CN115186602A - 一种城市地下排水管网养护智能决策方法及系统 - Google Patents
一种城市地下排水管网养护智能决策方法及系统 Download PDFInfo
- Publication number
- CN115186602A CN115186602A CN202210697012.9A CN202210697012A CN115186602A CN 115186602 A CN115186602 A CN 115186602A CN 202210697012 A CN202210697012 A CN 202210697012A CN 115186602 A CN115186602 A CN 115186602A
- Authority
- CN
- China
- Prior art keywords
- pipe network
- drainage pipe
- maintenance
- model
- dimensional
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 74
- 201000010099 disease Diseases 0.000 claims abstract description 70
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 70
- 230000008878 coupling Effects 0.000 claims abstract description 43
- 238000010168 coupling process Methods 0.000 claims abstract description 43
- 238000005859 coupling reaction Methods 0.000 claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000011161 development Methods 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000007726 management method Methods 0.000 claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 15
- 239000012071 phase Substances 0.000 claims description 38
- 238000001514 detection method Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 239000002352 surface water Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000002922 simulated annealing Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 239000012530 fluid Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000004134 energy conservation Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 239000007791 liquid phase Substances 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 239000007790 solid phase Substances 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 230000010349 pulsation Effects 0.000 claims description 3
- 238000009991 scouring Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 239000007789 gas Substances 0.000 description 11
- 238000012549 training Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000007849 functional defect Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001970 hydrokinetic effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000013142 basic testing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid 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
- G06F30/28—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
- 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
- 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
-
- 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
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Computer Graphics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Sewage (AREA)
Abstract
本发明适用于管网养护技术领域，涉及一种城市地下排水管网养护智能决策方法及系统，包括以下步骤：排水管网功能性病害三维瞬时水力模型分析；利用有限单元拟合分析和足尺试验对参数进行率定，并验证排水管网功能性病害三维瞬时水力模型的准确性；结合节点水位迭代法、Preissmann狭缝法、Godunov有限体积法和非结构网格，重新构建地表一二维地下耦合连接模型；采用R语言、动态库链接技术和多源数据样本的长短记忆神经网络方法，实现一二维耦合连接模型的工程化二次开发，得到带内涝结果标签的城市排水管网功能性病害情况；建立排水管网养护的多目标规划智能决策模型及其求解方法。本发明可满足城市地下排水管网智能化、精确化和科学化管理和决策需求。
Description
技术领域
本发明属于管网养护技术领域，尤其涉及一种城市地下排水管网养护智能决策方法及系统。
背景技术
由于全球气候变化，我国近年来由于排水管道功能性病害导致的城市内涝问题越来越频繁，强度越来越大，严重影响城市居民生活，几乎每一次重大内涝都导致伤亡事件，严重威胁到人民群众的生命财产，制约着整个城市的经济社会发展，因此有必要针对排水管道功能性病害与内涝的关系进行研究。
现有技术中，针对我国排水管道功能性病害与内涝的关系研究未考虑管道功能性病害、水流、上层空气的多相流互馈关系和重力场、应力场、流场等多场耦合对管道过流特性的影响，“固-液-气”多相流和多场耦合改变了管道汇流瞬时状态及地表地下水流一二维模型的参数取值，另外通过控制变量法逐一分析计算管道功能性病害和内涝区域的对应关系工作量大，难以实现。以上原因导致现有城市内涝预警及防灾决策系统的准确性较低。公开号为CN110298076A的专利提供了一种基于GIS和SWMM的城市内涝智能建模及分析方法，包括构建基于GIS和SWMM的模拟系统；对模型数据进行自动化预处理及自动识别拓扑错误；结合降雨量，基于SWMM进行水文水动力耦合模型计算，计算汇流进入排水管网系统的雨水量，模拟得到排水管网内实况信息，获得管点溢流数据；根据管点溢流数据进行地表水淹没分析，对地表积水进行模拟以获取地表积水深度，基于视窗法对地表水流进行分配；对地表积水内涝进行预警分析，综合考虑地表积水预测，基于水文水动力耦合模型的计算结果，根据地表水淹没分析的结果自动划分不同区域的内涝风险等级，为排水防涝应急提供预警方案。此专利主要是针对地表积水的研究并在此基础上基于水文水动力学耦合模型进行计算预测，所考虑的因素较为单一，得到的结果准确度难以保证。
因此，如何提供一种能考虑多相流、多场耦合下管道功能性病害对城市内涝的水文水动力学影响并能准确高效做出智能决策的方法及系统是本技术领域人员亟待解决的问题。
发明内容
针对现有技术的不足，本发明的目的是提供一种城市地下排水管网养护智能决策方法，以解决现有技术中没有考虑多相流、多场耦合下管道功能性病害对城市内涝的水文水动力学影响以及所做出的智能决策准确性不高的问题；另外本发明还提供了一种城市地下排水管网养护智能决策系统。
为了解决上述技术问题，本发明采用了如下的技术方案：
第一方面，本发明提供了一种城市地下排水管网养护智能决策方法，包括以下步骤：
S10、基于流体动力学和“质量-动量-能量”守恒理论的排水管网功能性病害三维瞬时水力模型分析；
S20、利用有限单元拟合分析和足尺试验对参数进行率定，并验证所述排水管网功能性病害三维瞬时水力模型的准确性；
S30、结合节点水位迭代法、Preissmann狭缝法、Godunov有限体积法和非结构网格，重新构建地表地下一二维耦合连接模型；
S40、采用R语言、动态库链接技术和多源数据样本的长短记忆神经网络方法，实现地表地下一二维耦合连接模型的工程化二次开发，得到带内涝结果标签的城市排水管网功能性病害情况；
S50、引入深度小世界神经网络、遗传算法和模拟退火算法，建立排水管网养护的多目标规划智能决策模型及其求解方法。
进一步的，所述步骤S10中，排水管网功能性病害三维瞬时水力模型分析具体步骤为：
S101、依据水流不可压缩和体积守恒原理得到时均运动方程和脉动运动方程
S102、结合“质量-动量-能量”守恒方程
构建“固-液-气”空间分布模型并得到排水管网功能性病害指标，所述u、v、w分别为该河段垂直平均流速在三维坐标系x、y、z轴上的分量，所述
为湍流在各坐标轴方向上的实时脉动流速，所述V为管道内任意给定空间体体积，所述ΓV为空间域边界，所述α取值1、2、3时分别代表固、液、气三相，所述vα为α相速度，所述Qα为所述α相的源项，所述ρα为所述α相的密度，所述n为所述空间域边界ΓV的法向向量，所述
是其它相对所述α相的源项，所述σα为应力张量，所述bα为体力，所述S为所述空间域边界ΓV的截面积，所述cα为所述α相的比热容，所述Tα为所述α相的温度，所述
为所述α相的热源，所述
为其他相的相变作用产生的对所述α相的热源。
进一步的，所述步骤S20中，所述有限单元拟合分析是指利用Abaqus软件构建排水管网功能性病害的“固-液-气”多相流仿真模型，验证足尺试验率定的参数和所述排水管网功能性病害三维瞬时水力模型得到的理论结构式；所述足尺试验是指搭建落地井、冲刷闸和功能性病害管段，并由所述理论结构式计算得到管道汇流瞬时状态参数的准确值。
进一步的，所述步骤S40中，所述地表地下一二维耦合连接模型的工程化二次开发具体步骤为：
S401、在雨洪分析软件InforWorks ICM的基础上，利用动态库链接技术和R语言二次开发技术对所述地表地下一二维耦合连接模型进行重新实现并嵌入到InforWorks ICM中得到改进后的InforWorks ICM；
S402、所述改进后的InforWorks ICM需要在现有InforWorks ICM的基础上，同时融合管网功能性病害的“固-液-气”多相流运动规律模型、区段汇流状态模型、区段瞬时流速、流量模型和地表地下一二维耦合连接模型，二次开发实现InforWorks ICM的改进和升级，从而输出不同管网功能性病害情况下的城市内涝损失情况。
进一步的，所述步骤S50中，所述排水管网养护的多目标规划智能决策模型的求解方法是指利用遗传算法和模拟退火算法进行智能化寻优得到带养护决策标签的城市排水管网功能性病害情况；所述深度小世界神经网络的初始输入数据为所述带养护决策标签的城市排水管网功能性病害情况，在聚类、异常值检测和插值处理后，通过数据集扩充对深度小世界神经网络的多层受限玻尔兹曼机反复训练和调整得到随时间和不同重现期暴雨动态调整的城市排水管网养护智能决策结果。
进一步的，所述步骤S30中，所述地表地下一二维耦合连接模型是水平方向与垂直方向耦合连接的一维管网明满流模型和二维地表水流模型；所述一维管网明满流模型和二维地表水流模型通过堰流公式法、互相提供边界法和固定节点水位法分析得到相关结构式。
第二方面，本发明还提供了一种城市地下排水管网养护智能决策系统，包括：
运营城市排水管网功能性病害周期性检测子系统；
排水管网养护智能决策综合管理数据库；
排水管网养护计划管理子系统；
排水管网养护智能决策评估子系统。
进一步的，所述运营城市排水管网功能性病害周期性检测子系统包括基于物联网/基站数据传输技术的超声波探测机器人、视频监控探测仪、管道检测机器人和磁通量探测仪以及排水管网功能性病害检测数据采集工作站；所述排水管网养护智能决策综合管理数据库为上层应用层用户提供不同重现期暴雨实时数据、管网养护成本、养护信息实时采集情况、管网功能性病害地理信息数据的存取和访问控制功能；排水管网养护计划管理子系统包括养护运维执行计划、工单执行及回单、工单数据更新的功能；所述排水管网养护智能决策评估子系统包括管网功能性病害三维瞬时水力分析模块、有限单元足尺试验模块、地表地下一二维耦合连接模型、雨洪模型工程化实现模块和多目标规划决策与求解模块。
进一步的，所述系统从系统结构上分为数据访问控制层部分、接入控制服务层部分和应用层部分；所述数据访问控制层部分的综合管理数据库服务器分别与地理信息系统服务器、软件标准数据接口相连接；所述接入控制服务层部分由地理信息系统服务器承载，为应用层提供地理信息系统服务、业务查询与操作服务、计算服务和数据库存取中继访问控制服务；所述应用层部分采用C/S业务系统和B/S业务系统的混合架构模式。
进一步的，所述系统的硬件支撑平台包括综合管理数据库服务器、城市管网地理信息系统服务器、排水管网功能性病害检测数据采集工作站、排水管网养护计划执行机构工作站、排水管网养护计划实时执行情况收集工作站、城市管网养护主管部门监控与决策工作站、区域管网养护主管部门监控与决策工作站以及通过物联网/基站连接的下属探测与养护仪器、仪表、传感器。
本发明提供的城市地下排水管网养护智能决策方法及系统与现有技术相比，至少具有如下有益效果：
本发明构建了多相流、多场耦合作用下考虑管道水流瞬时状态演化规律的城市地表地下一二维耦合连接模型，并采用工程化技术手段对InforWorks ICM进行二次开发和实现，从而能准确揭示排水管网功能性病害与城市内涝间的水文水动力学耦合机理；建立了基于多目标决策和深度小世界神经网络的城市排水管网养护智能决策方法，建立了能够准确高效识别管网功能性病害情况与内涝损失之间对应关系并给出合理化决策的城市排水管网养护智能决策系统；构建了软硬件相结合的城市排水管网养护智能决策系统，实现了集管网功能性病害数据采集、参数率定、二次开发和智能优化于一身的养护决策平台。以基于C/S和B/S服务模式相结合的混合模式为基础，以地理信息系统服务器和综合数据库服务器为数据处理平台，以流体动力学、足尺试验、多目标决策和遗传/模拟退火算法为分析方法，进行了城市排水管网养护智能决策系统设计与开发，既可以满足系统复杂数据处理速率要求，又能保证养护决策结果输出的准确性，解决了多目标约束下考虑管道功能性病害与内涝偶联影响的城市易涝点管网智能化、精准化预防性养护难题。
附图说明
为了更清楚地说明本发明的方案，下面将对实施例描述中所需要使用的图作一个简单的介绍，显而易见地，下面描述中的附图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为本发明实施例提供的一种城市排水管网养护智能决策方法的流程图；
图2为本发明实施例提供的一种城市排水管网养护智能决策系统的总框图；
图3为本发明实施例提供的一种城市排水管网养护智能决策系统的数据访问控制层部分、接入控制服务层部分和应用层部分详细组成图。
具体实施方式
除非另有定义，本文所使用的所有技术和科学术语与属于本发明技术领域的技术人员通常理解的含义相同；本文在说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明，例如，术语“长度”、“宽度”、“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置为基于附图所示的方位或位置，仅是便于描述，不能理解为对本技术方案的限制。
本发明的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含；本发明的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。本发明的说明书和权利要求书及上述附图说明中，当元件被称为“固定于”或“安装于”或“设置于”或“连接于”另一个元件上，它可以是直接或间接位于该另一个元件上。例如，当一个元件被称为“连接于”另一个元件上，它可以是直接或间接连接到该另一个元件上。
此外，在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种城市地下排水管网养护智能决策方法，应用于排水管道功能性病害与内涝的关系研究工作中，城市地下排水管网养护智能决策方法包括以下步骤：S10、基于流体动力学和“质量-动量-能量”守恒理论的排水管网功能性病害三维瞬时水力模型分析；S20、利用有限单元拟合分析和足尺试验对参数进行率定，并验证排水管网功能性病害三维瞬时水力模型的准确性；S30、结合节点水位迭代法、Preissmann狭缝法、Godunov有限体积法和非结构网格，重新构建地表地下一二维耦合连接模型；S40、采用R语言、动态库链接技术和多源数据样本的长短记忆神经网络方法，实现地表地下一二维耦合连接模型的工程化二次开发，得到带内涝结果标签的城市排水管网功能性病害情况；S50、引入深度小世界神经网络、遗传算法和模拟退火算法，建立排水管网养护的多目标规划智能决策模型及其求解方法。
本发明可满足城市地下排水管网智能化、精确化和科学化管理和决策需求。
为了使本技术领域的人员更好地理解本发明方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种城市地下排水管网养护智能决策方法，应用于排水管道功能性病害与内涝的关系研究工作中，如图1所示，所述城市地下排水管网养护智能决策方法包括以下步骤：
S10、基于流体动力学和“质量-动量-能量”守恒理论的排水管网功能性病害三维瞬时水力模型分析；
S20、利用有限单元拟合分析和足尺试验对参数进行率定，并验证排水管网功能性病害三维瞬时水力模型的准确性；
S30、结合节点水位迭代法、Preissmann狭缝法、Godunov有限体积法和非结构网格，重新构建地表地下一二维耦合连接模型；
S40、采用R语言、动态库链接技术和多源数据样本的长短记忆神经网络方法，实现地表地下一二维耦合连接模型的工程化二次开发，得到带内涝结果标签的城市排水管网功能性病害情况；
S50、引入深度小世界神经网络、遗传算法和模拟退火算法，建立排水管网养护的多目标规划智能决策模型及其求解方法。
进一步的，本实施例中，在步骤S10中，排水管网功能性病害三维瞬时水力模型分析从多相流和多场的角度进行理论推导，分别构建了重力场、压力场、应力场、流场共同作用下的液相应力张量和剪切粘度空间分布模型、固相应力张量和剪切粘度空间分布模型、气相牛顿粘性应力空间分布模型。
进一步的，本实施例中，液相应力张量和剪切粘度空间分布模型、固相应力张量和剪切粘度空间分布模型、气相牛顿粘性应力空间分布模型的构建步骤包括：
S101、依据水流不可压缩和体积守恒原理，得到时均运动方程和脉动运动方程
S102、同时结合“质量-动量-能量”守恒方程
构建“固-液-气”空间分布模型，进而得到排水管网功能性病害指标；其中，u、v、w分别为该河段垂直平均流速在三维坐标系x、y、z轴上的分量，
为湍流在各坐标轴方向上的实时脉动流速，V为管道内任意给定空间体体积，ΓV为空间域边界，α取值1、2、3时分别代表固、液、气三相，vα为α相速度，Qα为α相的源项，ρα为α相的密度，n为边界ΓV的法向向量，
是其它相对α相的源项，σα为应力张量，bα为体力，S为边界ΓV的截面积，cα为α相的比热容，Tα为α相的温度，
为α相的热源，
为其他相的相变作用产生的对α相的热源。
进一步的，本实施例中，排水管网功能性病害的三维瞬时水力模型分析能够得到重力流和压力流作用下典型断面间平均流速及瞬时流速的脉动周期变化、紊动强度分布、能量耗散规律、管身雷诺应力分布等特性，进而准确求解排水管网功能性病害临界起动条件、推移质移动距离和过流能力的理论结构式，提取、解析管道功能性病害相关的过流特性和紊动流场结构参数。
进一步的，本实施例中，步骤S20中，有限单元拟合分析是指利用Abaqus软件构建排水管网功能性病害的“固-液-气”多相流仿真模型，验证足尺试验率定的参数和三维瞬时水力模型得到的理论结构式的有效性。足尺试验是指搭建落地井、冲刷闸和功能性病害管段，并由流体动力学、传感器及三维瞬时水力模型中的理论结构式计算得到管道汇流瞬时状态参数的准确值，足尺试验由管道功能性病害场景调整模块、汇流参数时空变化规律分析模块、推移质输移情况分析模块和管道流速、流量时间变化规律分析模块四部分组成。
进一步的，本实施例中，步骤S30中，地表地下耦合关系模型是指一维管网明满流模型和二维地表水流模型的水平方向(地表)与垂直方向(地表地下)耦合连接；一维管网明满流模型和二维地表水流模型可以通过堰流公式法、互相提供边界法和固定节点水位法分析得到相关结构式。
进一步的，本实施例中，步骤S40中，地表地下一二维耦合连接模型的工程化二次开发是指在现有最为成熟的雨洪分析软件InforWorks ICM的基础上，利用动态库链接技术和R语言二次开发技术对考虑管道功能性病害与城市内涝偶联影响的地表地下一二维耦合连接模型进行重新实现，并将该模块嵌入到InforWorks ICM中，得到改进的InforWorksICM；改进的InforWorks ICM需要在现有InforWorks ICM的基础上，同时融合管网功能性病害的“固-液-气”多相流运动规律模型、区段汇流状态模型、区段瞬时流速、流量模型和地表地下一二维耦合连接模型，二次开发实现InforWorks ICM的改进和升级，能够输出不同管网功能性病害情况下的城市内涝损失情况。
进一步的，本实施例中，步骤S50中，排水管网养护的多目标规划智能决策模型的求解方法是指利用遗传算法和模拟退火算法进行智能化寻优，得到带养护决策标签的城市排水管网功能性病害情况；深度小世界神经网络的初始输入数据为带养护决策标签的城市排水管网功能性病害情况，在聚类、异常值检测和插值处理后，通过数据集扩充对深度小世界神经网络的多层受限玻尔兹曼机反复训练和调整，得到随时间和不同重现期暴雨动态调整的城市排水管网养护智能决策结果。
具体地，深度小世界神经网络(DSWNN，deep small-world neural network)由离线学习和在线决策两个阶段构成，具体步骤包括：
S501、借助物联网/基站和城市排水管网在线运维系统局域网，获取各重要节点管网功能性病害的种类、程度、疏通/清理成本等多维指标数据，包括正常采集数据、异常或人为大面积恶意篡改样本数据，采用指标筛选、异常检测和插值进行数据处理；
S502、采用一定长度的滑动窗口对全部样本数据进行截取，得到滑动窗口下的均值子序列；将全部子序列组建为训练样本集，并根据InforWorks ICM数值模拟结果和管网养护多目标规划结果对各训练样本添加状态标签，主要对需要养护的城市管网功能性病害训练样本节点进行类别标识；
S503、采用无标签数据集对深度小世界神经网络(DSWNN)的多层受限玻尔兹曼机(RBM，restricted Boltzmann machine)网络进行预训练，待充分获得特征表示后，记录网络参数，包括神经元的权值和偏重值；
S504、根据深度小世界神经网络(DSWNN)随机加边概率p对多层受限玻尔兹曼机(RBM)网络进行随机加边，并在顶层增加一个全连接的分类层，将其转化为一个具有多分类功能的深度小世界神经网络(DSWNN)；再次采用有监督学习对网络进行监督训练，采用反向传播(BP，Back Propagation)算法进行参数微调，直至训练完成，得到训练好的深度小世界神经网络(DSWNN)分类器模型；
S505、在线采集城市排水管网功能性病害指标集，采用与训练时相同的滑动窗口对在线数据进行处理，得到待检测样本；
S506、将待检样本输入至已训练好的深度小世界神经网络(DSWNN)分类器模型中，得到排水管网养护智能决策结果及最优化应对策略，进而完成城市地下排水管网养护智能决策管理优化过程。
上述实施例中所述的城市地下排水管网养护智能决策方法，采用先进的流体动力学、“质量-动量-能量”守恒理论、有限单元高精度拟合与足尺试验方法、节点水位迭代法、Preissmann狭缝法、Godunov有限体积法和非结构网格、R语言、动态库链接技术和多源数据样本的长短记忆神经网络方法、深度小世界神经网络、遗传算法和模拟退火算法，进行了城市地下排水管网养护相关环节、细节的优化和改进，耦合了管道功能性病害与城市内涝间的水文水动力学关系，充分利用“理论分析-试验率定与验证-模型构建-最优化决策求解”的技术路线，为城市排水管网养护智能管理和决策提供强大的技术支撑，满足大部分城市地下排水管网智能化、精确化和科学化管理和决策需求。
本发明实施例还提供了一种采用上述城市地下排水管网养护智能决策方法的系统，包括：
运营城市排水管网功能性病害周期性检测子系统，包括：基于物联网/基站数据传输技术的超声波探测机器人、视频监控探测仪、管道检测机器人和磁通量探测仪以及配套的排水管网功能性病害检测数据采集工作站；
排水管网养护智能决策综合管理数据库，排水管网养护智能决策综合管理数据库为上层应用层用户提供不同重现期暴雨实时数据、管网养护成本、养护信息实时采集情况、管网功能性病害地理信息等数据的存取和访问控制功能；
排水管网养护计划管理子系统，包括养护运维执行计划、工单执行及回单和工单数据更新的功能；管网功能性病害的养护运维执行计划包括三种策略：排水管网整体扩建、淤积疏通和结垢体清理；工单数据更新是指将目前的排水管网养护策略执行情况反馈到综合管理数据库中，并将其作为下一步智能决策评估子系统的初始输入，提高养护决策的准确度；
排水管网养护智能决策评估子系统，管网功能性病害三维瞬时水力分析模块、有限单元足尺试验模块、地表地下一二维耦合连接模型、雨洪模型工程化实现模块和多目标规划决策与求解模块。
进一步的，本实施例中，城市地下排水管网养护智能决策系统由软件和硬件支撑平台两部分组成：
硬件支撑平台包括综合管理数据库服务器、城市管网GIS服务器、排水管网功能性病害检测数据采集工作站、排水管网养护计划执行机构工作站、排水管网养护计划实时执行情况收集工作站、城市管网养护主管部门监控与决策工作站、区域管网养护主管部门监控与决策工作站以及通过物联网/基站连接的下属探测与养护仪器、仪表、传感器。
软件包括排水管网养护成本统计、深度小世界神经网络算法、管网养护多目标决策、城市管网功能性病害统计平台等功能模块的代码实现，这些软件均运行于上述硬件支撑平台。
如图3所示，城市地下排水管网养护智能决策系统从系统结构的角度上分为数据访问控制层部分、接入控制服务层部分和应用层部分：
数据访问控制层部分的综合管理数据库服务器分别与地理信息系统(GIS)服务器、软件标准数据接口相连接。
软件标准数据接口对应的功能项包括管网地理信息查询模块、养护信息实时采集模块、养护成本更新模块、管网功能性病害诊断模块和不同重现期暴雨拟合模块。
软件标准数据接口对应的功能项均由有线/无线监测技术支撑获取。
接入控制服务层部分由GIS服务器承载，为应用层提供GIS服务、业务查询与操作服务、计算服务和数据库存取中继访问控制服务。
GIS服务是指向上层城市排水管网养护智能决策提供地理信息交互相关服务。
业务查询与操作服务包括客户端/服务器(C/S)业务系统和浏览器/服务器(B/S)业务系统。
计算服务是指通过C/S业务系统向应用层提供三维瞬态水力分析模块、管网试验参数率定模块、地表地下一二维耦合连接模型、雨洪模型二次开发模块、多目标优化决策模块、样本集扩充模块、机器学习模块和产汇流试验参数采集模块的复杂数据分析与处理；通过B/S业务系统向应用层提供养护决策成本显示模块、养护决策收益显示模块、养护点位地理信息模块、决策可视化实时刷新模块、不同重现期暴雨场景切换模块和排水管网养护智能决策可视化界面的复杂数据分析与处理。
产汇流试验参数采集模块的基础试验条件由排水管网足尺试验场景设计提供。
数据库存取中继访问控制服务是指应用层通过GIS服务器中继访问综合管理数据库服务器，实现排水管网养护智能决策相关数据和参数的实时访问控制。
应用层部分采用C/S业务系统和B/S业务系统的混合架构模式，包括：三维瞬态水力分析模块、管网试验参数率定模块、地表地下一二维耦合连接模型、雨洪模型二次开发模块、多目标优化决策模块、样本集扩充模块、机器学习模块和产汇流试验参数采集模块的复杂数据分析与处理；通过B/S业务系统向应用层提供养护决策成本显示模块、养护决策收益显示模块、养护点位地理信息模块、决策可视化实时刷新模块、不同重现期暴雨场景切换模块和排水管网养护智能决策可视化界面。
排水管网养护智能决策可视化界面通过B/S业务系统实现用户端结果可视化的实时呈现，同时可通过可视化界面向城市内各管网养护部分下发智能决策命令。排水管网养护智能决策可视化界面依据多目标决策输出，周期性更新管网养护决策结果。
上述实施例所述的采用城市地下排水管网养护智能决策方法的系统是一个涉及流体动力学理论、“质量-动量-能量”守恒理论、足尺试验方法、二次开发技术、动态链接技术、深度学习技术、数据库技术、地理信息系统、数据自动化采集技术、中间件技术、网络技术以及系统集成技术的复杂巨系统，实现了集管网功能性病害数据采集、参数率定、二次开发和智能优化于一身的养护决策平台。以基于C/S和B/S服务模式相结合的混合模式为基础，以地理信息系统服务器和综合数据库服务器为数据处理平台，以流体动力学、足尺试验、多目标决策和遗传/模拟退火算法为分析方法，进行了城市排水管网养护智能决策系统设计与开发，既可以满足系统复杂数据处理速率要求，又能保证养护决策结果输出的准确性，解决了多目标约束下考虑管道功能性病害与内涝偶联影响的城市易涝点管网智能化、精准化预防性养护难题。
显然，以上所描述的实施例仅仅是本发明较佳实施例，而不是全部的实施例，附图中给出了本发明的较佳实施例，但并不限制本发明的专利范围。本发明可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。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而言，其依然可以对前述各具体实施方式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效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。
Claims (10)
1.一种城市地下排水管网养护智能决策方法，其特征在于，包括以下步骤：
S10、基于流体动力学和“质量-动量-能量”守恒理论的排水管网功能性病害三维瞬时水力模型分析；
S20、利用有限单元拟合分析和足尺试验对参数进行率定，并验证所述排水管网功能性病害三维瞬时水力模型的准确性；
S30、结合节点水位迭代法、Preissmann狭缝法、Godunov有限体积法和非结构网格，重新构建地表地下一二维耦合连接模型；
S40、采用R语言、动态库链接技术和多源数据样本的长短记忆神经网络方法，实现地表地下一二维耦合连接模型的工程化二次开发，得到带内涝结果标签的城市排水管网功能性病害情况；
S50、引入深度小世界神经网络、遗传算法和模拟退火算法，建立排水管网养护的多目标规划智能决策模型及其求解方法。
2.根据权利要求1所述的一种城市地下排水管网养护智能决策方法，其特征在于，所述步骤S10中，排水管网功能性病害三维瞬时水力模型分析具体步骤为：
S101、依据水流不可压缩和体积守恒原理得到时均运动方程和脉动运动方程
S102、结合“质量-动量-能量”守恒方程
构建“固-液-气”空间分布模型并得到排水管网功能性病害指标，所述u、v、w分别为该河段垂直平均流速在三维坐标系x、y、z轴上的分量，所述
为湍流在各坐标轴方向上的实时脉动流速，所述V为管道内任意给定空间体体积，所述ΓV为空间域边界，所述α取值1、2、3时分别代表固、液、气三相，所述vα为α相速度，所述Qα为所述α相的源项，所述ρα为所述α相的密度，所述n为所述空间域边界ΓV的法向向量，所述
是其它相对所述α相的源项，所述σα为应力张量，所述bα为体力，所述S为所述空间域边界ΓV的截面积，所述cα为所述α相的比热容，所述Tα为所述α相的温度，所述Q'T α为所述α相的热源，所述
为其他相的相变作用产生的对所述α相的热源。
3.根据权利要求2所述的一种城市地下排水管网养护智能决策方法，其特征在于，所述步骤S20中，所述有限单元拟合分析是指利用Abaqus软件构建排水管网功能性病害的“固-液-气”多相流仿真模型，验证足尺试验率定的参数和所述排水管网功能性病害三维瞬时水力模型得到的理论结构式；所述足尺试验是指搭建落地井、冲刷闸和功能性病害管段，并由所述理论结构式计算得到管道汇流瞬时状态参数的准确值。
4.根据权利要求3所述的一种城市地下排水管网养护智能决策方法，其特征在于，所述步骤S40中，所述地表地下一二维耦合连接模型的工程化二次开发具体步骤为：
S401、在雨洪分析软件InforWorks ICM的基础上，利用动态库链接技术和R语言二次开发技术对所述地表地下一二维耦合连接模型进行重新实现并嵌入到InforWorks ICM中得到改进后的InforWorks ICM；
S402、所述改进后的InforWorks ICM需要在现有InforWorks ICM的基础上，同时融合管网功能性病害的“固-液-气”多相流运动规律模型、区段汇流状态模型、区段瞬时流速、流量模型和地表地下一二维耦合连接模型，二次开发实现InforWorks ICM的改进和升级，从而输出不同管网功能性病害情况下的城市内涝损失情况。
5.根据权利要求4所述的一种城市地下排水管网养护智能决策方法，其特征在于，所述步骤S50中，所述排水管网养护的多目标规划智能决策模型的求解方法是指利用遗传算法和模拟退火算法进行智能化寻优得到带养护决策标签的城市排水管网功能性病害情况；所述深度小世界神经网络的初始输入数据为所述带养护决策标签的城市排水管网功能性病害情况，在聚类、异常值检测和插值处理后，通过数据集扩充对深度小世界神经网络的多层受限玻尔兹曼机反复训练和调整得到随时间和不同重现期暴雨动态调整的城市排水管网养护智能决策结果。
6.根据权利要求5所述的一种城市地下排水管网养护智能决策方法，其特征在于，所述步骤S30中，所述地表地下一二维耦合连接模型是水平方向与垂直方向耦合连接的一维管网明满流模型和二维地表水流模型；所述一维管网明满流模型和二维地表水流模型通过堰流公式法、互相提供边界法和固定节点水位法分析得到相关结构式。
7.一种采用如权利要求1至6任一项所述的城市地下排水管网养护智能决策方法的系统，其特征在于，包括：
运营城市排水管网功能性病害周期性检测子系统；
排水管网养护智能决策综合管理数据库；
排水管网养护计划管理子系统；
排水管网养护智能决策评估子系统。
8.根据权利要求7所述的一种城市地下排水管网养护智能决策方法的系统，其特征在于，所述运营城市排水管网功能性病害周期性检测子系统包括基于物联网/基站数据传输技术的超声波探测机器人、视频监控探测仪、管道检测机器人和磁通量探测仪以及排水管网功能性病害检测数据采集工作站；所述排水管网养护智能决策综合管理数据库为上层应用层用户提供不同重现期暴雨实时数据、管网养护成本、养护信息实时采集情况、管网功能性病害地理信息数据的存取和访问控制功能；排水管网养护计划管理子系统包括养护运维执行计划、工单执行及回单、工单数据更新的功能；所述排水管网养护智能决策评估子系统包括管网功能性病害三维瞬时水力分析模块、有限单元足尺试验模块、地表地下一二维耦合连接模型、雨洪模型工程化实现模块和多目标规划决策与求解模块。
9.根据权利要求7所述的一种城市地下排水管网养护智能决策方法的系统，其特征在于，所述系统从系统结构上分为数据访问控制层部分、接入控制服务层部分和应用层部分；所述数据访问控制层部分的综合管理数据库服务器分别与地理信息系统服务器、软件标准数据接口相连接；所述接入控制服务层部分由地理信息系统服务器承载，为应用层提供地理信息系统服务、业务查询与操作服务、计算服务和数据库存取中继访问控制服务；所述应用层部分采用C/S业务系统和B/S业务系统的混合架构模式。
10.根据权利要求7所述的一种城市地下排水管网养护智能决策方法的系统，其特征在于，所述系统的硬件支撑平台包括综合管理数据库服务器、城市管网地理信息系统服务器、排水管网功能性病害检测数据采集工作站、排水管网养护计划执行机构工作站、排水管网养护计划实时执行情况收集工作站、城市管网养护主管部门监控与决策工作站、区域管网养护主管部门监控与决策工作站以及通过物联网/基站连接的下属探测与养护仪器、仪表、传感器。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210697012.9A CN115186602A (zh) | 2022-06-20 | 2022-06-20 | 一种城市地下排水管网养护智能决策方法及系统 |
| US18/110,370 US20230195979A1 (en) | 2022-06-20 | 2023-02-16 | Intelligent decision-making method and system for maintaining urban underground sewer network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210697012.9A CN115186602A (zh) | 2022-06-20 | 2022-06-20 | 一种城市地下排水管网养护智能决策方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115186602A true CN115186602A (zh) | 2022-10-14 |
Family
ID=83512890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210697012.9A Pending CN115186602A (zh) | 2022-06-20 | 2022-06-20 | 一种城市地下排水管网养护智能决策方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230195979A1 (zh) |
| CN (1) | CN115186602A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116011356A (zh) * | 2023-01-09 | 2023-04-25 | 浙江大学 | 一种基于ConvLSTM与OpenFOAM数值计算耦合的海底管缆冲刷预测方法 |
| 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 |
| 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 |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117079182B (zh) * | 2023-07-31 | 2024-02-23 | 上海启呈信息科技有限公司 | 一种基于大数据分析的管网管理方法及系统 |
| CN117236105A (zh) * | 2023-08-23 | 2023-12-15 | 石家庄铁道大学 | 城市地下空间施工安全预警方法 |
| CN117150269A (zh) * | 2023-09-04 | 2023-12-01 | 淮阴师范学院 | 一种基于数据分析的电气设备运行异常诊断系统 |
| CN117114349A (zh) * | 2023-09-14 | 2023-11-24 | 浙江华创设计有限公司 | 一种基于多模态检测的排水管网安全保障方法及系统 |
| CN116956783B (zh) * | 2023-09-21 | 2023-12-08 | 武汉市规划研究院 | 一种雨水管渠汇流时间计算模型的构建方法及系统 |
| CN117272567B (zh) * | 2023-10-25 | 2024-04-26 | 中交城乡建设规划设计研究院有限公司 | 一种综合管廊bim建模的优化方法及系统 |
| CN117332722B (zh) * | 2023-11-23 | 2024-02-23 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种基于硬约束投影的排水管道淤积智能诊断方法 |
| CN117371668B (zh) * | 2023-12-06 | 2024-02-09 | 北京晨豪科技有限公司 | 基于可视图和网络流的城市管路流量调配优化方法 |
| CN117522653B (zh) * | 2024-01-05 | 2024-03-26 | 同济大学 | 基于三维荧光和市政管网bim模型的雨污混接溯源分析方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416127A (zh) * | 2018-02-14 | 2018-08-17 | 武汉大学 | 潜艇高压吹除管路系统多物理场耦合仿真方法及系统 |
| CN110298076A (zh) * | 2019-05-27 | 2019-10-01 | 广州奥格智能科技有限公司 | 一种基于gis和swmm的城市内涝智能建模及分析方法 |
| KR20210123974A (ko) * | 2020-04-03 | 2021-10-14 | 한국과학기술정보연구원 | 침수 예측 장치 및 그 방법 |
| CN113516203A (zh) * | 2021-08-10 | 2021-10-19 | 欧梯恩智能科技(苏州)有限公司 | 内涝预测模型的训练方法、模型及预测方法和存储装置 |
| CN114637263A (zh) * | 2022-03-15 | 2022-06-17 | 中国石油大学(北京) | 一种异常工况实时监测方法、装置、设备及存储介质 |
-
2022
- 2022-06-20 CN CN202210697012.9A patent/CN115186602A/zh active Pending
-
2023
- 2023-02-16 US US18/110,370 patent/US20230195979A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416127A (zh) * | 2018-02-14 | 2018-08-17 | 武汉大学 | 潜艇高压吹除管路系统多物理场耦合仿真方法及系统 |
| CN110298076A (zh) * | 2019-05-27 | 2019-10-01 | 广州奥格智能科技有限公司 | 一种基于gis和swmm的城市内涝智能建模及分析方法 |
| KR20210123974A (ko) * | 2020-04-03 | 2021-10-14 | 한국과학기술정보연구원 | 침수 예측 장치 및 그 방법 |
| CN113516203A (zh) * | 2021-08-10 | 2021-10-19 | 欧梯恩智能科技(苏州)有限公司 | 内涝预测模型的训练方法、模型及预测方法和存储装置 |
| CN114637263A (zh) * | 2022-03-15 | 2022-06-17 | 中国石油大学(北京) | 一种异常工况实时监测方法、装置、设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| BIN LI等: "Dynamic analysis of concrete pipes under the coupled effects of traffic load and groundwater level fluctuations", 《ENERGY SCIENCE & ENGINEERING》, 22 October 2019 (2019-10-22), pages 203 - 215 * |
| MEI XU等: "Multi-Mode Surface Generalization Supports a Detailed Urban Flooding Simulation Model", 《FRONTIERS IN EARTH SCIENCE》, vol. 09, 30 March 2021 (2021-03-30), pages 1 - 16 * |
| 刘广奇等: "基于复杂网络理论的城市供排水系统规划优化", 《中国给水排水》, vol. 36, no. 13, 31 July 2020 (2020-07-31), pages 113 - 118 * |
| 张蓓等: "GPR 与FWD 在旧路性能综合评价中的应用", 《中外公路》, vol. 28, no. 05, 31 October 2008 (2008-10-31), pages 89 - 93 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116011356A (zh) * | 2023-01-09 | 2023-04-25 | 浙江大学 | 一种基于ConvLSTM与OpenFOAM数值计算耦合的海底管缆冲刷预测方法 |
| CN116011356B (zh) * | 2023-01-09 | 2023-09-08 | 浙江大学 | 一种基于ConvLSTM与OpenFOAM数值计算耦合的海底管缆冲刷预测方法 |
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230195979A1 (en) | 2023-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115186602A (zh) | 一种城市地下排水管网养护智能决策方法及系统 | |
| Wang et al. | Spatial and temporal prediction and uncertainty of soil loss using the revised universal soil loss equation: a case study of the rainfall–runoff erosivity R factor | |
| Simões et al. | A new methodology for urban wind resource assessment | |
| Henonin et al. | Real-time urban flood forecasting and modelling–a state of the art | |
| Ševčíková et al. | Assessing uncertainty in urban simulations using Bayesian melding | |
| Behzadian et al. | Stochastic sampling design using a multi-objective genetic algorithm and adaptive neural networks | |
| Jung et al. | Uncertainty quantification in flood inundation mapping using generalized likelihood uncertainty estimate and sensitivity analysis | |
| Wong et al. | Evaluation of uWRF performance and modeling guidance based on WUDAPT and NUDAPT UCP datasets for Hong Kong | |
| Hong et al. | An integrated monitoring/modeling framework for assessing human–nature interactions in urbanizing watersheds: Wappinger and Onondaga Creek watersheds, New York, USA | |
| Chebbi et al. | Optimal extension of rain gauge monitoring network for rainfall intensity and erosivity index interpolation | |
| Sebastian et al. | Hindcast of pluvial, fluvial, and coastal flood damage in Houston, Texas during Hurricane Harvey (2017) using SFINCS | |
| CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
| Reiminger et al. | Methodologies to assess mean annual air pollution concentration combining numerical results and wind roses | |
| Efstratiadis et al. | HYDROGEIOS: a semi-distributed GIS-based hydrological model for modified river basins | |
| Arsene et al. | Mixed simulation-state estimation of water distribution systems based on a least squares loop flows state estimator | |
| Budamala et al. | Enhance the prediction of complex hydrological models by pseudo-simulators | |
| Liu et al. | Assessment of alternative groundwater flow models for Beijing Plain, China | |
| Li | Exploring the potential of utilizing unsupervised machine learning for urban drainage sensor placement under future rainfall uncertainty | |
| Yang et al. | Study on urban flood simulation based on a novel model of SWTM coupling D8 flow direction and backflow effect | |
| Moayedi et al. | Appraisal of energy loss reduction in green buildings using large-scale experiments compiled with swarm intelligent solutions | |
| CN117010726B (zh) | 用于城市防洪的智慧预警方法及系统 | |
| CN117688844A (zh) | 一种基于深度神经网络的城市内涝实时模拟方法及系统 | |
| Momm et al. | Automated watershed subdivision for simulations using multi-objective optimization | |
| Khu et al. | Incorporating spatial and temporal information for urban drainage model calibration: An approach using preference ordering genetic algorithm | |
| Li et al. | Combining physical approaches with deep learning techniques for urban building energy modeling: A comprehensive review and future research prospects |
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 |