CN115031776A - 一种排水管网淤积监测分析的方法 - Google Patents
一种排水管网淤积监测分析的方法 Download PDFInfo
- Publication number
- CN115031776A CN115031776A CN202210517426.9A CN202210517426A CN115031776A CN 115031776 A CN115031776 A CN 115031776A CN 202210517426 A CN202210517426 A CN 202210517426A CN 115031776 A CN115031776 A CN 115031776A
- Authority
- CN
- China
- Prior art keywords
- liquid level
- pipe network
- degree
- predicted
- analyzing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 239000007788 liquid Substances 0.000 claims abstract description 92
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000011144 upstream manufacturing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000005086 pumping Methods 0.000 claims 2
- 238000004062 sedimentation Methods 0.000 abstract description 15
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 24
- 239000010802 sludge Substances 0.000 description 9
- 230000008021 deposition Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
-
- 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)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Sewage (AREA)
Abstract
本发明公开了一种排水管网淤积监测分析的方法,包括以下步骤:S1:选取样本数据,对样本数据进行异常值处理,将样本数据转化为无量纲数值;S2:基于无量纲数值,采用异构并行架构,构建并训练门循环单元模型得到预测液位;S3:分析预测液位和真实液位的均方误差和拟合度,得到预测液位精度,预测液位精度满足要求,实时监测真实液位;S4:基于真实液位和预测液位的偏差程度,判断淤积程度并归类。本发明的有益效果是:能通过泵站流量数据和雨量数据实现在线检测和分析管网的淤积程度。
Description
技术领域
本发明涉及排水管检测技术领域,特别涉及一种排水管网淤积监测分析的方法。
背景技术
目前,排水管道系统由于规划、设计、施工、运维等各方面的原因,时常会出现管道淤积、堵塞等问题,导致管道过流能力低下的现象,严重影响了排水管道的正常运行,诱发降雨期间路面积水、城市内涝等问题灾害,给城市的交通和市民的正常生活带来极大不便。由于城市排水过程的复杂性和不可见性,对城市排水系统需要有一套规划合理、动态监测、实时管理的一体化系统。但是目前城市管网的基础数据很难支撑传统机理模型的构建,埋深、坐标、管径、高程、点号等GIS数据存在严重质量问题。
现有技术中,淤积物监测装置,通常包括图像采集装置及图像识别装置,用带有摄像头的图像采集装置连接图像识别装置,用于采集管网内淤积物的图像,根据管网内淤积物的图像识别淤积物高度,从而判断管网的淤积程度。
例如,一种在中国专利文献上公开的“淤积物监测装置及淤积物监测方法”,其公告号:CN113091847A,其申请日:2021年04月08日,该发明通过少数摄像头采集沉淀池内淤积物的图像,并利用上述图像进行识别得到淤积物高度,观测数据直观、操作简单,不用结合大量的数据计算,无需过多获取数据及过多占用计算机内存,观测数据准确且可移植性较高,但是存在不能通过泵站流量数据和雨量数据实现在线检测和分析管网的淤积程度的问题。
发明内容
针对现有技术不能通过泵站流量数据和雨量数据实现在线检测和分析管网的淤积程度的不足,本发明提出了一种排水管网淤积监测分析的方法,能通过泵站流量数据和雨量数据实现在线检测和分析管网的淤积程度。
以下是本发明的技术方案,一种排水管网淤积监测分析的方法,包括以下步骤:
S1:选取样本数据,对所述样本数据进行异常值处理,将所述样本数据转化为无量纲数值;
S2:基于所述无量纲数值,采用异构并行架构,构建并训练门循环单元模型得到预测液位;
S3:分析所述预测液位和真实液位的均方误差和拟合度,得到预测液位精度,所述预测液位精度满足要求,实时监测真实液位;
S4:基于所述真实液位和预测液位的偏差程度,判断淤积程度并归类。
本方案中,选取样本数据,用于建立模型分析淤积程度,对所述样本数据进行异常值处理,避免异常数据影响模型结果,将所述样本数据转化为无量纲数值,便于模型计算,基于所述无量纲数值,采用异构并行架构,提高运算速度,实现在线监测,构建并训练门循环单元模型得到预测液位,通过模型得出预测液位,便于与真实液位进行比较,分析所述预测液位和真实液位的均方误差和拟合度,通过均方误差和拟合度比较预测液位和真实液位的精度,判断模型结果是否具有准确性,得到预测液位精度,所述预测液位精度满足要求,实时监测真实液位,满足预测液位精度满足要求时实时监测真实液位,便于比较真实液位和预测液位的偏差,基于所述真实液位和预测液位的偏差程度,判断淤积程度并归类,通过泵站流量数据和雨量数据实现在线检测和分析管网的淤积程度。
作为优选,所述样本数据包括上游泵站流量数据、下游泵站流量数据、管网液位计和雨量数据,异常值处理的方式包括异常值去除和插值。
本方案中,所述样本数据包括上游泵站流量数据、下游泵站流量数据、管网液位计和雨量数据,这些数据相较于传统的管网内部数据更容易获取,降低数据获取的难度,异常值处理的方式包括异常值去除和插值,由于仪器等因素,可能导致液位数据突增突减,存在类似“尖刺”的异常值和故障产生的缺失值,需对样本数据进行异常值去除和插值,提高样本数据的有效性。
作为优选,所述样本数据转化为无量纲数值,无量纲数值处于同一特性区间,算式如下:
式中,x′i为xi的无量纲数值,xi为样本数值,xmin为样本最小值,xmax为样本最大值。
本方案中,由于不同维度数据单位之间不统一,将样本数据进行标准化处理。具体方式是将样本数据按比例缩放,使之落入一个特性区间,去除数据单位的限制,转化为无量纲的数值,便于不同量级的指标能够进行比较和加权。
作为优选,构建所述门循环单元模型包括以下步骤:
S21:设置激活函数和转换函数;
S22:基于所述激活函数,设置重置函数和更新函数;
S23:基于所述转换函数和重置函数,设置候选函数;
S24:基于所述更新函数和候选函数,构建目标状态值模型。
本方案中,通过门循环单元模型求解得到目标状态值(预测液位),用于后续与真实液位的比较,从而判断管网的淤积程度。
作为优选,所述门循环单元模型输入值为雨量时间序列、上游泵站流量序列和下游泵站流量序列,序列长度为4小时,采样频率为5分钟/个;隐藏层的隐层节点数为输入节点的1.5倍。
本方案中,所述门循环单元模型输入值为雨量时间序列、上游泵站流量序列和下游泵站流量序列,序列长度为4小时,采样频率为5分钟/个,通过目标序列长度和采样频率将输入值提取若干个输入值,用于门循环单元模型训练计算,隐藏层的隐层节点数为输入节点的1.5倍,隐层节点数过少,模型不具备必要的学习能力和信息处理能力;反之,会大大增加网络结构的复杂性,模型在学习过程中会陷入局部极小点,并且学习速度也会变得很慢,提高门循环单元模型学习速度。
作为优选,满足预测液位精度要求的判定条件为:所述均方误差小于0.001且趋于稳定,且所述拟合度精度为95%及以上。
作为优选,步骤S3还包括:预测液位精度未满足精度要求,优化门循环单元模型参数,重新训练门循环单元模型得到新预测液位。
作为优选,所述偏差程度越大,管网的淤积越多,基于偏差程度、管网容量和管网面积对淤积程度进行分类。
本发明的有益效果是:通过泵站流量数据和雨量数据实现在线检测和分析管网的淤积程度。
附图说明
图1本发明一种排水管网淤积监测分析的方法的流程图。
图2本发明一种排水管网淤积监测分析的方法的管网淤积监测分析流程图。
图3本发明一种排水管网淤积监测分析的方法的GRU网络训练损失函数图。
图4本发明一种排水管网淤积监测分析的方法的未淤积时模型预测液位和真实液位对比图。
图5本发明一种排水管网淤积监测分析的方法的淤积时模型预测液位和真实液位对比图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:如图1和图2所示,一种排水管网淤积监测分析的方法,包括以下步骤:
S1:选取样本数据,对样本数据进行异常值处理,将样本数据转化为无量纲数值。
S2:基于无量纲数值,采用异构并行架构,构建并训练门循环单元模型得到预测液位。
S3:分析预测液位和真实液位的均方误差和拟合度,得到预测液位精度,预测液位精度满足要求,实时监测真实液位。
S4:基于真实液位和预测液位的偏差程度,判断淤积程度并归类。
S1:选取样本数据,对样本数据进行异常值处理,将样本数据转化为无量纲的数值。
选取某城市10公里管网系统作为试验区,该试验区地势较平坦,采用雨污分流模式,主管段管径均大于DN300,管道内流速较低,共13个液位监测点,3个泵站流量计,长期运行后,管网淤积情况严重。
获取样本数据,样本数据包括上游泵站流量数据、下游泵站流量数据、管网液位计和雨量数据,根据管网清淤历史记录,选择特定时段的样本数据作为样本进行训练。由于仪器等因素,可能导致液位数据突增突减,存在类似“尖刺”的异常值和故障产生的缺失值,需对样本数据进行异常值去除和插值。
由于不同维度数据单位之间不统一,将样本数据进行标准化处理。具体方式是将样本数据按比例缩放,使之落入一个特性区间,去除数据单位的限制,转化为无量纲的数值,便于不同量级的指标能够进行比较和加权,算式如下:
式中,x′i为xi的无量纲数值,xi为样本数值,xmin为样本最小值,xmax为样本最大值。
S2:基于无量纲数值,采用异构并行架构,构建并训练门循环单元模型得到预测液位。
基于处理后的样本数据,通过门循环单元(GRU,GateRecurrentUnit)模型进行求解。GRU输入为当前时刻的输入值xt,和上一节点传递下来的隐层状态值ht-1,这个隐藏层状态包含了t-1时刻节点的相关信息。
S21:设置激活函数σ(x),通过这个函数可以将数据变换为0-1范围内的数值,其算式如下:
设置转换函数tanh(x),目的是将数据放缩到的范围-1至1内,其算式如下:
S22:设置重置函数rt,控制前一状态有多少信息被写入到当前的候选隐藏层上,rt越小,前一状态的信息被写入的越少。设置更新函数zt,用于控制前一时刻的状态信息被带入到当前状态中的程度,zt的值越大说明前一时刻的状态信息带入越多。重置函数rt和更新函数zt的算式如下:
rt=σ(W1·xt+W2ht-1+b1);
zt=σ(W3·xt+W4ht-1+b2);
式中,rt为重置函数,zt为遗忘函数,W1,W2,W3,W4为权重矩阵,初始可全为0或随机数,xt为t时刻节点输入值,ht-1为t-1时刻的状态值,b1,b2为补偿常数。
S23:设置候选函数h′,其算式如下:
h′=tanh(W5·xt+rt·W6·ht-1);
式中,h′为候选函数,tanh为转换函数,xt为t时刻节点输入值,ht-1为t-1时刻的状态值,W5,W6为权重矩阵,初始可全为0或随机数,rt为重置函数。
当rt趋近于零的时候,模型会把过去隐藏信息丢弃,只留下当前输入的信息。当rt趋近于1的时候,认为过去的信息都有作用,并将其添加到当前信息中。
S24:根据上述的算式,t时刻的目标状态值ht的算式如下:
ht=(1-zt)·ht-1+zt·h′;
式中,ht为t时刻的目标状态值,zt为更新函数,ht-1为t-1时刻的状态值,h′为候选函数。
1-zt表示遗忘程度,(1-zt)·ht-1表示遗忘后t-1时刻的记忆,对原本隐藏状态进行选择性遗忘之后的结果),zt·h′表示对原本隐藏状态进行选择性记忆之后的结果。
GRU输入层的输入值xt为雨量时间序列、上游泵站流量序列和下游泵站流量序列,序列长度为4小时,采样频率为5分钟/个。
GRU隐藏层把输入数据的特征,抽象到另一个维度空间,来展现其更抽象化的特征,抽象化的特征能更好的进行线性划分。隐层节点数过少,模型不具备必要的学习能力和信息处理能力;反之,会大大增加网络结构的复杂性,模型在学习过程中会陷入局部极小点,并且学习速度也会变得很慢。隐藏层的隐层节点数为输入节点的1.5倍。
GRU输出层输出最后结果,对应管网液位计未来2h的液位预测结果,间隔为5min/个。
S3:分析预测液位和真实液位的均方误差和拟合度,得到预测液位精度。
模型训练的目标是最小化训练集和测试集的误差,即预测液位(predicted)和真实液位(observed)之间的最小偏差,采用均方误差(MSE)作为模型精度的评价指标。均方误差的计算算式如下:
式中,MSE为均方误差,observedt为t时刻的真实液位,predictedt为t时刻的预测液位,N为样本数量。
因为模型需要在极短的时间内完成各种响应,对于具有成千上万节点的大规模管网模型来说,向量和矩阵的运算是最耗时的步骤,为了解决这一难点,采用异构并行架构CPU-GPU。由于GPU独有的结构,在矩阵运算、数值计算方面具有极大优势,特别是浮点和并行计算上能优于CPU的数十数百倍的性能,为管网淤积的在线检测和实时分析奠定了坚实的基础。
如图3所示,训练集和测试集均方误差均小于0.001,模型在训练150次以后趋于稳定。
如图4所示,输出预测液位与真实液位拟合度非常高,其精度达95%,获得了流量与液位之间的强相关性曲线。
若预测液位精度满足要求,实时监测真实液位,用于实时监测判断是否存在淤积;若预测液位精度未满足精度要求,优化GRU模型参数,重新训练GRU模型的到精度更高的预测液位。
S4:基于真实液位和预测液位的偏差程度,判断淤积程度并归类。
如图5所示,模型对连续运行了一段时间的管网进行了跟踪分析,选取了其中一个管网液位计进行效果展示,预测液位与真实液位有十分相似的趋势性。由于预测液位是基于未淤积时的数据进行学习预测,真实液位是在真实工况过程中缓慢淤积,两者出现了明显的偏差,即管网已经存在一定程度的淤积,说明偏差程度越大,管网的淤积越多,且淤积程度可以按照偏差程度进行归类,归类方法依据于偏差程度、管网容量和管网面积。
本实施方案中,采用的数据为上游泵站流量数据、下游泵站流量数据、管网液位计和雨量数据,不需要通过在管网中安装传感器等装置获取实验数据,降低了数据获取难度;通过异构并行架构,提高运行速度从而实现在线检测和实时分析;根据真实液位和预测液位的偏差程度判定管网的淤积程度,具有高效性和精准性。
Claims (8)
1.一种排水管网淤积监测分析的方法,其特征在于,包括以下步骤:
S1:选取样本数据,对所述样本数据进行异常值处理,将所述样本数据转化为无量纲数值;
S2:基于所述无量纲数值,采用异构并行架构,构建并训练门循环单元模型得到预测液位;
S3:分析所述预测液位和真实液位的均方误差和拟合度,得到预测液位精度,所述预测液位精度满足要求,实时监测真实液位;
S4:基于所述真实液位和预测液位的偏差程度,判断淤积程度并归类。
2.根据权利要求1所述的一种排水管网淤积监测分析的方法,其特征在于,所述样本数据包括上游泵站流量数据、下游泵站流量数据、管网液位计和雨量数据,异常值处理的方式包括异常值去除和插值。
4.根据权利要求1所述的一种排水管网淤积监测分析的方法,其特征在于,构建所述门循环单元模型包括以下步骤:
S21:设置激活函数和转换函数;
S22:基于所述激活函数,设置重置函数和更新函数;
S23:基于所述转换函数和重置函数,设置候选函数;
S24:基于所述更新函数和候选函数,构建目标状态值模型。
5.根据权利要求1所述的一种排水管网淤积监测分析的方法,其特征在于,所述门循环单元模型输入值为雨量时间序列、上游泵站流量序列和下游泵站流量序列,序列长度为4小时,采样频率为5分钟/个;隐藏层的隐层节点数为输入节点的1.5倍。
6.根据权利要求1所述的一种排水管网淤积监测分析的方法,其特征在于,满足预测液位精度要求的判定条件为:所述均方误差小于0.001且趋于稳定,且所述拟合度精度为95%及以上。
7.根据权利要求1所述的一种排水管网淤积监测分析的方法,其特征在于,步骤S3还包括:预测液位精度未满足精度要求,优化门循环单元模型参数,重新训练门循环单元模型得到新预测液位。
8.根据权利要求1所述的一种排水管网淤积监测分析的方法,其特征在于,所述偏差程度越大,管网的淤积越多,基于偏差程度、管网容量和管网面积对淤积程度进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210517426.9A CN115031776A (zh) | 2022-05-12 | 2022-05-12 | 一种排水管网淤积监测分析的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210517426.9A CN115031776A (zh) | 2022-05-12 | 2022-05-12 | 一种排水管网淤积监测分析的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115031776A true CN115031776A (zh) | 2022-09-09 |
Family
ID=83121643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210517426.9A Pending CN115031776A (zh) | 2022-05-12 | 2022-05-12 | 一种排水管网淤积监测分析的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115031776A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821845A (zh) * | 2023-06-20 | 2023-09-29 | 郑州大学 | 基于多传感器数据融合的管道淤积情况诊断方法及装置 |
CN116976046A (zh) * | 2023-06-12 | 2023-10-31 | 中国建筑第四工程局有限公司 | 基于管网追踪的污水监控方法及系统 |
CN117252449A (zh) * | 2023-11-20 | 2023-12-19 | 水润天府新材料有限公司 | 一种全透式排水低噪路面施工工艺及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016036946A1 (en) * | 2014-09-03 | 2016-03-10 | Cerebrotech Medical Systems, Inc. | Detection and analysis of spatially varying fluid levels using magnetic signals |
CN108051035A (zh) * | 2017-10-24 | 2018-05-18 | 清华大学 | 基于门控循环单元的神经网络模型的管网漏损识别方法 |
WO2018138786A1 (ja) * | 2017-01-24 | 2018-08-02 | 富士通株式会社 | 予兆検知方法、予兆検知システム、及び予兆検知プログラム |
CN109948863A (zh) * | 2019-03-28 | 2019-06-28 | 杭州电子科技大学 | 基于长短期记忆模型lstm的排水管网窨井液位预测方法 |
CN110929359A (zh) * | 2019-11-20 | 2020-03-27 | 合肥泽众城市智能科技有限公司 | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 |
CN111222698A (zh) * | 2020-01-06 | 2020-06-02 | 重庆邮电大学 | 面向物联网的基于长短时记忆网络的积水水位预测方法 |
CN112561118A (zh) * | 2020-10-29 | 2021-03-26 | 北京水慧智能科技有限责任公司 | 一种基于gru神经网络的市政管网水流量预测方法 |
CN114021836A (zh) * | 2021-11-16 | 2022-02-08 | 电子科技大学 | 基于不同角度融合的多变量水库入水量预测系统、训练方法及应用 |
-
2022
- 2022-05-12 CN CN202210517426.9A patent/CN115031776A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016036946A1 (en) * | 2014-09-03 | 2016-03-10 | Cerebrotech Medical Systems, Inc. | Detection and analysis of spatially varying fluid levels using magnetic signals |
WO2018138786A1 (ja) * | 2017-01-24 | 2018-08-02 | 富士通株式会社 | 予兆検知方法、予兆検知システム、及び予兆検知プログラム |
CN108051035A (zh) * | 2017-10-24 | 2018-05-18 | 清华大学 | 基于门控循环单元的神经网络模型的管网漏损识别方法 |
CN109948863A (zh) * | 2019-03-28 | 2019-06-28 | 杭州电子科技大学 | 基于长短期记忆模型lstm的排水管网窨井液位预测方法 |
CN110929359A (zh) * | 2019-11-20 | 2020-03-27 | 合肥泽众城市智能科技有限公司 | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 |
CN111222698A (zh) * | 2020-01-06 | 2020-06-02 | 重庆邮电大学 | 面向物联网的基于长短时记忆网络的积水水位预测方法 |
CN112561118A (zh) * | 2020-10-29 | 2021-03-26 | 北京水慧智能科技有限责任公司 | 一种基于gru神经网络的市政管网水流量预测方法 |
CN114021836A (zh) * | 2021-11-16 | 2022-02-08 | 电子科技大学 | 基于不同角度融合的多变量水库入水量预测系统、训练方法及应用 |
Non-Patent Citations (1)
Title |
---|
汤舒: "东濠涌深隧排水系统内涝监测与控制优化研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2, 15 February 2018 (2018-02-15), pages 47 - 55 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976046A (zh) * | 2023-06-12 | 2023-10-31 | 中国建筑第四工程局有限公司 | 基于管网追踪的污水监控方法及系统 |
CN116976046B (zh) * | 2023-06-12 | 2024-04-05 | 中国建筑第四工程局有限公司 | 基于管网追踪的污水监控方法及系统 |
CN116821845A (zh) * | 2023-06-20 | 2023-09-29 | 郑州大学 | 基于多传感器数据融合的管道淤积情况诊断方法及装置 |
CN117252449A (zh) * | 2023-11-20 | 2023-12-19 | 水润天府新材料有限公司 | 一种全透式排水低噪路面施工工艺及系统 |
CN117252449B (zh) * | 2023-11-20 | 2024-01-30 | 水润天府新材料有限公司 | 一种全透式排水低噪路面施工工艺及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115031776A (zh) | 一种排水管网淤积监测分析的方法 | |
Chen et al. | The retrieval of intra-day trend and its influence on traffic prediction | |
CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
Shu et al. | A multi-task learning-based automatic blind identification procedure for operational modal analysis | |
CN114673246B (zh) | 一种污水管道防堵塞测量方法及其测量系统 | |
CN114565124A (zh) | 一种基于改进图卷积神经网络的船舶交通流预测方法 | |
CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
CN113240211B (zh) | 废水排放预测方法、装置、计算机设备和存储介质 | |
CN117540329B (zh) | 基于机器学习的排水管网缺陷在线预警方法及系统 | |
CN113468473B (zh) | 户外固定大型机械设备的运行状态实时评估方法及系统 | |
CN117688464B (zh) | 一种基于多源传感器数据的隐患分析方法及系统 | |
CN115270372A (zh) | 一种基于深度序列模型的排水管网淤积判断方法 | |
CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 | |
Doğan | Short-term traffic flow prediction using artificial intelligence with periodic clustering and elected set | |
CN112201036B (zh) | 一种基于Inception-CNN的城市快速路行程速度短时预测方法 | |
CN117192063A (zh) | 基于耦合卡尔曼滤波数据同化的水质预测方法及系统 | |
CN116186547B (zh) | 一种环境水务监测采样异常数据快速识别方法 | |
CN101872482A (zh) | 一种基于免疫遗传粒子滤波的智能视频跟踪方法 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN116663126A (zh) | 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法 | |
CN116738822A (zh) | 一种基于LightGBM的排水管道最大腐蚀深度预测方法 | |
CN113420925A (zh) | 一种基于朴素贝叶斯的交通健康预测方法及系统 | |
CN113469228A (zh) | 一种基于数据流时空特征的电力负荷异常值辨识方法 | |
JP5032445B2 (ja) | 不明水量予測装置及び不明水予測システム |
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 |