CN114723336A - 一种基于mop-dl的地下排水管网养护智能决策方法 - Google Patents

一种基于mop-dl的地下排水管网养护智能决策方法 Download PDF

Info

Publication number
CN114723336A
CN114723336A CN202210526503.7A CN202210526503A CN114723336A CN 114723336 A CN114723336 A CN 114723336A CN 202210526503 A CN202210526503 A CN 202210526503A CN 114723336 A CN114723336 A CN 114723336A
Authority
CN
China
Prior art keywords
pipe network
drainage pipe
maintenance
functional
decision
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
CN202210526503.7A
Other languages
English (en)
Inventor
狄丹阳
方宏远
孙斌
张金萍
胡浩帮
李成
宋占琪
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.)
Zhengzhou University
Original Assignee
Zhengzhou University
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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN202210526503.7A priority Critical patent/CN114723336A/zh
Publication of CN114723336A publication Critical patent/CN114723336A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • 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
    • G06F2111/04—Constraint-based CAD
    • 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]
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于MOP‑DL的地下排水管网养护智能决策方法，包括：获取排水网管功能性病害情况以及区域洪涝灾害损失情况；以多目标模块为约束条件，构建地下排水网管养护决策的多目标规划模型；基于协方差进化和混沌搜索的多目标群搜索算法模块对多目标规划模型进行求解，获取带养护决策标签的排水管网功能性病害情况样本集；将带养护决策标签的排水管网功能性病害情况样本集输入至深度学习模块；深度学习模块利用带养护决策标签的排水管网功能性病害情况样本集率定损失函数的参数对自身进行反复迭代训练，输出养护决策结果。本发明准确拟合功能性病害影响下城市内涝区域灾害损失，养护决策经济效益量化准确，排水管网养护决策结果可靠性高。

Description

一种基于MOP-DL的地下排水管网养护智能决策方法
技术领域
本发明涉及地下排水管网养护领域，特别是涉及一种基于MOP-DL的地下排水管网养护智能决策方法。
背景技术
在城市排水管网养护决策的研究方面，部分学者从结构性退化和水力条件退化的角度评估管网脆弱性风险并给出养护建议，但忽略了养护决策的经济效益问题且并未考虑排水管网功能性病害与城市内涝损失之间的水文水动力学耦合关系。现有的决策优化机制设计以改进管网病害养护技术和养护成本最小约束下的广义模式搜索算法为主要研究方向，并未考虑城市排水管网养护策略成本、内涝损失和约束条件之间的内在关系及决策智能化问题。综上所述，现有城市排水管网养护决策系统具有如下缺点：
(1)未考虑排水管网功能性病害与城市内涝损失之间的水文水动力学耦合关系；
(2)忽略了养护决策的经济效益问题；
(3)未考虑城市排水管网养护策略成本、内涝损失和约束条件之间的内在关系及决策智能化问题。
为了解决上述问题，本发明的发明人提功了一种基于MOP-DL的地下排水管网养护智能决策方法。
发明内容
为了解决上述问题，本发明的目的是提供一种基于MOP-DL的地下排水管网养护智能决策方法，能够准确拟合功能性病害影响下城市内涝区域灾害损失，养护决策经济效益量化准确，排水管网养护决策结果智能化程度高且可靠性高。
基于此，本发明提供了一种基于MOP-DL的地下排水管网养护智能决策方法，所述方法包括：
获取排水网管功能性病害情况以及区域洪涝灾害损失情况；
以多目标模块为约束条件，构建地下排水网管养护决策的多目标规划模型；
根据排水网管功能性病害情况以及区域洪涝灾害损失情况，基于协方差进化和混沌搜索的多目标群搜索算法模块对多目标规划模型进行求解，获取带养护决策标签的排水管网功能性病害情况样本集；
将所述带养护决策标签的排水管网功能性病害情况样本集输入至深度学习模块；
所述深度学习模块利用带养护决策标签的排水管网功能性病害情况样本集率定损失函数的参数对自身进行反复迭代训练，输出养护决策结果。
其中，所述获取排水网管功能性病害情况以及区域洪涝灾害损失情况包括:
将功能性病害数据输入至城市管网病害初始样本输入模块；
根据排水管网功能性病害与内涝的水文水动力学耦合关系模型和PCSWMM模块，构建考虑管道功能性病害与城市内涝偶联影响的城市内涝预警模块；
将所述城市管网病害初始样本输入模块中的功能性病害数据输入至所述城市内涝预警模块，获取排水网管功能性病害情况以及对应的洪涝灾害情况；
将所述洪涝灾害情况输入至城市内涝灾损计算模型之中，进而得到相应的区域洪涝灾害损失情况。
其中，所述以多目标模块为约束条件包括:所述约束条件包括：经济效益最大、养护成本最低和内涝灾损最小。
其中，所述构建地下排水网管养护决策的多目标规划模型具体包括：
区域经济效益最大化目标函数、区域地下排水管网养护成本最小化目标函数、内涝灾损最小化目标函数；
各量化公式如下：
Figure BDA0003644707240000031
Figure BDA0003644707240000032
Figure BDA0003644707240000033
其中，
Figure BDA0003644707240000034
表示未发生内涝区域i的经济效益，
Figure BDA0003644707240000035
为发生内涝区域j的经济效益，Ck为区域k采取管网养护措施的成本，Pi为区域i的财产密度，Si为区域i的内涝淹没面积，s为淹没水位高度，m为遭受内涝的区域个数，n为未遭受内涝的区域个数，l为采取管网养护措施的区域个数。
其中，所述基于协方差进化和混沌搜索的多目标群搜索算法模块对多目标规划模型进行求解具体包括：
所述多目标群搜索算法模块采用构建多目标规划模型的协方差矩阵自适应进化策略，然后引入了混沌算子，并利用其更新种群中心的位置，使得种群具备良好的全局搜索能力，进而得到相对准确的求解结果。
其中，所述深度学习模块的构建过程包括：
输入带管道清淤、除垢标签的管网功能性病害情况训练样本集，并对所述管网功能性病害情况训练样本集进行数据处理，所述数据处理包括：指异常值检测和插值。
其中，所述深度学习模块利用带养护决策标签的排水管网功能性病害情况样本集率定损失函数的参数对自身进行反复迭代训练具体包括：
所述损失函数的参数采用多次迭代获取最小梯度的方法确定，最小梯度的量化公式为
Figure BDA0003644707240000036
其中，P为输出管网养护决策结果，I为输入训练数据集。
本发明采用“多目标规划(MOP)+深度学习(DL)+排水管网功能性病害与内涝的水文水动力学耦合关系模型”的数值模拟与融合技术手段实现基于MOP-DL的地下排水管网养护智能决策方法并进行不同重现期暴雨下的排水管网养护的智能决策。本发明的目的在于基于排水管网功能性病害与内涝的耦合关系模型、MOP和DL，设计实现一种能够满足准确拟合功能性病害影响下城市内涝区域灾害损失、养护决策经济效益量化准确、高效率和高可靠性的基于MOP-DL的地下排水管网养护智能决策方法，克服当前地下排水管网养护方法的诸多缺点。基于此，本发明具有如下优点：
(1)准确拟合功能性病害影响下城市内涝区域灾害损失。基于MOP-DL的地下排水管网养护智能决策方法利用排水管网功能性病害与内涝的水文水动力学耦合关系模型，设计实现考虑管道功能性病害与城市内涝偶联影响的城市洪涝预警模块，进而得到不同区域管网功能性病害情况与内涝损失之间的定量关系，在现有内涝灾损量化评估方法的配合下，实现功能性病害影响下城市排水管网造成的城市内涝区域灾害损失评估。
(2)养护决策经济效益量化准确。通过考虑管道功能性病害与城市内涝偶联影响的城市洪涝预警模块动态模拟排水管网功能性病害影响下的城市一二维瞬时水流状态转换规律，准确计算淹没水深、淹没面积、淹没历时等内涝指标及引起的灾害损失，结合不同养护策略的成本，解决现有研究中未考虑养护决策经济效益的量化问题。
(3)智能化和高效率。基于MOP-DL的地下排水管网养护智能决策方法利用多目标规划和深度学习相结合的方法实现排水管网养护决策结果的智能化和高效输出。
(4)高可靠性。本发明采用“多目标规划(MOP)+深度学习(DL)+排水管网功能性病害与内涝的水文水动力学耦合关系模型”的数值模拟与融合技术手段实现基于MOP-DL的地下排水管网养护智能决策方法。采用深度学习方法对多目标规划得到的排水管网养护优化决策样本集进行训练，并以周期T更新训练集和调整损失函数的参数取值，在Python工程化实现、DLL动态库链接、Arcgis软件的共同配合下，能够充分保证基于MOP-DL的地下排水管网养护智能决策方法的结果输出可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于MOP-DL的地下排水管网养护智能决策方法的流程图。
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作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。
图1是本发明实施例提供的基于MOP-DL的地下排水管网养护智能决策方法的流程图，所述方法包括：
S101、获取排水网管功能性病害情况以及区域洪涝灾害损失情况；
获取排水网管功能性病害情况以及区域洪涝灾害损失情况，这些数据用于带养护决策标签的数据集制作，以数据集形式作为训练好的深度学习模块的输入，进而得到最终的地下排水管网养护智能决策输出。
其中，所述获取排水网管功能性病害情况以及区域洪涝灾害损失情况包括:不同区段管道淤积情况(是否有淤积质存在)、淤积程度、淤积长度、结垢情况(是否有结垢体存在)、结垢程度、结垢长度。
将功能性病害数据输入至城市管网病害初始样本输入模块；
根据排水管网功能性病害与内涝的水文水动力学耦合关系模型和PCSWMM模块，构建考虑管道功能性病害与城市内涝偶联影响的城市内涝预警模块；
所述城市内涝预警模块在地面开始有积水时进行预警。管道功能性病害与城市内涝偶联在城市内涝预警模块中起到提高预警准确性的作用，它能够改进完善PCSWMM对内涝的预测能力。
所述城市内涝预警模块是对PCSWMM模块的二次开发，采用动态库链接工程化集成排水管网功能性病害与内涝的水文水动力学耦合关系模型；
排水管网功能性病害与内涝的水文水动力学耦合关系模型可由一维明满流控制方程和二维浅水方程进行动态量化，具体如下：
Figure BDA0003644707240000061
Figure BDA0003644707240000062
其中，Z表示水位，A为过水断面面积，Q为截面的出口流量，qL表示旁侧入流，g为重力加速度，t和x分别表示一维时间和空间坐标，a表示波速，Sf为摩阻比降，hL为单元长度上的局部水头损失，h为水深，t为时间，x、y和z为坐标系，u和v分别为x和y方向的流速分量，
Figure BDA0003644707240000071
为垂向平均流速，ρ为流体密度，b为水底高程，Sax和Say分别为x和y方向的底坡项分量，Sfx和Sfy分别为x和y方向的摩阻项分量，τzy和τzy均为侧向应力。
将所述城市管网病害初始样本输入模块中的功能性病害数据输入至所述城市内涝预警模块，获取排水网管功能性病害情况以及对应的洪涝灾害情况；
将所述洪涝灾害情况输入至城市内涝灾损计算模型之中，进而得到相应的区域洪涝灾害损失情况；
所述城市内涝灾损计算模型利用如下公式进行灾损评估：
内涝灾损值＝财产密度(元/km2)*淹没面积(km2)*损失率(％)，
Figure BDA0003644707240000072
其中s为淹没水位高度。
S102、以多目标模块为约束条件，构建地下排水网管养护决策的多目标规划模型；
其中，所述以多目标模块为约束条件包括:所述约束条件包括：经济效益最大、养护成本最低和内涝灾损最小。
其中，所述构建地下排水网管养护决策的多目标规划模型具体包括：
区域经济效益最大化目标函数、区域地下排水管网养护成本最小化目标函数、内涝灾损最小化目标函数。
各量化公式如下：
Figure BDA0003644707240000073
Figure BDA0003644707240000074
Figure BDA0003644707240000075
其中，
Figure BDA0003644707240000076
表示未发生内涝区域i的经济效益，
Figure BDA0003644707240000077
为发生内涝区域j的经济效益，Ck为区域k采取管网养护措施的成本，Pi为区域i的财产密度，Si为区域i的内涝淹没面积，s为淹没水位高度，m为遭受内涝的区域个数，n为未遭受内涝的区域个数，l为采取管网养护措施的区域个数。
S103、根据排水网管功能性病害情况以及区域洪涝灾害损失情况，基于协方差进化和混沌搜索的多目标群搜索算法模块对多目标规划模型进行求解，获取带养护决策标签的排水管网功能性病害情况样本集；
其中，所述基于协方差进化和混沌搜索的多目标群搜索算法模块对多目标规划模型进行求解具体包括：
所述多目标群搜索算法模块模块构建多目标规划模型的协方差矩阵自适应进化策略，然后引入了混沌算子,并利用其更新种群中心的位置，使得种群具备良好的全局搜索能力，进而得到相对准确的求解结果。
多目标群搜索算法模块中的寻优点位由三类构成，即领头者、跟随者和无目标者，领头者的搜索策略如式(1)-(3)，跟随者的搜索策略如式(4)，无目标者的搜索策略如式(5)-(6)。
Figure BDA0003644707240000081
Figure BDA0003644707240000082
Figure BDA0003644707240000083
Figure BDA0003644707240000084
Ri+1＝μ·Ri·(1-Ri) (5)
Ni+1＝Ni+Ri+1·(Ni-ε) (6)
其中，Sc、Sl和Sr分别为领头者搜索域更新后的向前、向左和向右更新目标，
Figure BDA0003644707240000085
为第p个领头者在第i轮搜索时的的起始位置，r1、r2分别为满足标准正态分布的随机数和满足(0，1)均匀分布的随机序列，lmax表示最大搜索距离，
Figure BDA0003644707240000086
为搜索方向，γi表示搜索角度，θmax为最大搜索角度，Fi+1表示跟随者在第i+1轮搜索时的的起始位置，
Figure BDA0003644707240000087
和
Figure BDA0003644707240000088
分别表示第i轮的均值和协方差矩阵，vi为步长，
Figure BDA0003644707240000089
表示一个服从均值为0方差为
Figure BDA00036447072400000810
的协方差矩阵，Ri、Ri+1分别表示第i和i+1轮随机生成序列，μ为控制参数，Ni、Ni+1分别表示无目标者第i和i+1轮的起始位置，ε为Pareto解集中选出的Pareto最优解。
1)每个领头者依据式(1)-(3)执行最优解搜索策略；
2)除领头者外，从搜索种群中选取70％的节点作为跟随者，依据式(4)更新协方差矩阵，确定跟随者的进化路径和更新步长；
3)其他剩余节点为无目标者，执行式(5)和(6)的混沌搜索操作；
4)当更新轮次达到设置阈值M时，生成Pareto最优解集合。
S104、将所述带养护决策标签的排水管网功能性病害情况样本集输入至深度学习模块；
其中，所述深度学习模块的构建过程包括：
输入带管道清淤、除垢标签的管网功能性病害(淤积、结垢)情况训练样本集，并对所述管网功能性病害情况训练样本集进行数据处理，所述数据处理包括：指异常值检测和插值。异常值检测和插值的具体步骤如下：
采用带养护决策标签的管网功能性病害训练样本集的异常值检测算法：
步骤1，带养护决策标签的管网功能性病害训练样本集指标数据p的第k距离dk(p)，其定义为dk(p)＝d(p,o)，这里的距离既可以是时间维度，也可以是空间维度，满足：
(1)在集合中至少有不包括p在内的k个点q∈C{x≠p}，有d(p,q)≤d(p,o)；
(2)在集合中最多有不包括p在内的k-1个点q∈C{x≠p}，有d(p,q)＜d(p,o)；
步骤2，计算带养护决策标签的管网功能性病害训练样本集指标数据p的第k距离领域Nk(p)，满足p的第k领域点的个数Nk(p)≥k；
步骤3，计算带养护决策标签的管网功能性病害训练样本集指标数据o到数据p的第k可达距离为：
dk(p,o)＝max{dk(o),d(p,o)}
步骤4，计算带养护决策标签的管网功能性病害训练样本集指标数据p的局部可达密度：
Figure BDA0003644707240000101
步骤5，计算带养护决策标签的管网功能性病害训练样本集指标数据p的局部异常因子：
Figure BDA0003644707240000102
步骤6，针对含有异常值的样本数据集采用局部异常因子检测算法为每个样本数据计算一个LOF因子。然后，依据计算所得的LOF因子和所设定的阈值判断该样本是否为异常样本，将超过设定阈值的LOF因子所代表的样本归为异常样本，小于阈值的为正常样本。
带养护决策标签的管网功能性病害训练样本集的插值量化方法：
Figure BDA0003644707240000103
Vprac(x0)＝Vfit(x0)+ε(x0)
Figure BDA0003644707240000104
Figure BDA0003644707240000105
VIDS(xi)＝Vfit(xi)+εIDS(xi)
VCK(xi)＝Vfit(xi)+εCK(xi)
其中，Vfit(xi)为去除异常值后的待插值点多元回归拟合值(带养护决策标签的管网功能性病害训练样本集)；Vprac(x0)、Vfit(x0)和ε(x0)分别为已知点位的带养护决策标签的管网功能性病害训练样本集指标数据实际值、多元回归拟合值和残差值；m0、m1、m2、m3、m4和m5分别为常数项和拟合值各项回归系数；λ、
Figure BDA0003644707240000111
t、g和r分别代表管道附近颗粒物浓度、管道水流平均流速、管道平均流量和其他指标因素；Y(xj)为次变量，分别为管道附近颗粒物浓度、管道水流平均流速、管道平均流量和其他指标因素；n和m分别表示插值点位和次变量个数；di为预测指标数据到已知指标数据i的距离；εIDS(xi)、εCK(xi)、VIDS(xi)和VCK(xi)分别为IDS和CK插值后的待估点残差值和相关方法对应的插值。
S105、所述深度学习模块利用带养护决策标签的排水管网功能性病害情况样本集率定损失函数的参数对自身进行反复迭代训练，输出养护决策结果；
其中，所述深度学习模块利用带养护决策标签的排水管网功能性病害情况样本集率定损失函数的参数对自身进行反复迭代训练具体包括：
训练数据集分组输入、分组迭代无监督训练、分组迭代小世界转变和分组迭代有监督学习。
损失函数的参数采用多次迭代获取最小梯度的方法确定，最小梯度的量化公式为
Figure BDA0003644707240000112
其中P为输出管网养护决策结果，I为输入训练数据集。
本发明采用“多目标规划(MOP)+深度学习(DL)+排水管网功能性病害与内涝的水文水动力学耦合关系模型”的地下排水管网养护智能决策体制，充分考虑了地下排水管网功能性病害与内涝水文水动力学耦合关系对排水管网养护决策的影响，同时结合多目标规划、基于协方差进化和混沌搜索的多目标群搜索算法和深度学习反演技术，提高地下排水管网养护智能决策的结果输出效率和准确度。因此，本发明具有预测效率高、精确度高、高可靠性的优点。基于MOP-DL的地下排水管网养护智能决策方法新输出区域排水管网养护策略结果与管网功能性病害输入样本共同构成带标签的样本集，以周期T对深度学习反演进行误差校正。因此，本发明具有智能决策准确率随着迭代次数的增加而逐步提高的优点。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (7)

1.一种基于MOP-DL的地下排水管网养护智能决策方法，其特征在于，包括：
获取排水网管功能性病害情况以及区域洪涝灾害损失情况；
以多目标模块为约束条件，构建地下排水网管养护决策的多目标规划模型；
根据所述排水网管功能性病害情况以及区域洪涝灾害损失情况，基于协方差进化和混沌搜索的多目标群搜索算法模块对多目标规划模型进行求解，获取带养护决策标签的排水管网功能性病害情况样本集；
将所述带养护决策标签的排水管网功能性病害情况样本集输入至深度学习模块；
所述深度学习模块利用带养护决策标签的排水管网功能性病害情况样本集率定损失函数的参数对自身进行反复迭代训练，输出养护决策结果。
2.如权利要求1所述的基于MOP-DL的地下排水管网养护智能决策方法，其特征在于，所述获取排水网管功能性病害情况以及区域洪涝灾害损失情况包括:
将功能性病害数据输入至城市管网病害初始样本输入模块；
根据排水管网功能性病害与内涝的水文水动力学耦合关系模型和PCSWMM模块，构建考虑管道功能性病害与城市内涝偶联影响的城市内涝预警模块；
将所述城市管网病害初始样本输入模块中的功能性病害数据输入至所述城市内涝预警模块，获取排水网管功能性病害情况以及对应的洪涝灾害情况；
将所述洪涝灾害情况输入至城市内涝灾损计算模型之中，进而得到相应的区域洪涝灾害损失情况。
3.如权利要求1所述的基于MOP-DL的地下排水管网养护智能决策方法，其特征在于，所述以多目标模块为约束条件包括:所述约束条件包括：经济效益最大、养护成本最低和内涝灾损最小。
4.如权利要求3所述的基于MOP-DL的地下排水管网养护智能决策方法，其特征在于，所述构建地下排水网管养护决策的多目标规划模型具体包括：
区域经济效益最大化目标函数、区域地下排水管网养护成本最小化目标函数、内涝灾损最小化目标函数；
各量化公式如下：
Figure FDA0003644707230000021
Figure FDA0003644707230000022
Figure FDA0003644707230000023
其中，
Figure FDA0003644707230000024
表示未发生内涝区域i的经济效益，
Figure FDA0003644707230000025
为发生内涝区域j的经济效益，Ck为区域k采取管网养护措施的成本，Pi为区域i的财产密度，Si为区域i的内涝淹没面积，s为淹没水位高度，m为遭受内涝的区域个数，n为未遭受内涝的区域个数，l为采取管网养护措施的区域个数。
5.如权利要求1所述的基于MOP-DL的地下排水管网养护智能决策方法，其特征在于，所述基于协方差进化和混沌搜索的多目标群搜索算法模块对多目标规划模型进行求解具体包括：
所述多目标群搜索算法模块采用构建多目标规划模型的协方差矩阵自适应进化策略，然后引入了混沌算子，并利用其更新种群中心的位置，使得种群具备良好的全局搜索能力，进而得到相对准确的求解结果。
6.如权利要求1所述的基于MOP-DL的地下排水管网养护智能决策方法，其特征在于，所述深度学习模块的构建过程包括：
输入带管道清淤、除垢标签的管网功能性病害情况训练样本集，并对所述管网功能性病害情况训练样本集进行数据处理，所述数据处理包括：指异常值检测和插值。
7.如权利要求1所述的基于MOP-DL的地下排水管网养护智能决策方法，其特征在于，所述深度学习模块利用带养护决策标签的排水管网功能性病害情况样本集率定损失函数的参数对自身进行反复迭代训练具体包括：
所述损失函数的参数采用多次迭代获取最小梯度的方法确定，最小梯度的量化公式为
Figure FDA0003644707230000031
其中，P为输出管网养护决策结果，I为输入训练数据集。
CN202210526503.7A 2022-05-16 2022-05-16 一种基于mop-dl的地下排水管网养护智能决策方法 Pending CN114723336A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210526503.7A CN114723336A (zh) 2022-05-16 2022-05-16 一种基于mop-dl的地下排水管网养护智能决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210526503.7A CN114723336A (zh) 2022-05-16 2022-05-16 一种基于mop-dl的地下排水管网养护智能决策方法

Publications (1)

Publication Number Publication Date
CN114723336A true CN114723336A (zh) 2022-07-08

Family

ID=82230733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210526503.7A Pending CN114723336A (zh) 2022-05-16 2022-05-16 一种基于mop-dl的地下排水管网养护智能决策方法

Country Status (1)

Country Link
CN (1) CN114723336A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702638A (zh) * 2023-05-05 2023-09-05 郑州大学 排水管道淤积病害双层智能诊断方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702638A (zh) * 2023-05-05 2023-09-05 郑州大学 排水管道淤积病害双层智能诊断方法及系统

Similar Documents

Publication Publication Date Title
WO2022193642A1 (zh) 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法
Hakimi-Asiabar et al. Deriving operating policies for multi-objective reservoir systems: application of self-learning genetic algorithm
Ding et al. The use of combined neural networks and genetic algorithms for prediction of river water quality
Nourani et al. Estimation of Suspended Sediment Load Using Artificial Intelligence‐Based Ensemble Model
CN101782743A (zh) 神经网络建模方法及系统
CN117236673B (zh) 城市水网多尺度防洪排涝联合优化调度方法和系统
CN117035201A (zh) 平原河网水工程集群多目标调度规则制定方法及系统
Mohammad-Azari et al. State-of-art of genetic programming applications in water-resources systems analysis
CN114723336A (zh) 一种基于mop-dl的地下排水管网养护智能决策方法
CN113050430A (zh) 一种基于鲁棒强化学习的排水系统控制方法
Rezaei et al. A comparative study of artificial intelligence models for predicting monthly river suspended sediment load
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
CN117669008B (zh) 一种基于深度学习的地基沉降预测方法及系统
Yadav et al. Application of Artificial Neural Network and Genetic Algorithm Based Artificial Neural Network Models for River Flow Prediction.
Sørensen Dynamic positioning control systems for ships and underwater vehicles
CN113626929A (zh) 多阶段多拓扑的船舶交通复杂度度量方法及系统
Wei et al. Comparative Analysis of Artificial Intelligence Methods for Streamflow Forecasting
CN111091234A (zh) 一种基于遗传和神经网络算法的电力市场电价预测方法
KR101859109B1 (ko) 강우예측을 이용한 저영향개발시설의 제어방법
Kadim et al. Optimization of the nonlinear Muskingum model parameters for the river routing, Tigris River a case study
Gao et al. Assessment of water resources carrying capacity using chaotic particle swarm genetic algorithm
Rozlach Data-driven Modelling in River Channel Evolution Rese Artificial Neural Networks Applications
Yu et al. A Deep Learning-Based Multi-model Ensemble Method for Hydrological Forecasting
Niu et al. Artificial intelligence-based response surface progressive optimality algorithm for operation optimization of multiple hydropower reservoirs
CN117390842B (zh) 一种基于贝叶斯优化框架的排水管网模型自动率定方法

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