CN115081095B - 一种基于人工智能的排水系统 - Google Patents
一种基于人工智能的排水系统 Download PDFInfo
- Publication number
- CN115081095B CN115081095B CN202210993282.4A CN202210993282A CN115081095B CN 115081095 B CN115081095 B CN 115081095B CN 202210993282 A CN202210993282 A CN 202210993282A CN 115081095 B CN115081095 B CN 115081095B
- Authority
- CN
- China
- Prior art keywords
- drainage
- node
- data
- attenuation
- model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- E—FIXED CONSTRUCTIONS
- E03—WATER SUPPLY; SEWERAGE
- E03F—SEWERS; CESSPOOLS
- E03F1/00—Methods, systems, or installations for draining-off sewage or storm water
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Computational Mathematics (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Mathematical Physics (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的排水系统,涉及城市排水技术领域,解决了现有技术通过水力模型来模拟评价排水系统,没有设置应急处理措施,一旦实际条件与模拟条件相差较大时,容易造成城市排水故障的技术问题;本发明确定二维水力模型中的关键节点,结合衰减天气数组构建各关键节点的节点衰减模型,根据节点衰减模型能够获取目标天气数据下关键节点的实时衰减值,进而规划排路径,能够提高排水控制的准确性,避免发生排水故障;本发明通过不规律的动态天气数据模拟确定若干关键节点,以及根据规律的衰减天气数组来训练获取关键节点对应的节点衰减模型,保证了关键节点选取的准确性以及关键节点实时衰减值的准确性,为智能排水控制提供数据基础。
Description
技术领域
本发明属于城市排水领域,涉及一种基于人工智能的排水技术,具体是一种基于人工智能的排水系统。
背景技术
城市排水系统保障着社区生活废水和自然降水的排放,是维护城市运行的重要基础设施;一旦排水管道负荷过大或者发生故障,会导致路面积水、地库积水,甚至是反流倒灌,严重影响市民的正常生活。
现有技术(公开号为CN108319758A的发明专利申请)公开了一种基于水力模型的城市下穿地道排水系统优化设计方法,构建了高区DEM模型和低区DEM模型,并建立不同工况的二维水力模型,结合对进水出路的安全评价进行地道排水系统优化设计;现有技术通过水力模型来模拟评价排水系统,没有设置应急处理措施,一旦实际条件与模拟条件相差较大时,容易造成城市排水故障;因此,亟须一种基于人工智能的排水系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一;为此,本发明提出了一种基于人工智能的排水系统,用于解决现有技术通过水力模型来模拟评价排水系统,没有设置应急处理措施,一旦实际条件与模拟条件相差较大时,容易造成城市排水故障的技术问题。
为实现上述目的,本发明的第一方面提供了一种基于人工智能的排水系统,包括中枢分析模块,以及与之相连接的执行控制模块和数据采集设备,且执行控制模块与若干排水控制设备相连接;
通过数据采集设备周期性采集获取基础建模数据,并将基础建模数据转发至中枢分析模块;其中,基础建模数据包括静态设备数据和动态天气数据;
中枢分析模块构建高区DEM模型和低区DEM模型,结合静态设备数据构建二维水力模型;以及利用动态天气数据对二维水力模型进行全流程模拟确定若干关键节点;并根据模拟过程获取若干关键节点的节点衰减模型;
通过目标天气数据对二维水力模型进行模拟,结合节点衰减模型确定各关键节点的实时衰减值;基于实时衰减值和节点衰减阈值规划排水路径,且执行控制模块结合排水路径智能控制若干排水控制设备。
优选的,所述中枢分析模块分别与执行控制模块和数据采集设备通信和/或电气连接;其中,数据采集设备包括摄像头以及各类型传感器;
所述中枢分析模块发送控制信号至所述执行控制模块,所述执行控制模块对若干排水控制设备进行智能控制;其中,排水控制设备包括闸门和泵站。
优选的,在接收所述基础建模数据之后,所述中枢分析模块基于所述静态设备数据构建生成所述二维水力模型,包括:
确定目标区域;其中,目标区域为基础建模数据对应的区域;
将所述目标区域划分获取高区排水和低区汇水面积,并构建高区DEM模型和低区DEM模型;
基于所述静态设备数据构建所述二维水力模型;其中,静态设备数据包括管道GIS数据、泵站数量以及泵站位置。
优选的,在所述二维水力模型构建完成之后,所述中枢分析模块根据动态天气数据对所述二维水力模型进行模拟,确定若干所述关键节点,包括:
通过数据采集设备获取目标区域的所述动态天气数据;其中,动态天气数据包括温度、湿度、降水量和降雪量;
根据所述动态天气数据模拟所述目标区域中的天气环境,在模拟过程中分析所述二维水力模型的运行状态,分析各排水节点的排水流量确定若干所述关键节点。
优选的,对各所述排水节点的排水流量进行分析,根据分析结果确定若干所述关键节点,包括:
确定所述二维水力模型中的排水节点;其中,排水节点为管道弯曲处或者管道交汇处;在模拟过程中获取各所述排水节点的排水流量,建立以排水流量为因变量的流量变化曲线,标记F(t);其中,t为排水流量采集时间;
优选的,在确定若干所述关键节点之后,通过设置的衰减天气数组对所述二维水力模型进行模拟,提取各所述关键节点对应的节点衰减模型,包括:
设置所述衰减天气数组;
基于所述衰减天气数组模拟所述二维水力模型的运行,并时刻记录各关键节点的强度衰减值;基于强度衰减值的变化建立所述节点衰减模型。
优选的,通过所述目标天气数据对所述二维水力模型进行模拟,并确定各所述关键节点的实时衰减值,包括:
获取所述目标天气数据;其中,目标天气数据包括当前天气数据或者预测天气数据;
确定各所述关键节点的当前衰减值,结合所述节点衰减模型以及所述目标天气数据获取对应关键节点的实时衰减值。
优选的,当所述关键节点对应的所述实时衰减值小于等于节点衰减阈值时,则判断该关键节点无法继续进行排水任务;以及
结合该关键节点周边的所述排水节点规划排水路径,并通过所述执行控制模块根据所述排水路径控制若干所述排水控制设备。
与现有技术相比,本发明的有益效果是:
1.本发明通过基础建模数据构建二维水力模型,确定二维水力模型中的关键节点,并结合衰减天气数组构建各关键节点的节点衰减模型,根据节点衰减模型能够获取目标天气数据下关键节点的实时衰减值,进而规划排路径,能够提高排水控制的准确性,避免发生排水故障。
2.本发明通过不规律的动态天气数据模拟确定若干关键节点,以及根据规律的衰减天气数组来训练获取关键节点对应的节点衰减模型,保证了关键节点选取的准确性以及关键节点实时衰减值的准确性,为智能排水控制提供数据基础。
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为本发明的工作步骤示意图;
图2为本发明的系统原理示意图。
具体实施方式
下面将结合实施例对本发明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它实施例,都属于本发明保护的范围。
请参阅图1-图2,本发明第一方面实施例提供了一种基于人工智能的排水系统,包括中枢分析模块,以及与之相连接的执行控制模块和数据采集设备,且执行控制模块与若干排水控制设备相连接;
通过数据采集设备周期性采集获取基础建模数据,并将基础建模数据转发至中枢分析模块;其中,基础建模数据包括静态设备数据和动态天气数据;
中枢分析模块构建高区DEM模型和低区DEM模型,结合静态设备数据构建二维水力模型;以及利用动态天气数据对二维水力模型进行全流程模拟确定若干关键节点;并根据模拟过程获取若干关键节点的节点衰减模型;
通过目标天气数据对二维水力模型进行模拟,结合节点衰减模型确定各关键节点的实时衰减值;基于实时衰减值和节点衰减阈值规划排水路径,且执行控制模块结合排水路径智能控制若干排水控制设备。
现有技术通过水力模型模拟评价排水系统,也就是模拟各进水出口是否安全,模拟过程中的模拟条件与实际条件存在较大差别,其安全评价的准确性无法保证,而且没有设置合理的应急措施,容易造成城市排水故障。
本发明申请通过基础建模数据构建二维水力模型,确定二维水力模型中的关键节点,并结合衰减天气数组构建各关键节点的节点衰减模型,根据节点衰减模型能够获取目标天气数据下关键节点的实时衰减值,进而规划排路径,能够提高排水控制的准确性,避免发生排水故障。
本发明申请中中枢分析模块分别与执行控制模块和数据采集设备通信和/或电气连接;中枢分析模块发送控制信号至执行控制模块,执行控制模块对若干排水控制设备进行智能控制;其中,排水控制设备包括闸门和泵站。
中枢分析模块主要通过数据采集设备采集相关数据,并根据相关数据建立二维水力模型以及节点衰减模型;数据采集设备包括摄像头、各类型传感器等,传感器包括温度传感器、湿度传感器等;执行控制模块则主要根据控制信号对排水控制设备进行智能控制,如控制若干闸口来控制排水路径。
通过数据采集设备周期性采集获取基础建模数据,并将基础建模数据转发至中枢分析模块;基础建模数据包括静态设备数据和动态天气数据;静态设备数据包括管道GIS数据、各闸口和各泵站的位置等,一旦静态设备数据更新,数据采集设备则应进行采集转发;动态天气数据则是指目标区域的天气数据,为了保证各模型建立的准确性,动态天气数据覆盖周期应尽可能长。
本发明申请在接收基础建模数据之后,中枢分析模块基于静态设备数据构建生成二维水力模型,包括:
确定目标区域;将目标区域划分获取高区排水和低区汇水面积,并构建高区DEM模型和低区DEM模型;基于静态设备数据构建二维水力模型;其中,静态设备数据包括管道GIS数据、泵站数量以及泵站位置。
目标区域为基础建模数据对应的区域,即需要对某城市的排水进行智能控制时,则该城市就是目标区域;中枢分析模块根据静态设备数据建立二维水力模型可参考公开号为CN108319758A的发明专利申请和CN108846170A的发明专利申请。
本发明申请中在二维水力模型构建完成之后,中枢分析模块根据动态天气数据对二维水力模型进行模拟,确定若干关键节点,包括:
通过数据采集设备获取目标区域的动态天气数据;根据动态天气数据模拟目标区域中的天气环境,在模拟过程中分析二维水力模型的运行状态,分析各排水节点的排水流量确定若干关键节点。
动态天气数据包括温度、湿度、降水量和降雪量;动态天气数据的覆盖周期越长和因素越多,越能够获取准确的关键节点,也就是说如果动态天气数据包括一年365天的天气数据时,则可以对二维水力模型进行365次模拟,然后根据各排水节点的排水流量来确定关键节点。
本发明申请中对各排水节点的排水流量进行分析,根据分析结果确定若干关键节点,包括:
确定二维水力模型中的排水节点;在模拟过程中获取各排水节点的排水流量,建立以排水流量为因变量的流量变化曲线,标记F(t);当存在F(t)>LPY时,通过公式JPX=获取节点评估系数JPX;根据节点评估系数JPX与节点评估阈值的对比确定关键节点。
通过动态天气数据进行模拟,突出的是不规律性,因为动态天气数据是目标区域中的历史天气数据,每天、每年都存在唯一性,因此确定的关键节点更加具有说服力。
排水节点为管道弯曲处、管道交汇处或者是排水控制设备,排水节点主要是在城市排水过程中容易受到冲击的点,也就是容易发生异常的点;然后记录模拟过程中排水节点的排水流量,理论上每次模拟都需要建立流量变化曲线,也就是说每次模拟均对应一个节点评估系数。
t为排水流量采集时间,以采集时间为自变量,排水流量作为因变量可以获取每次模拟的流量变化曲线;当流量变化曲线中的排水流量一直小于节点流量评估阈值LPY(根据经验设定)时,则该排水节点的排水流量不会对其产生影响。当流量变化曲线中的排水流量并非一直小于节点流量评估阈值LPY时,则计算其节点评估系数,当节点评估系数大于节点评估阈值时,则说明该排水节点容易受到排水流量的影响;在若干次模拟中,若半数或者设定比例以上的次数存在节点评估系数大于节点评估阈值时,则将该排水节点作为关键节点。
本发明申请在确定若干关键节点之后,通过设置的衰减天气数组对二维水力模型进行模拟,提取各关键节点对应的节点衰减模型,包括:
设置衰减天气数组;基于衰减天气数组模拟二维水力模型的运行,并时刻记录各关键节点的强度衰减值;基于强度衰减值的变化建立节点衰减模型。
与动态天气数据相比,衰减天气数组具有一定的规律,其中各衰减天气数据的温度、湿度、降雨量等之间均是阶梯性变化,主要用于模拟各关键节点在各种环境下的强度衰减。
将关键节点的相关参数(年限、材料等)与一条衰减天气数据拼接成一条标准输入数据,将对应的强度衰减值作为标准输入数据;通过若干标准输入数据和对应的若干标准输出数据来训练人工智能模型(深度卷积神经网络模型和RBF神经网络模型),获取对应的节点衰减模型。
本发明申请通过目标天气数据对二维水力模型进行模拟,并确定各关键节点的实时衰减值,包括:
获取目标天气数据;确定各关键节点的当前衰减值,结合节点衰减模型以及目标天气数据获取对应关键节点的实时衰减值。
目标天气数据包括当前天气数据或者预测天气数据,将目标天气数据与关键节点当前的相关参数组成模型输入数据,通过对应的节点衰减模型获取对应的强度衰减值,结合当前衰减值可以获取经过目标天气数据冲击之后该关键节点的实时衰减值。
本发明申请中当关键节点对应的实时衰减值小于等于节点衰减阈值时,则判断该关键节点无法继续进行排水任务;以及结合该关键节点周边的排水节点规划排水路径,并通过执行控制模块根据排水路径控制若干排水控制设备。
当实时衰减值小于等于对应的节点衰减阈值时,则说明该关键节点发生故障的概率较大,则通过与其相邻的排水控制设备来缓解其排水任务,也就是合理规划排水路径,并通过执行控制模块按照排水路径来控制排水控制设备。
上述公式中的部分数据均是去除量纲取其数值计算,公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式;公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理:
中枢分析模块构建高区DEM模型和低区DEM模型,结合静态设备数据构建二维水力模型。
利用动态天气数据对二维水力模型进行全流程模拟确定若干关键节点;并根据模拟过程获取若干关键节点的节点衰减模型。
通过目标天气数据对二维水力模型进行模拟,结合节点衰减模型确定各关键节点的实时衰减值。
基于实时衰减值和节点衰减阈值规划排水路径,且执行控制模块结合排水路径智能控制若干排水控制设备。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (5)
1.一种基于人工智能的排水系统,包括中枢分析模块,以及与之相连接的执行控制模块和数据采集设备,且执行控制模块与若干排水控制设备相连接,其特征在于:
通过数据采集设备周期性采集获取基础建模数据,并将基础建模数据转发至中枢分析模块;其中,基础建模数据包括静态设备数据和动态天气数据;
中枢分析模块构建高区DEM模型和低区DEM模型,结合静态设备数据构建二维水力模型;以及利用动态天气数据对二维水力模型进行全流程模拟确定若干关键节点;并根据模拟过程获取若干关键节点的节点衰减模型;
通过目标天气数据对二维水力模型进行模拟,结合节点衰减模型确定各关键节点的实时衰减值;基于实时衰减值和节点衰减阈值规划排水路径,且执行控制模块结合排水路径智能控制若干排水控制设备;
在所述二维水力模型构建完成之后,所述中枢分析模块根据动态天气数据对所述二维水力模型进行模拟,确定若干所述关键节点,包括:
通过数据采集设备获取目标区域的所述动态天气数据;其中,动态天气数据包括温度、湿度、降水量和降雪量;
根据所述动态天气数据模拟所述目标区域中的天气环境,在模拟过程中分析所述二维水力模型的运行状态,分析各排水节点的排水流量确定若干所述关键节点;
对各所述排水节点的排水流量进行分析,根据分析结果确定若干所述关键节点,包括:
确定所述二维水力模型中的排水节点;其中,排水节点为管道弯曲处或者管道交汇处;在模拟过程中获取各所述排水节点的排水流量,建立以排水流量为因变量的流量变化曲线,标记F(t);其中,t为排水流量采集时间;
当存在F(t)>LPY时,通过公式JPX=∫(F(t)-LPY)获取节点评估系数JPX;根据节点评估系数JPX与节点评估阈值的对比确定关键节点;其中,节点评估阈值根据节点类型和管道直径设定,LPY为流量评估阈值;
在确定若干所述关键节点之后,通过设置的衰减天气数组对所述二维水力模型进行模拟,提取各所述关键节点对应的节点衰减模型,包括:
设置所述衰减天气数组;
基于所述衰减天气数组模拟所述二维水力模型的运行,并时刻记录各关键节点的强度衰减值;基于强度衰减值的变化建立所述节点衰减模型;
将关键节点的相关参数与一条衰减天气数据拼接成一条标准输入数据,将对应的强度衰减值作为标准输出数据;通过若干标准输入数据和对应的若干标准输出数据来训练人工智能模型,获取对应的节点衰减模型;其中,相关参数包括年限和材料标签。
2.根据权利要求1所述的一种基于人工智能的排水系统,其特征在于,所述中枢分析模块分别与执行控制模块和数据采集设备通信和/或电气连接;其中,数据采集设备包括摄像头以及各类型传感器;
所述中枢分析模块发送控制信号至所述执行控制模块,所述执行控制模块对若干排水控制设备进行智能控制;其中,排水控制设备包括闸门和泵站。
3.根据权利要求1所述的一种基于人工智能的排水系统,其特征在于,在接收所述基础建模数据之后,所述中枢分析模块基于所述静态设备数据构建生成所述二维水力模型,包括:
确定目标区域;其中,目标区域为基础建模数据对应的区域;
将所述目标区域划分获取高区排水和低区汇水面积,并构建高区DEM模型和低区DEM模型;
基于所述静态设备数据构建所述二维水力模型;其中,静态设备数据包括管道GIS数据、泵站数量以及泵站位置。
4.根据权利要求1所述的一种基于人工智能的排水系统,其特征在于,通过所述目标天气数据对所述二维水力模型进行模拟,并确定各所述关键节点的实时衰减值,包括:
获取所述目标天气数据;其中,目标天气数据包括当前天气数据或者预测天气数据;
确定各所述关键节点的当前衰减值,结合所述节点衰减模型以及所述目标天气数据获取对应关键节点的实时衰减值。
5.根据权利要求4所述的一种基于人工智能的排水系统,其特征在于,当所述关键节点对应的所述实时衰减值小于等于节点衰减阈值时,则判断该关键节点无法继续进行排水任务;以及
结合该关键节点周边的所述排水节点规划排水路径,并通过所述执行控制模块根据所述排水路径控制若干所述排水控制设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210993282.4A CN115081095B (zh) | 2022-08-18 | 2022-08-18 | 一种基于人工智能的排水系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210993282.4A CN115081095B (zh) | 2022-08-18 | 2022-08-18 | 一种基于人工智能的排水系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115081095A CN115081095A (zh) | 2022-09-20 |
CN115081095B true CN115081095B (zh) | 2022-11-15 |
Family
ID=83244869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210993282.4A Active CN115081095B (zh) | 2022-08-18 | 2022-08-18 | 一种基于人工智能的排水系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081095B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101418787A (zh) * | 2007-10-23 | 2009-04-29 | 株式会社东芝 | 雨水泵控制装置及雨水泵控制方法 |
CN106250659A (zh) * | 2016-08-31 | 2016-12-21 | 兰州理工大学 | 一种基于降雨预测合流制溢流水力学行为的方法及其应用 |
JP2017194344A (ja) * | 2016-04-20 | 2017-10-26 | 株式会社東芝 | 浸水リスク診断装置、浸水リスク診断方法、制御装置及びコンピュータプログラム |
CN108022047A (zh) * | 2017-12-06 | 2018-05-11 | 中山大学 | 一种海绵城市水文计算方法 |
CN108319758A (zh) * | 2017-12-29 | 2018-07-24 | 上海市政交通设计研究院有限公司 | 一种基于水力模型的城市下穿地道排水系统优化设计方法 |
CN109114430A (zh) * | 2018-09-26 | 2019-01-01 | 东莞青柳新材料有限公司 | 一种城市排水管网在线监测系统 |
-
2022
- 2022-08-18 CN CN202210993282.4A patent/CN115081095B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101418787A (zh) * | 2007-10-23 | 2009-04-29 | 株式会社东芝 | 雨水泵控制装置及雨水泵控制方法 |
JP2017194344A (ja) * | 2016-04-20 | 2017-10-26 | 株式会社東芝 | 浸水リスク診断装置、浸水リスク診断方法、制御装置及びコンピュータプログラム |
CN106250659A (zh) * | 2016-08-31 | 2016-12-21 | 兰州理工大学 | 一种基于降雨预测合流制溢流水力学行为的方法及其应用 |
CN108022047A (zh) * | 2017-12-06 | 2018-05-11 | 中山大学 | 一种海绵城市水文计算方法 |
CN108319758A (zh) * | 2017-12-29 | 2018-07-24 | 上海市政交通设计研究院有限公司 | 一种基于水力模型的城市下穿地道排水系统优化设计方法 |
CN109114430A (zh) * | 2018-09-26 | 2019-01-01 | 东莞青柳新材料有限公司 | 一种城市排水管网在线监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115081095A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102629294B (zh) | 台风引发输电线路故障的概率评估方法 | |
CN106815971B (zh) | 一种基于rbf神经网络的滑坡灾害预报方法 | |
CN109272146A (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
CN102360468B (zh) | 洪水预报系统 | |
CN110056781B (zh) | 给水管网流量监测点优化布置方法 | |
CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN110533258B (zh) | 一种稻麦轮作农田涝渍预警评估方法及系统 | |
CN116363601B (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
CN113762618B (zh) | 一种基于多因子相似分析的湖泊水位预报方法 | |
CN114970377B (zh) | 基于新安江与深度学习耦合模型的场次洪水预报方法和系统 | |
CN117236199B (zh) | 城市水网区域河湖水质提升与水安全保障方法及系统 | |
Wambua et al. | Drought forecasting using indices and Artificial Neural Networks for upper Tana River basin, Kenya-A review concept | |
CN111598724B (zh) | 一种中小水库入库流量日前预测的分时段集成方法 | |
CN116485584B (zh) | 高寒区大底坡河流wee协同调控方法及系统 | |
CN115374376A (zh) | 小水电生态影响监测评估方法与系统 | |
CN116643331A (zh) | 基于区域流域的水文信息大数据进行水文预报的方法 | |
CN112990108B (zh) | 一种基于卷积神经网络实现堤坝护坡的系统 | |
CN115081095B (zh) | 一种基于人工智能的排水系统 | |
CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
CN103955743A (zh) | 一种超高压水射流清除道路标线效果预测方法及装置 | |
Velasco et al. | Days-ahead water level forecasting using artificial neural networks for watersheds | |
CN113869804B (zh) | 一种洪涝灾害下的电网设备风险预警方法及系统 | |
CN115204688A (zh) | 排水系统健康性综合评价方法 | |
CN112528563B (zh) | 一种基于svm算法的城市内涝预警方法 | |
CN114565603A (zh) | 一种一体化洪涝灾害精准监测预警方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |