CN113701060B - 一种基于排水模型的城市排水管网智能诊断方法 - Google Patents

Abstract

本发明公开为了一种基于排水模型的城市排水管网智能诊断方法，包括城市排水模型构建、模型率定、基于监测点的分布划分排水片区、结合排水模型和实际监测进行问题管道初步定位、排水模型试算情景方案确定、排水模型情景方案计算、及将排水模型试算的所有情景结果与监测数据进行对比最终确定管道问题和位点7个步骤。本发明相对于现有技术，可以节省大量的监测投入和人力成本，实现排水管网高效和智能监测。

Description

一种基于排水模型的城市排水管网智能诊断方法

技术领域

本发明涉及排水工程技术领域，尤其涉及城市排水系统监测，具体为一种基于排水模型的城市排水管网智能诊断方法。

背景技术

排水管网系统是保障城市正常运行的重要基础设施，对排水管网系统进行日常巡查或结合硬件设备对重点管段的水位、流量进行监测，及时发现管网运行中的突发问题，对提升排水管网事故的预警和处理能力，保障城市安全运行具有重大意义。

常见的排水管网问题包括管道入流入渗、管道淤积堵塞和管道漏损：管道入流入渗主要包括地下水位较高时，地下水从破损的管道进入管道内部或是雨水径流流入污水管道中，变相增加管道排水压力；管道淤积堵塞是指管道内附着淤泥等沉积物，变相导致管道过流面积和能力减少，降低管道实际排水能力；管道漏损则主要指管道水流通过破损的区域流至周边环境中，有可能导致地面塌陷或沉降，对于污水管道还可能污染周边环境。

当前技术条件下，对于管道入流入渗、管道淤积和漏损等问题主要靠监测设备和人力巡查，但由于城市排水系统规模一般比较大，监测设备布置密度往往不够，在实际操作中，难以仅靠监测设备或人工排查来发现问题。如果盲目布设大量的监测设备，前期资金投入和后期维护成本又会非常高。

基于数值方法的排水管网模型是一种低成本的管网管理工具，在过去由于排水管网监测数据较少，缺乏率定和验证数据，排水管网模拟精度难以提升，导致排水管网应用潜力受限。随着很多城市排水监测设备资金投入力度的加大，监测数据越来越丰富，排水管网模型的作用逐渐得到体现。但是排水管网模型与城市排水管网结合进行监测的技术还不成熟，有待进一步改进和提高。

发明内容

本发明的目的在于提出一种数值排水模型和监测设备相结合，能够及时发现管道淤积、入流入渗、漏损等问题的低成本城市排水管网智能诊断方法。在尽可能少布设监测设备，减少资金投入的情况下，结合数值排水模型成本优势来实现排水管网高效和智能监测。

为了实现上述目的，本发明的实施提供一种基于排水模型的城市排水管网智能诊断方法，该方法的实现具体包括如下步骤：

步骤一、城市排水模型构建：对于特定目标区域，收集地表高程、下垫面类型、排水管网、城区河流水系等基础数据，构建该区域的一维排水模型。

步骤二、城市排水模型率定：结合目标区域布设的监测设备提供的监测数据，包括降雨、管道流量、雨水井水位等类型监测数据，对构建好研究区域的排水模型参数进行率定和验证，使排水模型具有一定的精度，水量误差一般应控制在10％以内，这是后期进行问题管道准确定位的关键。

步骤三、基于监测点的分布划分排水片区：为了后期更为快速定位问题管道的位置和问题类型，通过排水管道拓扑关系和监测点的位置分布，确定每个监测点位对应的排水片区，该片区中所有的管道和汇水区域均会直接影响监测点位的水位或流量监测数据。步骤三中如果某个监测点确定的排水片区上游包含其他监测点，应扣除上游其他监测点对应的排水片区范围。

步骤四、问题管道初步定位：采用步骤二中率定好的排水模型模拟目标区域现状排水管网水流(可以分为降雨期和非降雨期)，并获取同时期监测点的实测数据。对比同一位置排水模型模拟的管道流量(或水位)结果与监测点的实测流量(或水位)数据，通过分析监测点位置模型模拟与实测的总水量和峰值流量(或水位)差异来分析可能出现的排水管网问题和管道可能出现的片区。

步骤五、排水模型试算情景方案确定与优化：针对步骤四中初步定位的问题片区中的所有管道，拟定一系列试算情景(不同管道出现堵塞或者渗漏，不同的堵塞或者渗漏程度)，假设初步定位的片区有N条管道，出现的问题是某个管道堵塞，将堵塞程度分为堵塞20％、40％、60％、80％、100％(完全堵塞)共K类(根据实际需要可以划分更细的比例)，则至少需要计算N×K种情景。每一种情景确定后，后期均需排水模型计算该情景下，所有管道的流量、水位和流速等水力要素。

步骤五中进一步的，当片区管道较多(N>1000)时，需要试算情景方案的数量将非常大，十分有必要进行方案优化与排序，采用基于管道危险性指数的方法来优化方案和计算顺序。

根据管道的年限、材质、历史上发生堵塞淤积的次数、排水压力等4个因素，评估所有管道出现问题的可能性大小，用危险性指数来表征。依据管道管道的危险性指数大小对情景方案进行排序，优先或只计算危险性指数较大的情景方案，可以显著减少计算的方案。如问题片区某条管道为最新铺设的管道，其发生堵塞或渗漏的可能性非常低，则无需计算该管道堵塞的K个方案。

管道的危险性指数具体计算方法如下：

p＝p_y·p_m·p_t·p_h

式中：p_y为年限因子对应的危险值；p_m为材质因子对应的危险值；p_t为历史堵塞淤积次数因子对应的危险值；p_h为排水压力因子对应的危险值，排水压力为3年一遇或者10年一遇设计暴雨条件下，管道水深或者水头与管径(高)之比。

上述四个因子(p_y、p_m、p_t和p_h)可根据管道投入使用的年限、管道材质、历史堵塞淤积次数和排水压力查询在下表所得，表中分级和危险值取值可根据研究区实际情况进行调整。

步骤六、排水模型情景方案计算：采用步骤二中率定好的排水模型，对情景方案进行一一计算。

步骤六中进一步的优化，可采用提前计算完成所有假定情景并将结果存放在数据库中的方式，在实际发生堵塞或者其他问题时，可直接应用事先计算的结果，可大幅度节省判定时间。此方式在实际应用时需要及时根据排水管网变化情况更新情景和计算结果。

步骤七、问题管道最终识别：将步骤六中排水模型试算的所有情景结果与监测数据进行对比，如果某情景与监测数据吻合或最接近，则可确定最终确定具体出现问题的管道。

本发明对水量较大的入流入渗和渗漏(漏损水量占监测点总水量的10％以上)、突发性堵塞具有较好的识别精度。方法的具体可靠性依赖于排水模型的精度、排水监测设备数量、监测设备的测量精度和设备分布的合理性等因素，最优选择为：率定后的排水模型水量误差应小于10％；监测设备的水位和流量测量误差应低于5％；排水监测点密度应至少达到1000根/个，即每1000根管道应设置1个监测设备；排水监测点分布应较为均匀，即各监测点对应片区内管道数目应大概接近。

本发明的有益效果：

本发明基于排水模型的城市排水管网智能诊断方法，相较于传统只能依靠人工巡查或硬件监测，每隔几根管道设置一个监测设备才能有效的定位出现问题的排水管道的思路，可以节省大量的监测投入和人力成本，实现排水管网高效和智能监测。

附图说明

图1本发明的排水管网问题排查分析流程图；

图2排水模型子汇水区示意图；

图3排水模型管道示意图；

图4小区坡度分布图；

图5透水区域分布图；

图6监测点位与堵塞位置示例图；

图7模型计算结果与监测数据对比图。

具体实施方式：

实施例1：

下面结合附图和具体实施案例对本发明作进一步说明：

一种基于排水模型的城市排水管网智能诊断方法，如图1所示，具体包括以下步骤：

步骤一、采用具备城市产汇流计算、计算结果调用接口的城市排水模型，构建研究区域排水模型。本例采用开源的城市雨洪模型SWMM模型构建研究区模型(如图2、图3所示)

步骤一中涉及排水模型参数初步确定主要包括汇水区、管段、节点的相关参数，其中地形坡度通过实测高程数据获取，如图4所示。汇水区的面积基于子汇水区的几何属性自动计算，坡度由地面坡度在面上求解平均值、这些工作均可在一般GIS软件中完成。子汇水区的不透水性结合实测数据和卫星遥感数据进行确定，区域透水性分类如图5所示。管道的尺寸、埋深，节点的深度、高程等主要参数等来源于设计资料或者现场勘察资料。

步骤二、排水模型参数率定。结合目标区域布设的监测设备提供的监测数据，包括降雨数据、管道流量、雨水井水位等类型监测数据，对构建好研究区域的排水模型参数进行率定和验证，使排水模型具有较好的精度。参与模型率定的参数一般包括产流参数(地表不透水率、地表曼宁系数、洼蓄深度、下渗率等)和汇流参数(管渠糙率)等。步骤二中排水模型的率定非一次性的，可定期结合最新的监测数据对排水管网模型的参数进行重新率定。

步骤三、基于监测点位分布进行排水片区：本实施例划分方式如下：假定目标区域范围内共有N条管道(P₁，P₂，P₃…P_N)，M个有效监测点位(S₁，S₂，S₃…S_M)。通过排水管道上下游关系和监测点位的位置，确定每个一个监测点位S对应的片区，该片区中所有的管道和汇水区域均可能会影响监测点位的监测数据。如果某个监测点确定的排水片区上游包含其他监测点，应扣除上游其他监测点对应的排水片区范围。

步骤四、排水管网问题初步确定：采用经过率定验证后的排水模型，分析现状条件下某个时段内的水力情况，并通过对比排水模型结果与排水监测设备的实测数据，通过差异来分析可能出现的排水管网问题。通过模型计算并与监测点数据对比，根据计算水量与实测值相比是偏多还是偏少，流量(或水位)峰值是偏大还是偏小，初步判定可能出现的问题(如淤积、堵塞、渗漏)，并结合这些监测点位所在位置，以及步骤三中确定的片区，初步判断哪一片区的管道(假设这一片区共有Y条管道)有可能存在淤积(或其他问题)。

本实例中，区域内共存在水位监测点3个，在图中所示位置出现了局部堵塞(如图6所示)。图7为排水模型(第一步中构建的排水模型)模拟分析了某个降雨过程中，管网实测水位过程与模型计算的水位过程的对比图。

通过图7中的对比可以发现：监测点3和监测点1的模型计算水位高于监测水位，变化趋势相同；监测点2监测水位高于模型计算水位，变化趋势不同。初步可判断堵塞管道在监测点2与监测点3之间的管道(共3条，编号分别为①、②和③)，通过模型试算可进一步定位在具体哪根管道堵塞。

步骤五、排水模型试算情景方案确定与优化。假设淤积情景(严重程度)分别为堵塞20％、40％、60％、80％、100％(完全堵塞)，即每一条管道可能存在以上5种情景，在步骤四初步判定的范围内(共有Y条管道)，那么共有5×Y种情景需要计算。每一种情景对应某一条具体管道和堵塞比例。本例中Y＝3，所有需要计算情景包括15种，如表1所示：

表1

序号	管道编号	堵塞程度	备注
				情景1	①	20％
情景2	①	40％
				情景3	①	60％
情景4	①	80％
				情景5	①	100％
情景6	②	20％
				情景7	②	40％
情景8	②	60％	实际问题管道和程度
				情景9	②	80％
情景10	②	100％
				情景11	③	20％
情景12	③	40％
				情景13	③	60％
情景14	③	80％
				情景15	③	100％

步骤五中，一般需要采用优化算法对上述情景进行排序和优选。可以采用事前计算所有方案，也可以基于危险性指数来优化计算顺序和调减计算方案。根据管道的年限、材质、历史上发生堵塞淤积的次数、排水压力等4个因素，评估所有管道出现问题的危险性指数。在本例中，管道的危险性指数如表2所示，问题片区中③号条管道为最近铺设的管道，其发生堵塞或渗漏的可能性或风险相对于另外两根管道低很多，则无需计算或最后再计算③号管道堵塞的5个方案，即表1中情景11至情景15。

表2

计算管道危险性指数所采用的年限、材质、和历史发生堵塞淤积次数等因子可以通过排水普查等基础工作获取，其中“排水压力”可以采用步骤二中构建的排水模型和目标区域不同重现期的设计暴雨(如5年一遇或10年一遇)分析计算每条管段的水流的压力值与管径值之比作为排水压力因子值。

步骤六、排水模型情景方案计算：采用率定好的排水模型对步骤五中确定的情景方案进全部行计算分析。

步骤七、排水管网问题最终定位。将步骤六中所有试算的情景的结果，与监测站点的实测数据进行一一对比，确定出现问题的管道和问题的严重程度。在本实施例中，表中所列情景8与监测点数据吻合最好，则最后可判定②号管道发生堵塞，堵塞程度可能为60％左右，即有效面积的60％被堵塞。

本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。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，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (5)

1.一种基于排水模型的城市排水管网智能诊断方法，其特征在于：具体包括如下步骤：

步骤一、城市排水模型构建：对于目标区域，收集基础数据构建该区域的一维排水模型；所述基础数据包括地表高程、下垫面类型、排水管网、城区河流水系的数据；

步骤二、城市排水模型率定：结合目标区域布设的监测设备提供的监测数据，对构建好研究区域的排水模型参数进行率定和验证，使排水模型的水量误差控制在10％以内；所述监测数据包括降雨、管道流量、雨水井水位；

步骤三、基于监测点的分布划分排水片区：基于排水管道拓扑关系和监测点的位置分布，确定每个监测点位对应的排水片区，该片区中所有的管道和汇水区域均会直接影响监测点位的水位或流量监测数据；如果某个监测点确定的排水片区上游包含其他监测点，应扣除上游其他监测点对应的排水片区范围；

步骤四、问题管道初步定位：采用步骤二中率定好的排水模型模拟目标区域现状排水管网水流，并获取同时期监测点的实测数据；对比同一位置排水模型模拟的管道流量或水位结果与监测点的实测流量或水位数据，通过分析监测点位置模型模拟与实测的总水量和流量或水位峰值的差异来初步确定可能出现的排水管网问题和管道可能出现的片区；

步骤五、排水模型试算情景方案确定：针对步骤四中初步定位的问题片区中的所有管道，拟定一系列试算问题情景方案；对于拟定的一系列试算问题情景采用危险性指数来优化方案和计算顺序；根据管道的年限、材质、历史上发生堵塞淤积的次数、排水压力4个因子，评估所有管道危险性指数，来表征出现问题的可能性大小，依据管道出现某类问题可能性的大小对情景方案进行排序，优先计算可能性大的情景方案以减少计算量，

管道的危险性指数具体计算方法如下：

p＝p_y·p_m·p_t·p_h

式中：p_y为年限因子对应的危险值；p_m为材质因子对应的危险值；p_t为历史堵塞淤积次数因子对应的危险值；p_h为排水压力因子对应的危险值；

步骤六、排水模型情景方案计算：采用步骤二中率定好的排水模型，对步骤五确定的情景方案进行一一计算，计算问题情景下，所有管道的水力要素，所述水力要素包括流量、水位和流速；

步骤七、问题管道最终识别：将步骤六中排水模型试算的所有情景结果与监测数据进行对比，如果某情景与监测数据吻合或最接近，则最终确定具体出现的问题及出现问题的管道位点。

2.根据权利要求1所述的基于排水模型的城市排水管网智能诊断方法，其特征在于：步骤二中，监测设备的水位和流量测量误差应低于5％；排水监测点密度应至少达到1000根/个。

3.根据权利要求1所述的基于排水模型的城市排水管网智能诊断方法，其特征在于：步骤二中，参与模型率定的参数包括产流参数和汇流参数，所述产流参数包括地表不透水率、地表曼宁系数、洼蓄深度、下渗率；所述汇流参数包括管渠糙率。

4.根据权利要求1所述的基于排水模型的城市排水管网智能诊断方法，其特征在于：步骤五中的试算问题情景包括不同管道出现堵塞或者渗漏，不同的堵塞或者渗漏程度。

5.根据权利要求1所述的基于排水模型的城市排水管网智能诊断方法，其特征在于：步骤六中，提前计算完成所有假定问题情景并将结果存放在数据库中。

Images