN 202110371210 A CN202110371210 A CN 202110371210A CN 113221440 A CN113221440 A CN 113221440A
- Authority
- CN
- China
- Prior art keywords
- drainage system
- monitoring
- real
- monitoring point
- liquid level
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000007788 liquid Substances 0.000 claims abstract description 56
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 4
- 238000009933 burial Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 235000020681 well water Nutrition 0.000 abstract 1
- 239000002349 well water Substances 0.000 abstract 1
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Sewage (AREA)
Abstract
本发明公开了一种排水系统监测点优化布置与实时全局反演方法,包括以下步骤:针对目标区域建立2D水力模型,通过将历史降雨事件输入2D水力模型中,得到运算结果数据集;然后将运算结果数据集中的各雨水井水位数据进行主成分分析,提取若干主成分;再针对提取的每个主成分,将在提取的主成分上有最大荷载系数的雨水井作为最优监测点位集合;将最优监测点位集合的雨水井液位作为输入,其余雨水井的液位数据作为输出,利用BP神经网络建立映射关系;最后可通过实时监测获取最优监测点位的液位,利用BP神经网络,即可实时反演和监测城市雨水排水系统所有雨水井的液位。本发明能够在保证较高精确度的基础上快速、准确地反应排水系统全局液位和内涝程度。
Description
技术领域
本发明涉及智慧排水中雨水或污水排水系统的实时监控领域,特别涉及一种排水系统监测点优化布置与实时全局反演技术和方法,通过优化监测点布置,用尽可能少的监测点进行排水系统运行状态的全局监控。
背景技术
城市雨水排水系统与城市河道系统共同承担着排放雨水和防止城市内涝的作用。实际降雨的复杂性、城市管道-河道排水系统边界条件的复杂性导致排水系统失效的发生条件比较复杂。一般来说,对内涝灾害评估需要借助计算机水力模型的计算才能有较为可靠精确的结果,这不仅需要耗费很大的时间精力进行前期调研构建模型,同时在模型的运算过程中也要耗费大量时间,难以做到对内涝灾害的实时响应。另外,也可以依靠在排水系统中安装大量的液位计以进行内涝灾害评估,这虽然能对内涝灾害进行实时的响应,但是往往需要较高的仪器安装和维护费用,并且如果减少液位计的安装数量以降低费用,又会降低结果的可靠性。
因此,在较小花费下快速且准确地得到城市雨水排水系统液位实时全局数据,对指导城市防洪调度、加快相关部门的防洪应对速度、便利城市居民生活出行具有重大意义。
发明内容
本发明的目的在于解决现有技术中存在的问题,并提供一种排水系统监测点优化布置与实时全局反演方法,使用该方法一方面可以优化排水系统水力监测点布置,另一方面可以根据合理的监测点布置能动态反应全局状态,在保证较高精确度的基础上快速、准确地反应排水系统全局液位和内涝程度。
为了实现上述发明目的,本发明具体采用的技术方案如下:
一种排水系统监测点优化布置与实时全局反演方法,其包括以下步骤:
S1:针对待反演的目标区域,建立能够根据降雨事件模拟城市雨水排水系统中各雨水井液位变化的2D水力模型,并对模型进行率定;
S2:选取包含不同降雨强度的历史降雨事件集合,将集合中的历史降雨事件逐个作为S1中率定后的2D水力模型的输入,模型的输出结果组成2D水力模型运算结果数据集;
S3:将S2中的2D水力模型运算结果数据集中的所述目标区域内各雨水井水位数据进行主成分分析,提取累计方差解释率达到设定解释率阈值的若干主成分;
S4:针对S3中提取的每个主成分,从所述目标区域内具备液位计安装条件的所有雨水井中取出在该主成分上有最大荷载系数的雨水井,作为该主成分对应的备选监测点位;所有S3中提取的主成分对应的备选监测点位构成城市雨水排水系统的最优监测点位集合;
S5:以所述最优监测点位集合中每个监测点位的液位作为输入,以所述目标区域内除所述最优监测点位集合之外的其余雨水井的液位作为输出,构建BP神经网络模型,并利用所述2D水力模型运算结果数据集对BP神经网络模型进行训练,得到雨水井液位反演监测模型;
S6:在实际的城市雨水排水系统中,实时监测所述最优监测点位集合中每个监测点位的液位,并将监测结果输入所述雨水井液位反演监测模型中,实时反演和监测所述目标区域内城市雨水排水系统中所有雨水井的液位。
作为优选,步骤S1中,所述计算机2D水力模型基于目标区域雨水排水系统的管道位置、管道管径、管道埋深、雨水井位置、雨水井标高、地面测绘数据以及河道断面数据建立。
作为优选,步骤S2中,选取的历史降雨事件集合含有至少包括小雨、中雨、大雨在内的不同强度的降雨事件。
作为优选,步骤S2中,每种降雨强度的历史降雨事件至少具有100场。
作为优选,步骤S3中,提取的若干主成分的累计方差解释率应大于95%以上。
作为优选,步骤S3中,基于方差最大化方法进行主成分分析。
作为优选,步骤S4中,所选择的备选监测点位应避开位于交通拥堵路口中间的雨水井。
作为优选,步骤S5中,所构建的BP神经网络模型包含输入层、隐藏层和输出层,输入层的节点数量与S3中提取的主成分个数相等,输出层的节点数量与所述目标区域内除所述最优监测点位集合之外的其余雨水井的个数相等。
本发明相对于现有技术的有益效果是:
本发明提供了一种排水系统监测点优化布置与实时全局反演方法,尽可能的减少了监测点布置,优化了监测点布局,通过少量的监测点即可准确、实时反演出整个监测区域内其他雨水井的液位高度,能够在保证较高精确度的基础上快速、准确地反应排水系统全局液位和内涝程度。
附图说明
图1为本发明实施例中某城市区域的管道-河道排水系统示意图。
图2为本发明实施例中选取的最优监测点的位置。
图3为本发明实施例中反演方法的流程图。
图4为本发明实施例中雨水井1内液位的实测值与反演值对比结果。
图5为本发明实施例中雨水井2内液位的实测值与反演值对比结果。
图6为本发明实施例中雨水井3内液位的实测值与反演值对比结果。
具体实施方式
下面结合附图和实施例对本发明的具体实现方式进行展开描述,以便于本领域技术人员更好的理解本发明。
在本发明的一个较佳实施例中,需要对如图1所示的某城市区域进行雨水排水系统液位实时全局数据监测反演。图1所示的目标区域是该城市的中心区域,三面被河道包围,面积约1.1平方公里,是该市繁华的商业和居住区域。其排水体制为雨污分流制,由于管道设计标准偏低,区域内在极端降雨下易发生积水与内涝。
在该实施例中所采用的排水系统监测点优化布置与实时全局反演方法,具体包括以下步骤:
S1:针对待反演的目标区域,建立能够根据降雨事件模拟城市雨水排水系统中各雨水井液位变化的2D水力模型,并对模型进行率定。在本实施例中,2D水力模型是基于Infoworks ICM软件构建的,其所需的输入数据包括目标区域雨水排水系统的管道位置、管道管径、管道埋深、雨水井位置、雨水井标高、地面测绘数据以及河道断面数据等,这些数据可以通过现场实测结合相关资料进行获取。
S2:选取包含一定量不同降雨强度的历史降雨事件集合,用于作为2D水力模型的模拟输入,使得2D水力模型能够输出整个目标区域中所有雨水井在一场降雨下的水位变化情况。为了尽可能保证模拟情况的多样性,选取的历史降雨事件集合中应当包含小雨、中雨、大雨等等不同强度的降雨事件,具体的降雨强度划分可以气象部门一般采用的降雨强度标准为准。而且,每种降雨强度的降雨事件数量应当满足一定的数量标准(一般需要至少100场及以上),使得模拟得到的数据具有代表性。当获得历史降雨事件集合后,即可将集合中的历史降雨事件逐个作为S1中率定后的2D水力模型的输入,每一场历史降雨事件均能够从2D水力模型中输出的模型运算结果中得到目标区域内各雨水井水位变化时序数据。因此历史降雨事件集合中所有降雨事件的模型输出结果就可以组成2D水力模型运算结果数据集。
在本实施例中,从该市30年降雨资料的967场独立的降雨事件中,筛选出各100场小雨、中雨、大雨降雨事件。将这些降雨事件的每5分钟降雨强度组成的降雨过程线作为水力模型输入,输出由各雨水井在不同时间节点的液位组成的结果。所有300场降雨事件对应的模型输出结果形成了2D水力模型运算结果数据集。
S3:将S2中的2D水力模型运算结果数据集中的目标区域内各雨水井水位数据进行主成分分析。主成分分析的目的是对目标区域内的所有雨水井进行降维,从中提取出关键的一部分雨水井,以期通过这些雨水井的液位变化来反演其他雨水井的液位变化。根据主成分分析的原理,具体提取的主成分个数需要根据其累计方差解释率来确定,需要提取累计方差解释率达到设定的解释率阈值的若干主成分。一般而言,为了保证准确性,累计方差解释率应大于95%以上。在本实施例中的主成分分析通过SPSS软件进行,选择基于方差最大化方法进行主成分分析,最终提取出较高累计方差解释率达到98.1%的前5个主成分。
S4:针对S3中提取的每个主成分,均可以从目标区域内所有的雨水井中取出在该主成分上有最大荷载系数的雨水井作为代表该主成分的备选监测点位,用于对其他雨水井进行液位高度反演。但是需要注意的是,在实际应用中,这部分备选监测点位是需要安装液位计对实际液位高度进行监测的,但是如果所选择的备选监测点位刚好位于交通拥堵路口中间的雨水井,或者存在其他不能安装液位计的客观原因,那么即使其荷载系数最大也不能选择其作为所选择的备选监测点位应避开位于交通拥堵路口中间的雨水井。因此,在本发明中,针对S3中提取的每个主成分,需要从目标区域内具备液位计安装条件的所有雨水井中取出在该主成分上有最大荷载系数的雨水井,作为该主成分对应的备选监测点位。也就是说,结合实际情况,若果存在某一主成分中有最大荷载系数的雨水井位于交通拥堵路口中间,难以开展液位计的安装维护等情况时,则需要按荷载系数大小以其他雨水井依次替补。所有S3中提取的主成分对应的备选监测点位构成了城市雨水排水系统的最优监测点位集合。
如图2所示,5个圆圈圈出的位置,即为本实施例中最终选取的5个备选监测点位组成的最优监测点位集合位置示意图。
S5:以前述的最优监测点位集合中每个监测点位(可称为监测井)的液位作为输入,以目标区域内除最优监测点位集合之外的其余雨水井(可称为待反演雨水井)的液位作为输出,构建BP神经网络模型。该BP神经网络模型包含输入层、隐藏层和输出层,输入层的节点数量与S3中提取的主成分个数相等,输出层的节点数量与目标区域内除最优监测点位集合之外的其余雨水井的个数相等,隐藏层的具体层数和每层所含的节点数量可根据实际情况进行优化。在本实施例中,输入层的节点数量为5个,输出层的节点数为目标区域内的雨水井总个数减去5,隐藏层层数为8层,每层隐藏层所含的节点数量为13个,设定的学习率为0.1。
BP神经网络的具体结构和原理属于现有技术,其本质上相当于将输入层的数据与输出层的数据通过建立了非线性的映射关系。对于本发明而言,从原理上看,利用BP神经网络实际上建立了如下映射关系:
式中,yi表示编号为i的待反演雨水井液位的反演值,xj表示第j个监测井的液位,n表示监测井的个数,wi,j表示连接权值,wi,o代表连接阈值,f代表激活函数。
该BP神经网络模型在用于实际反演之前,需要进行模型训练。本发明中,在前述的S2中已经通过水力学模拟获得了2D水力模型运算结果数据集,因此可利用该2D水力模型运算结果数据集对BP神经网络模型进行训练,得到雨水井液位反演监测模型。BP神经网络模型的训练过程属于现有技术,可将数据集分为训练集和验证集,通过梯度下降算法进行模型参数优化,直至模型收敛,完成训练,具体过程不再赘述。
S6:当获得训练完毕的雨水井液位反演监测模型后,即可在实际的城市雨水排水系统中,对最优监测点位集合中每个监测点位的雨水井安装液位计,实时监测每个监测点位的液位,并将监测结果输入该雨水井液位反演监测模型中,即可由模型输出目标区域内除最优监测点位集合之外的其余雨水井的液位高度。需要注意的是,由于输入的监测结果是实时变化的时序数据,因此输出的雨水井液位高度也是实时变化的时序数据。另外,每个监测点位的雨水井自身的液位高度是由液位计本身测量得到的,因此整个目标区域内所有雨水井的液位高度数据均可实时获取,从而实现了目标区域内城市雨水排水系统中所有雨水井的液位的实时反演和监测。
上述S1~S6的方法流程图如图3所示,通过该方法无需对每个雨水井都进行液位监测,仅通过少量的监测点即可快速、准确地得到雨水排水系统中其余雨水井的液位高度,实现了利用少量监测点位,对城市雨水排水系统液位的实时全局监测。
在本实施例中,为了验证上述方法的反演效果,在除了5个监测井之外的其余部分雨水井中加装了液位计,以便于获取其实测值。以其中三个雨水井为例,其结果如图4~图6和表1所示,表明该城市区域部分雨水井内液位的实测值与反演值结果基本相符,其中R2基本接近1,表明该方法的反演准确性极高,完全可以达到实际应用的水平。
表1反演模型的准确度指标
注:
MSE:均方误差(Mean Squared Error)
MAE:平均绝对误差(Mean Absolute Error)
ME:平均误差(Mean Error)
R2:可决系数(亦称确定系数)
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (8)
1.一种排水系统监测点优化布置与实时全局反演方法,其特征在于,包括以下步骤:
S1:针对待反演的目标区域,建立能够根据降雨事件模拟城市雨水排水系统中各雨水井液位变化的2D水力模型,并对模型进行率定;
S2:选取包含不同降雨强度的历史降雨事件集合,将集合中的历史降雨事件逐个作为S1中率定后的2D水力模型的输入,模型的输出结果组成2D水力模型运算结果数据集;
S3:将S2中的2D水力模型运算结果数据集中的所述目标区域内各雨水井水位数据进行主成分分析,提取累计方差解释率达到设定解释率阈值的若干主成分;
S4:针对S3中提取的每个主成分,从所述目标区域内具备液位计安装条件的所有雨水井中取出在该主成分上有最大荷载系数的雨水井,作为该主成分对应的备选监测点位;所有S3中提取的主成分对应的备选监测点位构成城市雨水排水系统的最优监测点位集合;
S5:以所述最优监测点位集合中每个监测点位的液位作为输入,以所述目标区域内除所述最优监测点位集合之外的其余雨水井的液位作为输出,构建BP神经网络模型,并利用所述2D水力模型运算结果数据集对BP神经网络模型进行训练,得到雨水井液位反演监测模型;
S6:在实际的城市雨水排水系统中,实时监测所述最优监测点位集合中每个监测点位的液位,并将监测结果输入所述雨水井液位反演监测模型中,实时反演和监测所述目标区域内城市雨水排水系统中所有雨水井的液位。
2.如权利要求1所述的一种排水系统监测点优化布置与实时全局反演方法,其特征在于,步骤S1中,所述计算机2D水力模型基于目标区域雨水排水系统的管道位置、管道管径、管道埋深、雨水井位置、雨水井标高、地面测绘数据以及河道断面数据建立。
3.如权利要求1所述的一种排水系统监测点优化布置与实时全局反演方法,其特征在于,步骤S2中,选取的历史降雨事件集合含有至少包括小雨、中雨、大雨在内的不同强度的降雨事件。
4.如权利要求1所述的一种排水系统监测点优化布置与实时全局反演方法,其特征在于,步骤S2中,每种降雨强度的历史降雨事件至少具有100场。
5.如权利要求1所述的一种排水系统监测点优化布置与实时全局反演方法,其特征在于,步骤S3中,提取的若干主成分的累计方差解释率应大于95%以上。
6.如权利要求1所述的一种排水系统监测点优化布置与实时全局反演方法,其特征在于,步骤S3中,基于方差最大化方法进行主成分分析。
7.如权利要求1所述的一种排水系统监测点优化布置与实时全局反演方法,其特征在于,步骤S4中,所选择的备选监测点位应避开位于交通拥堵路口中间的雨水井。
8.如权利要求1所述的一种排水系统监测点优化布置与实时全局反演方法,其特征在于,步骤S5中,所构建的BP神经网络模型包含输入层、隐藏层和输出层,输入层的节点数量与S3中提取的主成分个数相等,输出层的节点数量与所述目标区域内除所述最优监测点位集合之外的其余雨水井的个数相等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110371210.1A CN113221440B (zh) | 2021-04-07 | 2021-04-07 | 一种排水系统监测点优化布置与实时全局反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110371210.1A CN113221440B (zh) | 2021-04-07 | 2021-04-07 | 一种排水系统监测点优化布置与实时全局反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221440A true CN113221440A (zh) | 2021-08-06 |
CN113221440B CN113221440B (zh) | 2022-05-20 |
Family
ID=77086613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110371210.1A Active CN113221440B (zh) | 2021-04-07 | 2021-04-07 | 一种排水系统监测点优化布置与实时全局反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221440B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091035A (zh) * | 2022-12-21 | 2023-05-09 | 合肥中科国禹智能工程有限公司 | 一种城市排水智能化监测布点系统及方法 |
CN118133587A (zh) * | 2024-05-08 | 2024-06-04 | 杭州上城区市政工程集团有限公司 | 基于排水管网分区降维的监测点优化布置方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5487621A (en) * | 1992-06-18 | 1996-01-30 | Hitachi, Ltd. | Large-depth underground drainage facility and method of running same |
CN1760912A (zh) * | 2005-11-11 | 2006-04-19 | 杭州电子科技大学 | 城市排水系统不确定水力学模型建模方法 |
CN110472796A (zh) * | 2019-08-21 | 2019-11-19 | 北京师范大学 | 海绵城市建设试点区水量水质监测布点方法及预警系统 |
CN111210152A (zh) * | 2019-12-30 | 2020-05-29 | 清华大学 | 一种排水系统调度方法及装置 |
-
2021
- 2021-04-07 CN CN202110371210.1A patent/CN113221440B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5487621A (en) * | 1992-06-18 | 1996-01-30 | Hitachi, Ltd. | Large-depth underground drainage facility and method of running same |
CN1760912A (zh) * | 2005-11-11 | 2006-04-19 | 杭州电子科技大学 | 城市排水系统不确定水力学模型建模方法 |
CN110472796A (zh) * | 2019-08-21 | 2019-11-19 | 北京师范大学 | 海绵城市建设试点区水量水质监测布点方法及预警系统 |
CN111210152A (zh) * | 2019-12-30 | 2020-05-29 | 清华大学 | 一种排水系统调度方法及装置 |
Non-Patent Citations (2)
Title |
---|
D ZHANG 等: "Manage Sewer In-Line Storage Control Using Hydraulic Model and Recurrent Neural Network", 《WATER RESOURCES MANAGEMENT》 * |
邬玲懿: "基于神经网络的排水管网预测模型的研究及应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091035A (zh) * | 2022-12-21 | 2023-05-09 | 合肥中科国禹智能工程有限公司 | 一种城市排水智能化监测布点系统及方法 |
CN118133587A (zh) * | 2024-05-08 | 2024-06-04 | 杭州上城区市政工程集团有限公司 | 基于排水管网分区降维的监测点优化布置方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113221440B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6207889B2 (ja) | 浸水予測システム、浸水予測方法およびプログラム | |
JP2019194424A5 (zh) | ||
CN113221439B (zh) | 一种基于bp神经网络的排水系统实时率定与动态预测方法 | |
CN113221440B (zh) | 一种排水系统监测点优化布置与实时全局反演方法 | |
CN108256172B (zh) | 一种顶管下穿既有箱涵过程中险情预警预报方法 | |
KR100828968B1 (ko) | 지리정보시스템과 연계된 하수관거 유지관리방법 및 그기능을 탑재한 하수관거 유지관리시스템 | |
KR20170127087A (ko) | 하천 진단을 통한 하천시설물 관리 방법 | |
CN110929359B (zh) | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 | |
Minglei et al. | Classified real-time flood forecasting by coupling fuzzy clustering and neural network | |
JP6716328B2 (ja) | 浸水リスク診断装置、浸水リスク診断方法、制御装置及びコンピュータプログラム | |
KR102343736B1 (ko) | 환경시설물 침수 예측 시스템 및 환경시설물 침수 예측 방법 | |
CN111859779B (zh) | 一种燃气管网防第三方施工破坏风险预警的方法及装置 | |
Bagarello et al. | Establishing a soil loss threshold for limiting rilling | |
Krzhizhanovskaya et al. | Distributed simulation of city inundation by coupled surface and subsurface porous flow for urban flood decision support system | |
CN113762796A (zh) | 一种铁路工程设施暴雨洪水动态风险图分析方法 | |
Moghaddam et al. | A framework for the assessment of qualitative and quantitative sustainable development of groundwater system | |
Choi et al. | Resolving emerging issues with aging dams under climate change projections | |
Abudu et al. | Comparison of the performance of statistical models in forecasting monthly total dissolved solids in the Rio Grande 1 | |
JP2020187105A (ja) | 浸りdas(水害危険区域表示手法) | |
CN114936505A (zh) | 一种城市雨水井多点位水深快速预报的方法 | |
Rohaimi et al. | 3 Hours ahead of time flood water level prediction using NNARX structure: Case study pahang | |
Xie et al. | Improving the forecast precision of river stage spatial and temporal distribution using drain pipeline knowledge coupled with BP artificial neural networks: a case study of Panlong River, Kunming, China | |
Tung | Flood defense systems design by risk-based approaches | |
Méndez | Hydraulic analysis of urban drainage systems with conventional solutions and sustainable technologies: Case study in Quito, Ecuador | |
WO2022264422A1 (ja) | 雨天時浸入水率推定装置、雨天時浸入水率推定方法、及びプログラム |
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 |