CN113947033B - 基于人工智能排水管网污染物溯源系统及方法 - Google Patents
基于人工智能排水管网污染物溯源系统及方法 Download PDFInfo
- Publication number
- CN113947033B CN113947033B CN202111582853.7A CN202111582853A CN113947033B CN 113947033 B CN113947033 B CN 113947033B CN 202111582853 A CN202111582853 A CN 202111582853A CN 113947033 B CN113947033 B CN 113947033B
- Authority
- CN
- China
- Prior art keywords
- pipe network
- drainage pipe
- concentration value
- pollutant
- node
- 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.)
- Active
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 226
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 226
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 239000010865 sewage Substances 0.000 claims abstract description 129
- 238000012544 monitoring process Methods 0.000 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000004088 simulation Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 26
- 238000003066 decision tree Methods 0.000 claims abstract description 25
- 238000013523 data management Methods 0.000 claims abstract description 16
- 230000015556 catabolic process Effects 0.000 claims description 21
- 238000006731 degradation reaction Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 12
- 238000011144 upstream manufacturing Methods 0.000 claims description 11
- 239000000356 contaminant Substances 0.000 claims description 8
- 238000013138 pruning Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000010224 classification analysis Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 5
- 239000010802 sludge Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011109 contamination Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 231100001234 toxic pollutant Toxicity 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- XFXPMWWXUTWYJX-UHFFFAOYSA-N Cyanide Chemical compound N#[C-] XFXPMWWXUTWYJX-UHFFFAOYSA-N 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003518 caustics Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000003440 toxic substance Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Sewage (AREA)
Abstract
本发明公开了基于人工智能排水管网污染物溯源系统及方法,涉及人工智能技术领域,排水管网数据管理模块,在排水管网中分布监测点,并获取监测点监测的污染物浓度值数据;污染物模拟运行模块,根据污染物浓度值数据,通过SWMM模拟器对污染物在排水管中的状态进行模拟,得到模拟结果;所述排水管网污染分析模块,对排水管网内的数据进行处理,得到在排水管网内污染浓度最大的流动方向;污水流向处理模块,获取污染物在最接近污水处理厂的浓度值数据,预测得到排水流入污水处理厂时的浓度值数据;本发明利用机器学习决策树的方法,对排水管网中最大污染物的流动方向进行分类,实现了排水管网的全自动化预测分类分析,无需人工进行干预。
Description
技术领域
本发明涉及人工智能技术领域,具体为基于人工智能排水管网污染物溯源系统及方法。
背景技术
存在于排水管网中的污染物溯源于工厂排放的废水,其中废水包含有有毒物质,涉及到氰化物、苛性碱等有毒污染物,这些有毒的污染物进入污水处理厂会对活性污泥产生影响,污水处理厂又处于长期训练,能够适应一定的水质,但是当所排放污水浓度高于设定浓度时,活性污泥并不能够迅速反映,致使活性污泥活性降低、降低等后果;因此,需要在污染物进入污水处理厂时及时对污染物的浓度值进行检测,确保污染物能够及时处理;
人工智能,包括智能搜索、机器学习,机器人感知问题等方面;将人工智能与排水管网内溯源相结合,能够实时对排水管网内的污染物进行识别,从而能够提高在排水管网中识别的精度;但是现所市场上所涉及到的人工智能仅仅是识别运行数据和排水管网中变量的关系,并没有对不同方向存在的污染物概率进行分析,无法及时确定污染物的分布方向和位置,因此,需要一种方法对上述问题进行改善。
发明内容
本发明的目的在于提供基于人工智能排水管网污染物溯源系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:基于人工智能排水管网污染物溯源系统,所述污染物溯源系统包括排水管网数据管理模块、污染物模拟运行模块、排水管网污染分析模块和污水流向处理模块;
所述排水管网数据管理模块,用于在排水管网中分布监测点,并获取监测点监测的污染物浓度值数据,进而对数据进行管理;
所述污染物模拟运行模块,用于根据污染物在排水管网中的浓度值数据,通过SWMM模拟器对污染物在排水管中的状态进行模拟,得到模拟结果;
所述排水管网污染分析模块,用于对排水管网内的数据进行处理,进而得到在排水管网内污染浓度最大的流动方向;
所述污水流向处理模块,用于获取在最接近污水处理厂的节点所监测数据,预测得到污水流入污水处理厂时的污染物浓度值,并对污水进行处理;
所述污染物模拟运行模块与排水管网数据管理模块相连接;所述污水流向处理模块与排水管网污染分析模块、排水管网数据管理模块相连接。
进一步的,所述排水管网数据管理模块包括监测点设置分布单元、污染物浓度值检测单元、GIS地形调取单元和二维模型建立单元;
所述监测点设置分布单元,用于在排水管网内设置监测点,并将监测点检测的数据输送至污染物浓度值检测单元;
所述污染物浓度值检测单元,用于检测污水流过监测点时所对应的浓度值数据;
所述GIS地形调取单元,用于获取排水管网的地形信息,得到排水管网上游所对应的工厂集群数;
所述二维模型建立单元,用于在二维模型中展示排水管网节点的位置信息;
所述二维模型建立单元的输出端与GIS地形调取单元的输入端相连接;所述监测点设置分布单元的输出端与污染物浓度值检测单元的输入端相连接。
进一步的,所述污染物溯源分析模块包括SWMM模拟生成单元、降解数据比较单元和模拟结果分析单元;
所述SWMM模拟生成单元,用于在污染物投放后,获取未来时间段污染物在排水管网中的模拟数据,并将模拟后的数据输送至降解数据比较单元;
所述降解数据比较单元,用于获取未来时间段后排水管网内各监测点所检测到的污染物浓度值数据,得到污染物在排水管网中的降解状况;
所述模拟结果分析单元,用于在相同时间内,根据污染物的降解程度分析污染物在排水管网中的主要流动方向;根据数据曲线变化得到污染物在排水管网中的运动结果;
所述模拟结果分析单元的输出端与SWMM模拟生成单元、降解数据比较单元的输入端相连接。
进一步的,所述排水管网污染分析模块包括决策树生成单元和污染物方向分类单元;
所述决策树生成单元,用于构造数据集,对数据集进行分类,进而生成决策树;
所述污染物方向分类单元,用于根据污染物在排水管网中的降解程度,分析污染物在排水管网中不同方向的污染程度,进而得到在排水管网中最大污染浓度的流动方向;
所述污染物方向分类单元的输出端与决策树生成单元的输入端相连接。
进一步的,所述污水流向处理模块包括排水管网节点位置获取单元、最近节点分析单元、污染物浓度值预测单元和排水处理标准单元;
所述排水管网节点位置获取单元,用于对排水管网内的节点进行定位,得到节点在排水管网内的分布图;
所述最近节点分析单元,用于获取在排水管网中最大污染浓度流动方向所对应的第一节点信息,获取第一节点与最接近污水处理厂之间的第二节点所监测污染物浓度值信息,并将浓度值信息输送至污染物浓度值预测单元中;
所述污染物浓度值预测单元,用于在第二节点监测到的第一浓度值数据,预测得到污水流至最接近的污水处理厂时的第二浓度值数据,并将第二浓度值数据输送至排水处理标准单元;
所述排水处理标准单元,用于分析第二浓度值数据与污水处理厂处理污染物的浓度值相比较,得到比较后结果;
所述排水处理标准单元的输出端与排水管网节点位置获取单元、最近节点分析单元、污染物浓度值预测单元的输入端相连接。
基于人工智能排水管网污染物溯源方法,所述污染物溯源方法执行如下步骤:
S01:在排水管网不同流动方向随机设置监测点,开启监测点,对排水管内污染物的浓度值数据进行监测;建立SWMM模型,对污染物在排水管网内的浓度值降解程度进行模拟;
S02:通过CART决策树,得到不同流动方向上排水管网污染浓度的分类结果;
S03:获取在排水管网内污染浓度最大的流动方向,根据GIS地形图得到流动方向对应上游地区的工厂集群数;计算得到污染物在排水管网的初始传播时间,精确得到污染物的传播溯源;
S04:建立二维模型,获取污染物在排水管网内污染程度最大流动方向对应的第一节点位置,分析第一节点与最接近污水处理厂之间是否存在第二节点;若核实到第一节点与最接近污水处理厂之间存在第二节点,获取最接近污水处理厂第二节点的第二浓度值,并跳转至步骤S05;若核实到第一节点与最接近污水处理厂之间不存在第二节点,则在污水处理厂与第一节点之间添加第二节点,并执行步骤S05:
S05:根据在第二节点检测到的第二浓度值,预测得到污染物到达污水处理厂时的第三浓度值,将第三浓度值与污水处理厂处理污染物的浓度标准值比较,获取浓度值比较后结果。
在步骤S02中,通过CART决策树得到不同流动方向上排水管网污染物浓度进行分类,执行步骤如下:
S021:对排水管网中所分布监测节点按照不同方向进行分类,并分成K类;设置数据集为排水管网所有监测节点监测到的污染物浓度值数据;则数据集中属于第K个类的概率为P(K);
S022:按照特征不同方向进行划分,获取得到不同类的基尼指数;
S023:根据分类结果,得到特征所有方向上所有数据集的Gini指数,选择Gain-Gini最小的特征并相应划分;将左节点的数据集为D1,右节点的数据集为D2;对左右子节点进行递归调用;
S024:对生成的CART树进行剪枝,得到最优决策子树;
在步骤S03中,根据在排水管网中污染浓度最大的流动方向,获得该方向固定时间段水流量集合为V={v1,v2,v3...vj},j是指时间点,vj是指在时间点j时的水流量;得到污染物在该流动方向的初始传播时间为:
根据初始传播时间监测点检测到的数据,得到监测点上游区域对应的工厂数集合为污染物排放溯源区域;
在步骤S05中,获取在排水管网内污染浓度最大流动方向对应的第一节点位置,获取第一节点位置所监测到的污染物浓度值数据U1,获取第一节点与最接近污水处理厂之间的第二节点所监测的第二浓度值数据U2,根据GPS获得第一节点与第二节点之间的距离值L1,
在水流速度一定条件下;获取第一节点的上一个节点所监测污染物浓度值数据为U4,且第四节点与第一节点之间的距离值为L2,其中L1=L2;获得第二节点与污水处理厂的距离为L3,污染物在排水管网内的衰减系数,则预测得到污染物到达污水处理厂时的第三浓度值U3的公式为:;
其中:v1是指在第一节点时的水流速度,V2是指在第二节点时的水流速度;
将预测得到的第三浓度值U3与污水处理厂处理污水的标准值相比较,若核实到U3大于标准值,则含有污染物的污水不能流入污水处理厂,直至污染物的浓度值达标;若核实到U3小于标准值,则含有污染物的污水能够顺利流入污水处理。
与现有技术相比,本发明所达到的有益效果是:
本发明利用机器学习决策树的方法,对排水管网中最大污染物的流动方向进行分类,实现了排水管网的全自动化预测分类分析,提高了整个模型的识别精度,无需人工进行干预;本发明对排放污染物的工厂进行精确识别,大大提高了识别溯源的效率,并且提供了一个精确的溯源结果,提高了排放事故的应急处理效率;本发明对排放进入污水处理厂的浓度值数据进行预测,从而能够保证污水处理厂能够及时处理污水,不会导致污水处理中的污泥活性产生突然降低的后果,抱着污水处理厂能够高效且有效的处理污水。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明基于人工智能排水管网污染物溯源方法的步骤示意图;
图2是本发明基于人工智能排水管网污染物溯源系统的模块组成示意图;
图3是本发明基于人工智能排水管网污染物溯源系统的排水管网分布示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图3,本发明提供技术方案:
基于人工智能排水管网污染物溯源系统,所述污染物溯源系统包括排水管网数据管理模块、污染物模拟运行模块、排水管网污染分析模块和污水流向处理模块;
所述排水管网数据管理模块,用于在排水管网中分布监测点,并获取监测点监测的污染物浓度值数据,进而对数据进行管理;
所述污染物模拟运行模块,用于根据污染物在排水管网中的浓度值数据,通过SWMM模拟器对污染物在排水管中的状态进行模拟,得到模拟结果;
所述排水管网污染分析模块,用于对排水管网内的数据进行处理,进而得到在排水管网内污染浓度最大的流动方向;
所述污水流向处理模块,用于获取在最接近污水处理厂的节点所监测数据,预测得到污水流入污水处理厂时的污染物浓度值,并对污水进行处理;
所述污染物模拟运行模块与排水管网数据管理模块相连接;所述污水流向处理模块与排水管网污染分析模块、排水管网数据管理模块相连接。
进一步的,所述排水管网数据管理模块包括监测点设置分布单元、污染物浓度值检测单元、GIS地形调取单元和二维模型建立单元;
所述监测节点是指电导率仪器、探头等对污染物浓度进行识别。
所述监测点设置分布单元,用于在排水管网内设置监测点,并将监测点检测的数据输送至污染物浓度值检测单元;
所述污染物浓度值检测单元,用于检测污水流过监测点时所对应的浓度值数据;
所述GIS地形调取单元,用于获取排水管网的地形信息,得到排水管网上游所对应的工厂集群数;
所述二维模型建立单元,用于在二维模型中展示排水管网节点的位置信息;
所述二维模型建立单元的输出端与GIS地形调取单元的输入端相连接;所述监测点设置分布单元的输出端与污染物浓度值检测单元的输入端相连接。
进一步的,所述污染物溯源分析模块包括SWMM模拟生成单元、降解数据比较单元和模拟结果分析单元;
所述SWMM模拟生成单元,用于在污染物投放后,获取未来时间段污染物在排水管网中的模拟数据,并将模拟后的数据输送至降解数据比较单元;
所述降解数据比较单元,用于获取未来时间段后排水管网内各监测点所检测到的污染物浓度值数据,得到污染物在排水管网中的降解状况;
所述模拟结果分析单元,用于在相同时间内,根据污染物的降解程度分析污染物在排水管网中的主要流动方向;根据数据曲线变化得到污染物在排水管网中的运动结果;
所述模拟结果分析单元的输出端与SWMM模拟生成单元、降解数据比较单元的输入端相连接。
进一步的,所述排水管网污染分析模块包括决策树生成单元和污染物方向分类单元;
所述决策树生成单元,用于构造数据集,对数据集进行分类,进而生成决策树;
所述污染物方向分类单元,用于根据污染物在排水管网中的降解程度,分析污染物在排水管网中不同方向的污染程度,进而得到在排水管网中最大污染浓度的流动方向;
所述污染物方向分类单元的输出端与决策树生成单元的输入端相连接。
进一步的,所述污水流向处理模块包括排水管网节点位置获取单元、最近节点分析单元、污染物浓度值预测单元和排水处理标准单元;
所述排水管网节点位置获取单元,用于对排水管网内的节点进行定位,得到节点在排水管网内的分布图;
所述最近节点分析单元,用于获取在排水管网中最大污染浓度流动方向所对应的第一节点信息,获取第一节点与最接近污水处理厂之间的第二节点所监测污染物浓度值信息,并将浓度值信息输送至污染物浓度值预测单元中;
所述污染物浓度值预测单元,用于在第二节点监测到的第一浓度值数据,预测得到污水流至最接近的污水处理厂时的第二浓度值数据,并将第二浓度值数据输送至排水处理标准单元;
所述排水处理标准单元,用于分析第二浓度值数据与污水处理厂处理污染物的浓度值相比较,得到比较后结果;
所述排水处理标准单元的输出端与排水管网节点位置获取单元、最近节点分析单元、污染物浓度值预测单元的输入端相连接。
基于人工智能排水管网污染物溯源方法,所述污染物溯源方法执行如下步骤:
S01:在排水管网不同流动方向随机设置监测点,开启监测点,对排水管内污染物的浓度值数据进行监测;建立SWMM模型,对污染物在排水管网内的浓度值降解程度进行模拟;
S02:通过CART决策树,得到不同流动方向上排水管网污染浓度的分类结果;
S03:获取在排水管网内污染浓度最大的流动方向,根据GIS地形图得到流动方向对应上游地区的工厂集群数;计算得到污染物在排水管网的初始传播时间,精确得到污染物的传播溯源;
S04:建立二维模型,获取污染物在排水管网内污染程度最大流动方向对应的第一节点位置,分析第一节点与最接近污水处理厂之间是否存在第二节点;若核实到第一节点与最接近污水处理厂之间存在第二节点,获取最接近污水处理厂第二节点的第二浓度值,并跳转至步骤S05;若核实到第一节点与最接近污水处理厂之间不存在第二节点,则在污水处理厂与第一节点之间添加第二节点,并执行步骤S05:
S05:根据在第二节点检测到的第二浓度值,预测得到污染物到达污水处理厂时的第三浓度值,将第三浓度值与污水处理厂处理污染物的浓度标准值比较,获取浓度值比较后结果。
在步骤S02中,通过CART决策树得到不同流动方向上排水管网污染物浓度进行分类,执行步骤如下:
S021:对排水管网中所分布监测节点按照不同方向进行分类,并分成K类;设置数据集为排水管网所有监测节点监测到的污染物浓度值数据;则数据集中属于第K个类的概率为P(K);
S022:按照特征不同方向进行划分,获取得到不同类的基尼指数;
S023:根据分类结果,得到特征所有方向上所有数据集的Gini指数,选择Gain-Gini最小的特征并相应划分;将左节点的数据集为D1,右节点的数据集为D2;对左右子节点进行递归调用;
S024:对生成的CART树进行剪枝,得到最优决策子树;
决策树的生成是将训练样本集内的数据生成决策树的过程,在本发明中,所涉及到的训练样本集为污染物的浓度值,根据决策树得到污染程度最大值在排水管网中的方向;在步骤中,对CART树进行剪枝,是为了防止数据集中的数据过拟合,通过对CART树进行剪枝,达到提高决策树泛化的能力;
CART树剪枝的步骤如下:
1.初始类别K,令k=0,使得子树T=T0,得到最优子树集合为{T};
4.使得叶子节点开始从上往下被访问,如果满足设定条件,则进行剪枝,得到概率最高的类别;形成最优子树集合,令初始类别k=k+1,若最优子树T不是由根节点单独组成的树,则跳转到步骤2进行递归执行,选择最优子树。
在步骤S03中,根据在排水管网中污染浓度最大的流动方向,获得该方向固定时间段水流量集合为V={v1,v2,v3...vj},j是指时间点,vj是指在时间点j时的水流量;得到污染物在该流动方向的初始传播时间为:
根据初始传播时间监测点检测到的数据,得到监测点上游区域对应的工厂数集合为污染物排放溯源区域;
由于污染物在排水管网中会受到水流量的影响,进而导致污染物在水中的衰减会随着水流量的增大而增大,在本方案中设定了两种条件,进而能够精确定位排放污染物的溯源位置与方向;虽然在本方案中已经通过CART决策树的方法确定了污染物在排水管网中的方向,但是并没有对具体排放污染物的工厂方向进行定位,因此,通过该公式提高了定位溯源位置的精确度,并对排放污染物的工厂进行及时处理。
在步骤S05中,获取在排水管网内污染浓度最大流动方向对应的第一节点位置,获取第一节点位置所监测到的污染物浓度值数据U1,获取第一节点与最接近污水处理厂之间的第二节点所监测的第二浓度值数据U2,根据GPS获得第一节点与第二节点之间的距离值L1,
在水流速度一定条件下;获取第一节点的上一个节点所监测污染物浓度值数据为U4,且第四节点与第一节点之间的距离值为L2,其中L1=L2;获得第二节点与污水处理厂的距离为L3,污染物在排水管网内的衰减系数,则预测得到污染物到达污水处理厂时的第三浓度值U3的公式为:;
其中:v1是指在第一节点时的水流速度,V2是指在第二节点时的水流速度;
将预测得到的第三浓度值U3与污水处理厂处理污水的标准值相比较,若核实到U3大于标准值,则含有污染物的污水不能流入污水处理厂,直至污染物的浓度值达标;若核实到U3小于标准值,则含有污染物的污水能够顺利流入污水处理厂;
根据了解到的溯源方向,对排放进入污水处理厂的浓度值进行预测,通过获得距离值L2,能够分析出在距离L2中,污水在排水距离中的衰减程度,根据衰减系数在第二节点的变化值,进而分成两种情况,一种是衰减系数未发生变化,二是衰减系数发生变化;根据两种情况,进而得到预测污染物浓度值结果,提高预测污染浓度浓度值结果。
实施例1:根据在排水管网中污染浓度最大的流动方向,获得该方向固定时间段8h内水流量集合为V={v1,v2,v3}={2,4,6},j是指时间点,检测得到衰减系数未发生变化,具体为0.245mg/L;获取检测到污染的时间段为下午15.30分,因此,污染物在排水管网中的初始传播时间为:
则得到污染物的衰减系数未发生变化时对应的最初时间段为下午13.17分;则在13.17分检测到数据的监测点对应的上游工厂为污染物排放溯源区。
实施例2:根据在排水管网中污染浓度最大的流动方向,获得该方向固定时间段4h内水流量集合为V={v1,v2,v3}={1,2,4},j是指时间点,检测得到衰减系数发生变化,具体为0.245mg/L变化至0.625mg/L;获取检测到污染的时间段为下午16.42分,因此,污染物在排水管网中的初始传播时间为:
则得到污染物的衰减系数未发生变化时对应的最初时间段为下午14.16分;则在14.16分检测到数据的监测点对应的上游工厂为污染物排放溯源区。
实施例3:获取污染物在排水管网内最大概率流动方向对应的第一节点位置,获取第一节点位置所监测到的污染物浓度值数据U1=1.52mg/L,获取第一节点与最接近污水处理厂之间的第二节点所监测的第二浓度值数据U2=2.523mg/L,根据GPS获得第一节点与第二节点之间的距离值L1=30m,
若检测到在水流速度一定条件下;获取第一节点的上一个节点所监测污染物浓度值数据为U4=0.725mg/L,且第四节点与第一节点之间的距离值为L2=30m,得到L1=L2=30m;获得第二节点与污水处理厂的距离为L3=60m,污染物在排水管网内的衰减系数=0.25mg/L,则预测得到污染物到达污水处理厂时的第三浓度值U3的公式为:
则能够预测得到第三浓度值U3=1.262,该值小于污水处理厂的标准值,污水能够顺利流入污水处理厂。
在说明书附图2中,E是指节点,Z是指第一节点,F是指污水处理厂,F是指排水管网。
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。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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,均应包含在本发明的保护范围之内。
Claims (9)
1.基于人工智能排水管网污染物溯源系统,其特征在于:所述污染物溯源系统包括排水管网数据管理模块、污染物模拟运行模块、排水管网污染分析模块和污水流向处理模块;
所述排水管网数据管理模块,用于在排水管网中分布监测点,并获取监测点监测的污染物浓度值数据,进而对数据进行管理;
所述污染物模拟运行模块,用于根据污染物在排水管网中的浓度值数据,通过SWMM模拟器对污染物在排水管中的状态进行模拟,得到模拟结果;
所述排水管网污染分析模块,用于对排水管网内的数据进行处理,进而得到在排水管网内污染浓度最大的流动方向;
所述污水流向处理模块,用于获取在最接近污水处理厂的节点所监测数据,预测得到污水流入污水处理厂时的污染物浓度值,并对污水进行处理;
所述污染物模拟运行模块与排水管网数据管理模块相连接;所述污水流向处理模块与排水管网污染分析模块、排水管网数据管理模块相连接;
所述污水流向处理模块包括排水管网节点位置获取单元、最近节点分析单元、污染物浓度值预测单元和排水处理标准单元;
所述排水管网节点位置获取单元,用于对排水管网内的节点进行定位,得到节点在排水管网内的分布图;
所述最近节点分析单元,用于获取在排水管网中最大污染浓度流动方向所对应的第一节点信息,获取第一节点与最接近污水处理厂之间的第二节点所监测污染物浓度值信息,并将浓度值信息输送至污染物浓度值预测单元中;
所述污染物浓度值预测单元,用于在第二节点监测到的第一浓度值数据,预测得到污水流至最接近的污水处理厂时的第二浓度值数据,并将第二浓度值数据输送至排水处理标准单元;
所述排水处理标准单元,用于分析第二浓度值数据与污水处理厂处理污染物的浓度值相比较,得到比较后结果;
将预测得到的第二浓度值与污水处理厂处理污水的标准值相比较,若核实到第二浓度值大于标准值,则含有污染物的污水不能流入污水处理厂,直至污染物的浓度值达标;若核实到第二浓度值小于标准值,则含有污染物的污水能够顺利流入污水处理厂。
2.根据权利要求1所述的基于人工智能排水管网污染物溯源系统,其特征在于:所述排水管网数据管理模块包括监测点设置分布单元、污染物浓度值检测单元、GIS地形调取单元和二维模型建立单元;
所述监测点设置分布单元,用于在排水管网内设置监测点,并将监测点检测的数据输送至污染物浓度值检测单元;
所述污染物浓度值检测单元,用于检测污水流过监测点时所对应的浓度值数据;
所述GIS地形调取单元,用于获取排水管网的地形信息,得到排水管网上游所对应的工厂集群数;
所述二维模型建立单元,用于在二维模型中展示排水管网节点的位置信息;
所述二维模型建立单元的输出端与GIS地形调取单元的输入端相连接;所述监测点设置分布单元的输出端与污染物浓度值检测单元的输入端相连接。
3.根据权利要求1所述的基于人工智能排水管网污染物溯源系统,其特征在于:所述污染物溯源分析模块包括SWMM模拟生成单元、降解数据比较单元和模拟结果分析单元;
所述SWMM模拟生成单元,用于在污染物投放后,获取未来时间段污染物在排水管网中的模拟数据,并将模拟后的数据输送至降解数据比较单元;
所述降解数据比较单元,用于获取未来时间段后排水管网内各监测点所检测到的污染物浓度值数据,得到污染物在排水管网中的降解状况;
所述模拟结果分析单元,用于在相同时间内,根据污染物的降解程度分析污染物在排水管网中的主要流动方向;
所述模拟结果分析单元的输出端与SWMM模拟生成单元、降解数据比较单元的输入端相连接。
4.根据权利要求1所述的基于人工智能排水管网污染物溯源系统,其特征在于:所述排水管网污染分析模块包括决策树生成单元和污染物方向分类单元;
所述决策树生成单元,用于构造数据集,对数据集进行分类,进而生成决策树;
所述污染物方向分类单元,用于根据污染物在排水管网中的降解程度,分析污染物在排水管网中不同方向的污染程度,进而得到在排水管网中最大污染浓度的流动方向;
所述污染物方向分类单元的输出端与决策树生成单元的输入端相连接。
5.根据权利要求1所述的基于人工智能排水管网污染物溯源系统,其特征在于:所述污水流向处理模块包括排水管网节点位置获取单元、最近节点分析单元、污染物浓度值预测单元和排水处理标准单元;
所述排水管网节点位置获取单元,用于对排水管网内的节点进行定位,得到节点在排水管网内的分布图;
所述最近节点分析单元,用于获取在排水管网中最大污染浓度流动方向所对应的第一节点信息,获取第一节点与最接近污水处理厂之间的第二节点所监测污染物浓度值信息,并将浓度值信息输送至污染物浓度值预测单元中;
所述污染物浓度值预测单元,用于在第二节点监测到的第一浓度值数据,预测得到污水流至最接近的污水处理厂时的第二浓度值数据,并将第二浓度值数据输送至排水处理标准单元;
所述排水处理标准单元,用于分析第二浓度值数据与污水处理厂处理污染物的浓度值相比较,得到比较后结果;
所述排水处理标准单元的输出端与排水管网节点位置获取单元、最近节点分析单元、污染物浓度值预测单元的输入端相连接。
6.基于人工智能排水管网污染物溯源方法,其特征在于:所述污染物溯源方法执行如下步骤:
S01:在排水管网不同流动方向随机设置监测点,开启监测点,对排水管内污染物的浓度值数据进行监测;建立SWMM模型,对污染物在排水管网内的浓度值降解程度进行模拟;
S02:通过CART决策树,得到不同流动方向上排水管网污染浓度的分类结果;
S03:获取在排水管网内污染浓度最大的流动方向,根据GIS地形图得到流动方向对应上游地区的工厂集群数;计算得到污染物在排水管网的初始传播时间,精确得到污染物的传播溯源;
S04:建立二维模型,获取污染物在排水管网内污染程度最大流动方向对应的第一节点位置,分析第一节点与最接近污水处理厂之间是否存在第二节点;若核实到第一节点与最接近污水处理厂之间存在第二节点,获取最接近污水处理厂第二节点的第二浓度值,并跳转至步骤S05;若核实到第一节点与最接近污水处理厂之间不存在第二节点,则在污水处理厂与第一节点之间添加第二节点,并执行步骤S05:
S05:根据在第二节点检测到的第二浓度值,预测得到污染物到达污水处理厂时的第三浓度值,将第三浓度值与污水处理厂处理污染物的浓度标准值比较,获取浓度值比较后结果;
将预测得到的第三浓度值U3与污水处理厂处理污水的标准值相比较,若核实到U3大于标准值,则含有污染物的污水不能流入污水处理厂,直至污染物的浓度值达标;若核实到U3小于标准值,则含有污染物的污水能够顺利流入污水处理厂。
7.根据权利要求6所述的基于人工智能排水管网污染物溯源方法,其特征在于:在步骤S02中,通过CART决策树得到不同流动方向上排水管网污染物浓度进行分类,执行步骤如下:
S021:对排水管网中所分布监测节点按照不同方向进行分类,并分成K类;设置数据集为排水管网所有监测节点监测到的污染物浓度值数据;则数据集中属于第K个类的概率为P(K);
S022:按照特征不同方向进行划分,获取得到不同类的基尼指数;
S023:根据分类结果,得到特征所有方向上所有数据集的Gini指数,选择Gain-Gini最小的特征并相应划分;将左节点的数据集为D1,右节点的数据集为D2;对左右子节点进行递归调用;
S024:对生成的CART树进行剪枝,得到最优决策子树;
9.根据权利要求6所述的基于人工智能排水管网污染物溯源方法,其特征在于:在步骤S05中,获取在排水管网内污染浓度最大流动方向对应的第一节点位置,获取第一节点位置所监测到的污染物浓度值数据U1,获取第一节点与最接近污水处理厂之间的第二节点所监测的第二浓度值数据U2,根据GPS获得第一节点与第二节点之间的距离值L1,
在水流速度一定条件下;获取第一节点的上一个节点所监测污染物浓度值数据为U4,
且第四节点与第一节点之间的距离值为L2,其中L1=L2;获得第二节点与污水处理厂的距离
为L3,污染物在排水管网内的衰减系数,则预测得到污染物到达污水处理厂时的第三浓
度值U3的公式为:;
其中:v1是指在第一节点时的水流速度,V2是指在第二节点时的水流速度;
将预测得到的第三浓度值U3与污水处理厂处理污水的标准值相比较,若核实到U3大于标准值,则含有污染物的污水不能流入污水处理厂,直至污染物的浓度值达标;若核实到U3小于标准值,则含有污染物的污水能够顺利流入污水处理厂。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111582853.7A CN113947033B (zh) | 2021-12-22 | 2021-12-22 | 基于人工智能排水管网污染物溯源系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111582853.7A CN113947033B (zh) | 2021-12-22 | 2021-12-22 | 基于人工智能排水管网污染物溯源系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113947033A CN113947033A (zh) | 2022-01-18 |
CN113947033B true CN113947033B (zh) | 2022-05-13 |
Family
ID=79339224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111582853.7A Active CN113947033B (zh) | 2021-12-22 | 2021-12-22 | 基于人工智能排水管网污染物溯源系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947033B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116216819B (zh) * | 2023-05-09 | 2023-07-04 | 湖南华博信息技术有限公司 | 智慧水务数据分析管理系统及方法 |
CN117373557B (zh) * | 2023-12-05 | 2024-02-27 | 山东清控生态环境产业发展有限公司 | 基于多维数据的溯源方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297018A (zh) * | 2019-06-11 | 2019-10-01 | 同济大学 | 一种排水管网污染物排放溯源的方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102467605B (zh) * | 2010-11-08 | 2015-04-15 | 同济大学 | 供水管网突发污染事故的污染源追踪定位信息处理方法 |
CN104392100B (zh) * | 2014-10-29 | 2017-05-17 | 南京南瑞集团公司 | 基于水质在线监测系统的污染源扩散预警方法 |
CN106125159B (zh) * | 2016-07-29 | 2018-09-07 | 华中科技大学 | 一种水域污染源自动探测方法 |
CN108897964A (zh) * | 2018-07-09 | 2018-11-27 | 重庆大学 | 一种污水管网超标排放工业废水的贝叶斯统计溯源方法 |
CN112485388A (zh) * | 2019-09-11 | 2021-03-12 | 湘潭智联技术转移促进有限责任公司 | 一种河流污染物溯源方法 |
KR102189254B1 (ko) * | 2019-12-19 | 2020-12-09 | 서울대학교산학협력단 | Gis 기반 불규칙 하천 지형 특성 분석을 통한 오염물질 추적 및 역추적 정보제공 방법 |
CN111461167B (zh) * | 2020-03-02 | 2024-06-07 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
CN113420396B (zh) * | 2021-05-28 | 2023-05-23 | 浙江浙安数智环境工程有限公司 | 一种城市排水管网污染溯源的方法 |
-
2021
- 2021-12-22 CN CN202111582853.7A patent/CN113947033B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297018A (zh) * | 2019-06-11 | 2019-10-01 | 同济大学 | 一种排水管网污染物排放溯源的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113947033A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113947033B (zh) | 基于人工智能排水管网污染物溯源系统及方法 | |
CN116186566B (zh) | 基于深度学习的扩散预测方法及系统 | |
CN115829120B (zh) | 基于机器学习方法的水质预测预警系统 | |
CN116629619B (zh) | 一种土壤新污染物赋存状况预测方法及系统 | |
Démotier et al. | Risk assessment based on weak information using belief functions: a case study in water treatment | |
KR102210698B1 (ko) | 하천 유해화학물질 유출 시나리오 기반 기계학습모형과 재귀적 특징 제거법을 결합한 화학사고 발생원 역추적 방법 | |
CN112084716B (zh) | 一种基于富营养化综合评价的赤潮预测预警方法 | |
Shen et al. | An attention-based digraph convolution network enabled framework for congestion recognition in three-dimensional road networks | |
CN115308101A (zh) | 水质监测管理方法及系统 | |
Maheswari et al. | Efficient Drinking Water Quality Analysis using Machine Learning Model with Hyper-Parameter Tuning | |
CN115495755A (zh) | 一种基于CodeBERT和R-GCN的源代码漏洞多分类检测的方法 | |
CN113344130B (zh) | 差异化巡河策略的生成方法及装置 | |
CN110334452B (zh) | 一种智慧农业大气污染物浓度分层次预警方法 | |
CN108564110A (zh) | 一种基于聚类算法的空气质量预测方法 | |
CN115238197A (zh) | 一种基于专家思维模型的领域业务辅助分析方法 | |
Mostofi et al. | Construction safety predictions with multi-head attention graph and sparse accident networks | |
KR20140117959A (ko) | 하수처리장 유출수질의 상태에 대한 원인인자 제공장치 및 방법 | |
Kim et al. | Self-optimization of training dataset improves forecasting of cyanobacterial bloom by machine learning | |
Beshah et al. | Knowledge discovery from road traffic accident data in Ethiopia: Data quality, ensembling and trend analysis for improving road safety | |
CN116913047A (zh) | 一种流域农业面源污染物溯源方法和预警系统 | |
Reyes et al. | Dynamic grouping of vehicle trajectories | |
Osidele | Reachable futures, structural change, and the practical credibility of environmental simulation models | |
Rojas et al. | Analysis of physico-chemical variables and their influence on water quality of the Bogota River using data mining | |
Shepelev et al. | Forecasting the amount of traffic-related pollutant emissions by neural networks | |
Hauser-Davis et al. | Logistic regression and fuzzy logic as a classification method for feral fish sampling sites |
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 |