CN114548680A - 城市暴雨洪水管理模型参数自动率定方法及系统 - Google Patents

城市暴雨洪水管理模型参数自动率定方法及系统 Download PDF

Info

Publication number
CN114548680A
CN114548680A CN202210061553.2A CN202210061553A CN114548680A CN 114548680 A CN114548680 A CN 114548680A CN 202210061553 A CN202210061553 A CN 202210061553A CN 114548680 A CN114548680 A CN 114548680A
Authority
CN
China
Prior art keywords
management model
parameters
flood management
parameter
value
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.)
Pending
Application number
CN202210061553.2A
Other languages
English (en)
Inventor
包申旭
罗勇鹏
张一敏
杨盼
杨思原
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202210061553.2A priority Critical patent/CN114548680A/zh
Publication of CN114548680A publication Critical patent/CN114548680A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06F2111/10—Numerical modelling
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)

Abstract

一种城市暴雨洪水管理模型参数自动率定方法，S1、收集城市中研究区域建模所需的基本数据，并将其输入SWMM中建立暴雨洪水管理模型；S2、确定待率定参数组和取值范围，并对率定参数组中参数取值初始化；S3、运行暴雨洪水管理模型，获取模型模拟结果，根据目标函数计算纳什系数，判断模型模拟计算结果与实际监测结果之间相对误差大小；S4、在相对误差大于预设误差阈值时，则根据差分进化算法对参数进行变换，然后输入暴雨洪水管理模型中继续运行，进行模拟计算后跳转并重复执行步骤S3，直至相对误差小于或等于预设误差阈值，率定过程终止，完成暴雨洪水管理模型率定。

Description

城市暴雨洪水管理模型参数自动率定方法及系统
技术领域
本发明涉及市政工程技术领域，特别涉及一种城市暴雨洪水管理模型参数自动率定方法及系统。
背景技术
近年来，城市洪涝灾害频发，严重影响城市居民的生产生活，同时也造成巨大的社会财产损失。升级改造城市排水系统，提高城市排水能力，加强海绵城市建设是降低城市洪涝灾害影响的有力举措。SWMM(storm water management model，暴雨洪水管理模型软件)是美国环境保护署针对城市区域雨水径流和水质分析开发的一款功能强大的水文、水动力学模型软件，被广泛用于城市区域的排水管网规划设计、城市内涝预警预报、城市排水能力评估等领域。通过SWMM构建城市暴雨洪水管理模型，不仅能够用来评估现有城市排水系统的排水能力，还能为城市排水管网的改造提供可靠建议。此外，构建的暴雨洪水管理模型还能够模拟计算不同降雨强度下城市的排水状况，从而对将来可能出现的洪涝灾害进行及时的预警。
SWMM构建的暴雨洪水管理模型较为复杂，模型中包含众多参数，部分参数无法直接根据收集的数据计算或者试验测量取得，只能根据对应的下垫面性质、土地利用类型、地形等实际情况，在给定的参数范围内按照经验选取。如果这些经验参数选取的不合理则会导致模型误差偏大，模拟结果失真。为了保证构建的暴雨洪水模型的准确性，通常需要对这些选取的经验参数进行率定，即不断的对这些参数进行数值上的调整，使得模型模拟计算结果与实际监测结果不断接近，相对误差处于合理的允许误差范围之内。
以往，模型参数的率定通常采用人工试错法，这种方法需要手动调整参数，调参工作量大，耗费时间较长，率定效果依赖于操作人员的经验，且往往难以得到最优的参数组合。针对现今人工试错法的种种缺点，如果能够在给定的控制规则下，利用计算机实现对模型参数的自动率定，这能够大幅降低率定所需时间，提高率定效率，同时也能避免人工试错法中操作人员主观因素的影响。
发明内容
有鉴于此，本发明提供一种城市暴雨洪水管理模型参数自动率定方法及系统。
一种城市暴雨洪水管理模型参数自动率定方法，其特征在于，
S1、收集城市中研究区域建模所需的基本数据，并将其输入SWMM中建立暴雨洪水管理模型；
S2、确定待率定参数组和取值范围，并对率定参数组中参数取值初始化；
S3、运行暴雨洪水管理模型，获取模型模拟结果，根据目标函数计算纳什系数，判断模型模拟计算结果与实际监测结果之间相对误差大小；
S4、在相对误差大于预设误差阈值时，则根据差分进化算法对参数进行变换，然后输入暴雨洪水管理模型中继续运行，进行模拟计算后跳转并重复执行步骤S3，直至相对误差小于或等于预设误差阈值，率定过程终止，完成暴雨洪水管理模型参数率定。
在本发明所述的城市暴雨洪水管理模型参数自动率定方法中，
所述率定参数组中参数为暴雨洪水管理模型中无法直接根据收集的数据计算或者试验测量取得的经验参数。
在本发明所述的城市暴雨洪水管理模型参数自动率定方法中，
待率定模型参数的自动变换是基于差分进化算法来实现，其具体实现过程如下，
1)初始化
将查阅得到的待率定参数组及对应的取值范围进行编码，每个参数在其取值范围内选取一个数值，这些数值即构成一个向量个体，众多的个体一起组成种群。
Figure BDA0003478403780000021
其中，D表示共有D个待率定参数，j表示第j个待率定参数，NP表示该参数组种群的规模，Xij(0)表示第i个个体，括号内数字为种群进化代数，0表示为初代。
Figure BDA0003478403780000022
其中，
Figure BDA0003478403780000031
和
Figure BDA0003478403780000032
分别表示第j个参数取值范围的下界和上界，rand为随机函数，rand(0,1)能够产生一个在区间[0,1]上的随机数。
2)变异
差分进化算法通过差分策略实现个体变异，常见的差分策略是随机选取种群中两个不同的个体，将其向量差缩放后与待变异个体进行向量合成。
Vi(g+1)＝Xr1(g)+F(Xr2(g)-Xr3(g))
其中，g表示变异产生的第g代，Vi(g+1)表示由第g代个体变异后产生的第g+1代个体，r1，r2和r3是有随机函数rand产生的三个随机数，区间为[1,NP]，则Xr1(g)，Xr2(g)，Xr3(g)分别表示在第g代种群中随机选取的三个个体，F为缩放因子，是一个确定的常数。
3)交叉
交叉操作的目的是随机选择个体，因为差分进化也是一种随机算法，交叉操作的方法是：
Figure BDA0003478403780000033
其中，CR称为交叉概率，通过概率的方式随机生成新的个体。
4)选择
在差分进化算法中采用的是贪婪选择的策略，即选择较优的个体作为新的个体。
Figure BDA0003478403780000034
其中f是以种群个体为变量的函数，即目标函数，用于判断个体的好坏，从而选择出最优的个体。
算法在步骤2)(变异)-步骤4)(选择)之间不断迭代，直至迭代次数达到最大值或算法收敛(相邻代之间优化目标的提升值小于某一预定目标)。
在本发明中所述目标函数为纳什系数，计算方法如下式
Figure BDA0003478403780000041
其中t为时间，T为率定数据的总时间步长数，Qm为模拟流量值，Q0为监测流量值，
Figure BDA0003478403780000042
为平均监测流量值。纳什系数NSE的取值范围为(-∞,1],取值越大代表模型模拟结果与实际监测结果越接近，相对误差越小，模拟结果越好。
在本发明所述的城市暴雨洪水管理模型参数自动率定方法中，
差分进化算法的控制参数如下：种群数量NP＝20，交叉概率CR＝0.5，最大迭代次数为10，收敛条件为相邻代之间优化目标的提升值小于10-8。
本发明还提供一种城市暴雨洪水管理模型参数自动率定系统，通过如上述任一项所述的城市暴雨洪水管理模型参数自动率定方法实现。
有益技术效果：本发明的城市暴雨洪水管理模型参数自动率定方法及系统相对于现有技术，其应用的算法具有结构简单、容易实现、收敛快速、鲁棒性好等优点。能够实现暴雨洪水管理模型中参数的自动率定，大幅降低率定所需时间，提高率定效率，同时也能避免人工试错法中操作人员主观因素的影响，使暴雨洪水管理模型能够更有效的、精确的模拟城市降雨径流过程。
附图说明
图1是本发明实施例提供的城市暴雨洪水管理模型参数自动率定方法流程图；
图2是本发明实施例提供的差分进化算法示意图；
图3是本发明实施例提供的SWMM模型；
图4是本发明实施例提供的自动率定过程NSE变化图；
图5是本发明实施例提供的参数率定后模型所得监测点模拟水流量和实测水流量对比图。
具体实施方式
如图1所示，以下是一更为具体的实施例，需要说明的是，这些实施例仅为了更好地诠释本发明，并不用于限制本发明的实施范围。凡在本发明技术方案范围内的参数选择均属本发明保护的范围。
本实施例的研究区域为深圳市龙岗区爱联河流域，根据研究区域的管网数据、地形高程、土地利用以及降雨数据等资料，研究区被概化成200个子汇水区，提取了管道661根，管网节点651个，排水口1个，输入SWMM软件中构建了暴雨洪水管理模型(图3)。
根据SWMM操作手册及相关研究文献，确定了本实施例中需要率定参数的取值范围如表1所示。
表1待率定参数及其取值范围
Figure BDA0003478403780000051
按照通过反复测试，最终选择差异进化算法的控制参数如下：种群数量NP＝20，交叉概率CR＝0.5，最大迭代次数为10，收敛条件为相邻代之间优化目标的提升值小于10-8。采用本发明自动率定方法对N-Imperv、N-Perv、S-Perv、S-Imperv、Zero％-Imperv、MaxRate、MinRate、Decay、DryTime、Roughness这十项参数进行优化率定。如图4所示在差分进化算法搜索的初期阶段，目标函数NSE的取值较低；经过反复迭代，模型的模拟效果得到快速提高，并最终达到NSE取值0.42，率定结果的纳什系数达到可接受的范围。监测点的模型模拟值与实测值变化如图5所示，模拟结果与实测值相关性达到0.85，均方根差为0.028m3/s，相对误差在可接受范围之内。应用本发明方法能够快速的对暴雨洪水管理模型各项参数实现自动率定，从而提高模型的准确性。
以上，包括本发明实施例不局限于具体实现实施方式，对于本领域的普通技术人员来说，可以根据本发明的技术构思做出其它各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。

Claims (2)

1.一种城市暴雨洪水管理模型参数自动率定方法，其特征在于，
S1、收集城市中研究区域建模所需的基本数据，并将其输入SWMM中建立暴雨洪水管理模型；
S2、确定待率定参数组和取值范围，并对率定参数组中参数取值初始化；
S3、运行暴雨洪水管理模型，获取模型模拟结果，根据目标函数计算纳什系数，判断模型模拟计算结果与实际监测结果之间相对误差大小；
S4、在相对误差大于预设误差阈值时，则根据差分进化算法对参数进行变换，然后输入暴雨洪水管理模型中继续运行，进行模拟计算后跳转并重复执行步骤S3，直至相对误差小于或等于预设误差阈值，率定过程终止，完成暴雨洪水管理模型率定；
根据差分进化算法对参数进行变换，包括：
1)初始化：将查阅得到的待率定参数组及对应的取值范围进行编码，每个参数在其取值范围内选取一个数值，这些数值构成一个向量个体，众多的个体一起组成种群，
Figure FDA0003478403770000011
其中，D表示共有D个待率定参数，j表示第j个待率定参数，NP表示该参数组种群的规模，Xij(0)表示第i个个体，括号内数字为种群进化代数，0表示为初代；
Figure FDA0003478403770000012
其中，
Figure FDA0003478403770000013
和
Figure FDA0003478403770000014
分别表示第j个参数取值范围的下界和上界，rand为随机函数，rand(0,1)能够产生一个在区间[0,1]上的随机数；
2)变异，具体为，
Vi(g+1)＝Xr1(g)+F(Xr2(g)-Xr3(g))
其中，g表示变异产生的第g代，Vi(g+1)表示由第g代个体变异后产生的第g+1代个体，r1，r2和r3是有随机函数rand产生的三个随机数，区间为[1,NP]，则Xr1(g)，Xr2(g)，Xr3(g)分别表示在第g代种群中随机选取的三个个体，F为缩放因子，是一个确定的常数；
3)交叉：交叉用于随机选择个体，具体为，
Figure FDA0003478403770000021
其中，CR称为交叉概率，通过概率的方式随机生成新的个体；
4)选择：选择较优的个体作为新的个体，
Figure FDA0003478403770000022
其中f是以种群个体为变量的函数；
使步骤2)-步骤4)之间不断迭代，直至迭代次数达到最大值或算法收敛；
所述率定参数组中参数为暴雨洪水管理模型中无法直接根据收集的数据计算或者试验测量取得的经验参数；
所述目标函数为纳什系数，计算方法如下式
Figure FDA0003478403770000023
其中t为时间，T为率定数据的总时间步长数，Qm为模拟流量值，Q0为监测流量值，
Figure FDA0003478403770000024
为平均监测流量值，纳什系数NSE的取值范围为(-∞,1],取值越大代表模型模拟结果与实际监测结果越接近，相对误差越小，模拟结果越好；
差分进化算法的控制参数如下：种群数量NP＝20，交叉概率CR＝0.5，最大迭代次数为10，收敛条件为相邻代之间优化目标的提升值小于10-8。
2.一种城市暴雨洪水管理模型参数自动率定系统，其特征在于，通过如权利要求1所述的城市暴雨洪水管理模型参数自动率定方法实现。
CN202210061553.2A 2022-01-19 2022-01-19 城市暴雨洪水管理模型参数自动率定方法及系统 Pending CN114548680A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210061553.2A CN114548680A (zh) 2022-01-19 2022-01-19 城市暴雨洪水管理模型参数自动率定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210061553.2A CN114548680A (zh) 2022-01-19 2022-01-19 城市暴雨洪水管理模型参数自动率定方法及系统

Publications (1)

Publication Number Publication Date
CN114548680A true CN114548680A (zh) 2022-05-27

Family

ID=81670940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210061553.2A Pending CN114548680A (zh) 2022-01-19 2022-01-19 城市暴雨洪水管理模型参数自动率定方法及系统

Country Status (1)

Country Link
CN (1) CN114548680A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116484688A (zh) * 2023-04-26 2023-07-25 中国水利水电科学研究院 一种城市内涝数值实验方法
CN117556219A (zh) * 2024-01-05 2024-02-13 广东工业大学 一种基于机器学习代理建模全局敏感性分析方法及其系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101087754B1 (ko) * 2011-04-15 2011-11-30 한국수자원공사 강우 및 홍수분석 통합시스템
CN105389469A (zh) * 2015-11-09 2016-03-09 中山大学 一种暴雨洪水管理模型参数自动率定方法
CN108021773A (zh) * 2017-12-27 2018-05-11 大连理工大学 基于dss数据库读写的分布式水文模型多场次洪水参数率定方法
CN113657659A (zh) * 2021-08-12 2021-11-16 水利部信息中心 一种模块化洪水预报模型的参数全局寻优方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101087754B1 (ko) * 2011-04-15 2011-11-30 한국수자원공사 강우 및 홍수분석 통합시스템
CN105389469A (zh) * 2015-11-09 2016-03-09 中山大学 一种暴雨洪水管理模型参数自动率定方法
CN108021773A (zh) * 2017-12-27 2018-05-11 大连理工大学 基于dss数据库读写的分布式水文模型多场次洪水参数率定方法
CN113657659A (zh) * 2021-08-12 2021-11-16 水利部信息中心 一种模块化洪水预报模型的参数全局寻优方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116484688A (zh) * 2023-04-26 2023-07-25 中国水利水电科学研究院 一种城市内涝数值实验方法
CN116484688B (zh) * 2023-04-26 2023-10-13 中国水利水电科学研究院 一种城市内涝数值实验方法
CN117556219A (zh) * 2024-01-05 2024-02-13 广东工业大学 一种基于机器学习代理建模全局敏感性分析方法及其系统

Similar Documents

Publication Publication Date Title
CN111222698B (zh) 面向物联网的基于长短时记忆网络的积水水位预测方法
CN109376925B (zh) 供水管网节点流量动态自适应优化方法
CN114548680A (zh) 城市暴雨洪水管理模型参数自动率定方法及系统
CN110909485B (zh) 一种基于bp神经网络的swmm模型参数自率定方法
JP2022548294A (ja) 多点並行修正に基づく分布型水文モデルパラメータの較正方法
Rodríguez-Vázquez et al. Rainfall–runoff modelling using genetic programming
CN112528563B (zh) 一种基于svm算法的城市内涝预警方法
KR20210019311A (ko) 자료해석 기반 침수 예측 방법 및 이를 위한 장치
Qiu et al. Seepage monitoring models study of earth-rock dams influenced by rainstorms
CN111815043B (zh) 一种基于暴雨特征的洪水流量预测方法及系统
CN101899820B (zh) 面向河流生态系统保护的流域地表水可利用量确定方法
CN115099059A (zh) 一种土地利用变化下沿江平原城市湖泊防洪排涝水文设计方法
CN112113146A (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
Shang et al. Research on intelligent pest prediction of based on improved artificial neural network
Zhao et al. Evaluating influences of the Manwan Dam and climate variability on the hydrology of the Lancang-Mekong River, Yunnan Province, southwest China
CN114936505A (zh) 一种城市雨水井多点位水深快速预报的方法
KR20110034288A (ko) 중수로 압력관 반경방향 크립 예측 방법
CN117648878A (zh) 一种基于1d-cnn算法的洪水快速演进及淹没模拟方法
WO2022032873A1 (zh) 一种基于对抗神经网络的无资料地区水文参数率定方法
WO2022032874A1 (zh) 一种基于对抗神经网络的有资料地区水文参数率定方法
Preis et al. Online hydraulic state prediction for water distribution systems
Wang et al. A statistical hydrological model for Yangtze river watershed based on stepwise cluster analysis
CN111022937A (zh) 一种输水管网管漏损定位系统及定位方法
CN114819322B (zh) 湖泊入湖流量的预报方法
CN115358587A (zh) 区域多部门协同的基础设施规划方法及系统

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