CN116090633A - 一种管网淤堵风险的预测方法及系统 - Google Patents

一种管网淤堵风险的预测方法及系统 Download PDF

Info

Publication number
CN116090633A
CN116090633A CN202310019848.8A CN202310019848A CN116090633A CN 116090633 A CN116090633 A CN 116090633A CN 202310019848 A CN202310019848 A CN 202310019848A CN 116090633 A CN116090633 A CN 116090633A
Authority
CN
China
Prior art keywords
pipe section
flow rate
data
distribution function
risk
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
CN202310019848.8A
Other languages
English (en)
Inventor
丁凯
卢文宝
李博
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.)
Shanghai Bishuiyun Digital Technology Co ltd
Original Assignee
Shanghai Bishuiyun Digital Technology Co ltd
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 Shanghai Bishuiyun Digital Technology Co ltd filed Critical Shanghai Bishuiyun Digital Technology Co ltd
Priority to CN202310019848.8A priority Critical patent/CN116090633A/zh
Publication of CN116090633A publication Critical patent/CN116090633A/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F30/28—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
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q50/06—Energy or water supply
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Physics (AREA)
  • Sewage (AREA)

Abstract

本发明涉及水务系统技术领域，具体涉及一种管网淤堵风险的预测方法及系统，包括：根据流速数据筛选出多个高风险管段；将淤堵管段和淤积深度作为未知参数，构建先验分布函数并抽取输出的数据组合进行模拟；根据液位监测数据和预测数据构建似然函数；当似然函数符合迭代条件时根据先验分布函数和似然函数生成后验分布函数，采用后验分布函数输出淤堵管段和淤积深度作为预测结果。有益效果在于：通过构建先验分布函数，输出可能发生淤堵状况的淤堵管段与淤积深度的数据组合至水力学模型中进行模拟，并基于实际的液位监测数据进行似然函数构建、迭代，从而得出实际可行的数据组合来构建后验分布函数，以此实现了对淤堵状况较好的预测效果。

Description

一种管网淤堵风险的预测方法及系统
技术领域
本发明涉及水务系统技术领域，具体涉及一种管网淤堵风险的预测方法及系统。
背景技术
排水管网，是指布设在城市中用于承接并疏导地表径流至水系中的水务设施，其在预防城市内涝问题上起到至关重要的作用。
现有技术中，针对排水管网的运行情况，已存在有相应的计算机模拟方案。该类技术方案通常是针对目标地区构建对应的管网模型，并基于管网模型和水动力学计算来模拟计算得到包括检查井、地下管网等城市排水管网系统的水动力状态，比如流速、水位、流量等。
但是，在实际实施过程中，发明人发现，上述技术方案仅能够用于初步模拟得到排水管网系统中的水动力学状态，而并不能直接得出排水管网系统中各管段的实际淤堵状况。这使得现有技术中对管网的实际淤堵位置、淤积深度等情况仍需要结合管网物探技术、液位监测技术等来进行识别分析，才能够实际判断出管网中的淤堵状况，这导致了投资代价高、效率低、响应速度慢等问题。
发明内容
针对现有技术中存在的上述问题，现提供一种管网淤堵风险的预测方法；另一方面，还提供一种用于实施该预测方法的管网淤堵风险的预测系统。
具体技术方案如下：
一种管网淤堵风险的预测方法，针对待预测地区预先建立有排水管网模型，所述排水管网模型中设置有多条排水管段，所述排水管段中分布有液位监测点，所述预测方法包括：
步骤S1：于降雨时基于所述排水管网模型计算每个所述排水管段的流速数据，根据所述流速数据采用淤堵风险系数赋值公式自所述排水管网模型中筛选出多个高风险管段并添加至管段候选集中；
步骤S2：将淤堵管段和淤积深度作为未知参数构建先验分布函数；
所述淤堵管段自所述管段候选集中选取；
步骤S3：将所述先验分布函数输出的对应于所述未知参数的数据组合输入水力学模型得到预测数据；
步骤S4：自所述液位监测点提取液位监测数据，根据所述液位监测数据和所述预测数据构建似然函数；
步骤S5：根据所述似然函数判断所述输出数据是否符合相似度门限；
若是，转向步骤S6；
若否，返回所述步骤S3并抽取新的所述数据组合；
步骤S6：根据所述先验分布函数和所述似然函数生成后验分布函数，采用所述后验分布函数输出所述淤堵管段和所述淤积深度作为预测结果。
另一方面，所述步骤S1包括：
步骤S11：根据监测降雨数据于所述排水管网模型中生成对应于每个所述排水管段的流速数据；
步骤S12：依照所述流速数据和所述淤堵风险系数赋值公式生成每个所述排水管段的淤堵风险系数；
步骤S13：根据所述淤堵风险系数自所述排水管段中筛选得到所述高风险管段并添加至所述管段候选集中。
另一方面，于执行所述步骤S1后，还包括高风险管段标注过程，所述高风险管段标注过程包括：
步骤A1：依照所述排水管网模型在数字地图上绘制所述排水管段；
步骤A2：于所述排水管段中，根据所述淤堵风险系数赋值公式的输出结果对所述排水管段进行标注；
标注结果包括所述高风险管段。
另一方面，所述步骤S11中，所述流速数据包括：对应于所述排水管段的淤积流速下限、对应于所述排水管段的冲刷流速上限、对应于所述排水管段的实时流速和对应于所述实时流速的时间段；
则所述步骤S12中，所述淤堵风险系数赋值公式包括。
Figure BDA0004042124290000031
式中，mij为所述淤堵风险系数，k为经验系数，i为所述排水管段的编号，j为降雨次数，vi1为第j场降雨时第i条所述排水管段的第一流速，所述第一流速为低于所述淤积流速下限的所述实时流速，ti1为对应于所述第一流速的第一时间段，vi2为第i条所述排水管段的第二流速，所述第二流速为高于所述冲刷流速上限的所述实时流速，v冲刷为所述冲刷流速上限，ti2为对应于所述第二流速的第二时间段。
另一方面，于执行所述步骤S11之后，执行所述步骤S12之前还包括流速判别过程，所述流速判别过程包括：
步骤S201：将所述实时流速分别与所述淤积流速下限、所述冲刷流速上限进行比较，生成所述第一流速和所述第二流速；
步骤S202：依照所述第一流速所对应的所述实时流速生成所述第一时间段，并根据所述第二流速对应的所述实时流速生成所述第二时间段。
另一方面，所述步骤S2中，所述先验分布函数的构建方法包括：
Figure BDA0004042124290000032
式中，p(x)为所述先验分布函数，i为所述管段候选集中所述高风险管段的编号，i∈[1,n]，xi为所述未知参数，包括所述淤堵管段jx和所述淤积深度mx，[ai,bi]为所述未知参数的取值范围。
另一方面，所述步骤S4中，所述似然函数包括：
Figure BDA0004042124290000041
式中，P(Y/X)为所述似然函数，m为所述淤积深度，jx为所述淤堵管段，yi为第i个所述液位监测点的液位监测数据，i∈[1,n]，ti为所述预测数据中对应于第i个所述液位监测点的预测值。
另一方面，所述步骤S6中，所述后验分布函数包括：
Figure BDA0004042124290000042
式中，P(X/Y)为所述后验分布函数，xi为所述未知参数，i∈[1,n]，包括所述淤堵管段jx和所述淤积深度mx，[ai,bi]为所述未知参数的取值范围，m为所述淤积深度，jx为所述淤堵管段，yi为第i个所述液位监测点的液位数据，i∈[1,n]，ti为所述预测数据中对应于第i个所述液位监测点的预测值。
一种管网淤堵风险的预测系统，用于实施上述的预测方法，包括：
高风险筛选模块，所述高风险筛选模块自排水管网模型中依照监测降雨数据筛选得到高风险管段并添加至管段候选集中；
先验分布函数模块，所述先验分布函数模块连接所述高风险筛选模块，所述先验分布函数模块依照所述监测降雨数据构建用于求解淤堵管段和淤积深度的先验分布函数；
预测模块，所述预测模块连接所述先验分布函数模块，所述预测模块获取所述先验分布函数输出的数据组合并采用水力学模型生成预测数据；
验证模块，所述验证模块连接所述预测模块，所述验证模块依照所述预测数据和液位监测数据来构建似然函数，并对所述数据组合进行迭代后输出；
输出模块，所述输出模块连接所述验证模块，所述输出模块根据所述先验分布函数和所述似然函数生成后验分布函数，随后采用所述后验分布函数输出所述淤堵管段和所述淤积深度作为预测结果。
上述技术方案具有如下优点或有益效果：
针对现有技术中的水力学模型不能直接用于判断管网的实际淤堵情况，导致对管网的探查过程耗时较长的问题，本方案通过构建先验分布函数，输出可能发生淤堵状况的淤堵管段与淤积深度的数据组合至水力学模型中进行模拟，并基于实际的液位监测数据进行似然函数构建、迭代，从而得出实际可行的数据组合来构建后验分布函数，以此实现了对淤堵状况较好的预测效果。进一步地，针对现有技术中对管网进行探查的整体效率较低的问题，本方案还在抽取数据组合之前对各排水管段的淤堵风险进行预测，并仅对高风险管段的淤堵状况进行预测，从而减少了待预测的数据量，提高了处理效率。
附图说明
参考所附附图，以更加充分的描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。
图1为本发明实施例的整体示意图；
图2为本发明实施例中步骤S1子步骤示意图；
图3为本发明实施例中高风险管段标注过程示意图；
图4为本发明实施例中高风险管段标注图；
图5为本发明实施例中流速判别过程示意图；
图6为本发明实施例中预测系统示意图。
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的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明包括：
一种管网淤堵风险的预测方法，针对待预测地区预先建立有排水管网模型，排水管网模型中设置有多条排水管段，排水管段中分布有液位监测点，如图1所示，预测方法包括：
步骤S1：于降雨时基于排水管网模型计算每个排水管段的流速数据，根据流速数据采用淤堵风险系数赋值公式自排水管网模型中筛选出多个高风险管段并添加至管段候选集中；
步骤S2：将淤堵管段和淤积深度作为未知参数构建先验分布函数；
淤堵管段自管段候选集中选取；
步骤S3：将先验分布函数输出的对应于未知参数的数据组合输入水力学模型得到预测数据；
步骤S4：自液位监测点提取液位监测数据，根据液位监测数据和预测数据构建似然函数；
步骤S5：根据似然函数判断输出数据是否符合相似度门限；
若是，转向步骤S6；
若否，返回步骤S3并抽取新的数据组合；
步骤S6：根据先验分布函数和似然函数生成后验分布函数，采用后验分布函数输出淤堵管段和淤积深度作为预测结果。
具体地，针对现有技术中的水力学模型不能直接用于得出管段的实际淤积情况的问题，本实施例中，通过对待预测地区的排水管网建立排水管网模型并设置液位监测点。液位监测点通常与排水管段相对应，能够用于获取各排水管段的实际液位监测数据。随后，通过对待求解的淤堵管段和淤积深度作为未知参数来构建先验分布函数，该先验分布函数用于输出数据组合，包括(淤堵管段；淤堵管段的淤积深度)，将该部分数据组合加入水力学模型中，从而使得水力学模型能够预测出该淤堵状况下的管网内液位的变化情况，即，对应于各液位监测点上的液位预测值，将该部分液位预测值作为预测数据数据，并结合实际布设的液位监测点上的液位监测数据来构建似然函数，通过相似性的高低来判断出先验分布函数输出的数据组合和实际可能发生的淤堵状况的拟合程度，并依次对各数据组合进行迭代，从而输出拟合度较高的数据组合来作为先验分布函数的实际输出，进而构建出实际可以用于预测出淤堵状况的后验分布函数，以此来实现对管网的淤堵状况的有效预测，减少了对管网淤堵状况排查过程中的探查时间、人力成本，提高了排查效率。
进一步地，针对现有技术中对管网的探查过程效率较低的问题，本实施例中，在构建先验分布函数、对输出的数据组合进行模拟之前，预先通过对降雨时各排水管段中产生的流速数据对排水管段的淤堵风险进行判断，从而筛选出淤堵风险较高的高风险管段并添加至管段候选集中，后续的淤堵管段中仅从该部分高风险管段中进行选取，从而实现了对待预测的管段较好的筛选效果，减少了待预测的数据量，提高了处理效率。
在一个实施例中，如图2所示，步骤S1包括：
步骤S11：根据监测降雨数据于排水管网模型中生成对应于每个排水管段的流速数据；
步骤S12：依照流速数据和淤堵风险系数赋值公式生成每个排水管段的淤堵风险系数；
步骤S13：根据淤堵风险系数自排水管段中筛选得到高风险管段并添加至管段候选集中。
具体地，针对现有技术中，部分依靠模型对排水管网进行预测的方案其预测效率相对较低的问题，本实施例中，通过在构建分布函数之前，预先根据监测降雨数据生成每个排水管段的流速数据，包括该排水管段的冲刷流速、淤积流速和实时流速等，并依照流速数据计算得到每个排水管段的淤堵风险系数。该淤堵风险系数为依照流速数据预测得到的各个排水管段的淤堵概率，其范围为[0,1]。随后，依照预先划定的系数范围对淤堵风险系数进行匹配，可以得到高风险管段。
在一个实施例中，在[0,1]范围内划定了三个连续的系数范围，包括：mij(a,b)为淤堵低风险，mij(b,c)为淤堵中风险；mij(c,d)为淤堵高风险。其中，仅当淤堵风险系数落入到高风险所在的系数范围，即mij(c,d)时，将该排水管段标定为高风险管段，以此来减少后续需要进行函数设计、迭代的数据量。
在一个实施例中，于执行步骤S1后，还包括高风险管段标注过程，如图3所示，高风险管段标注过程包括：
步骤A1：依照排水管网模型在数字地图上绘制排水管段；
步骤A2：于排水管段中，根据淤堵风险系数赋值公式的输出结果对排水管段进行标注；
标注结果包括高风险管段。
具体地，为实现较好的用户体验，本实施例中，针对待预测地区，在完成了淤堵风险系数的试算后，还进一步地依照排水管网模型结合数字地图绘制出排水管段，并依照淤堵风险系数赋值公式的输出结果，即，各管段的风险系数，包括高风险管段、中风险管段和低风险管段，对绘制出的管段进行不同形式的标注，从而形成如图4所示的标注图，其中，管段Pi1即为通过淤堵风险计算获得的高风险管段，以此来较好地示出待预测地图中的排水管段淤堵风险；为实现较好的用户体验，还可进一步地将步骤S1中计算出的流速数据以图表的形式体现在显示界面中，包括各排水管段的流速于各时段中的分布情况、各风险系数在总体管段中的占比等，作为对排水管段的标注的补充，以此来实现较为清楚的标注效果。
在一个实施例中，步骤S11中，流速数据包括：对应于排水管段的淤积流速下限、对应于排水管段的冲刷流速上限、对应于排水管段的实时流速和对应于实时流速的时间段；
则步骤S12中，淤堵风险系数赋值公式包括。
Figure BDA0004042124290000081
式中，mij为淤堵风险系数，k为经验系数，i为排水管段的编号，j为降雨次数，vi1为第j场降雨时第i条排水管段的第一流速，第一流速为低于淤积流速下限的实时流速，ti1为对应于第一流速的第一时间段，vi2为第i条排水管段的第二流速，第二流速为高于冲刷流速上限的实时流速，v冲刷为冲刷流速上限，ti2为对应于第二流速的第二时间段。
具体地，为实现对高淤堵风险的排水管段较好的筛选效果，本实施例中，针对每条排水管段预先生成了会导致排水管段发生淤积的淤积流速下限，和可以在排水管段中有效形成冲刷效应的冲刷流速上限，这两项参数可以依照排水管段的历史维护记录、排水管段的施工参数，包括管段标高、倾斜角、直径等结合水力学模型求出。并结合排水管段的实时流速、各实时流速之间的时间段来对排水管段中的淤积-冲刷情况进行模拟，从而计算出各排水管段的淤堵风险系数，实现了较好的判断效果。
在一个实施例中，于执行步骤S11之后，执行步骤S12之前还包括流速判别过程，如图5所示，流速判别过程包括：
步骤S201：将实时流速分别与淤积流速下限、冲刷流速上限进行比较，生成第一流速和第二流速；
步骤S202：依照第一流速所对应的实时流速生成第一时间段，并根据第二流速对应的实时流速生成第二时间段。
具体地，为实现对各排水管段的淤堵风险较好的判别效果，本实施例中，当获取到了因多次降雨产生的流速数据后，将实时流速分别与淤积流速下限、冲刷流速上限进行比较。其中，针对单条排水管段，其采集到的实时流速为依照时间顺序组成的数组，针对数组中的每一个实时流速，分别与淤积流速下限、冲刷流速上限进行比较，从而仅保留低于淤积流速下限的第一流速和高于冲刷流速上限的第二流速。此时，通常会存在有多个连续的第一流速或第二流速，依照保留下来的、连续的第一流速对其所对应的时间点进行查找，从而获取到连续的时间点作为第一时间段，同样地，基于该方法也可查找到第二时间段，以此来实现了对各排水管段的状态的判断。
在一个实施例中，步骤S2中，先验分布函数的构建方法包括：
Figure BDA0004042124290000101
式中，p(x)为先验分布函数，i为管段候选集中高风险管段的编号，i∈[1,n]，xi为未知参数，包括淤堵管段jx和淤积深度mx，[ai,bi]为未知参数的取值范围。
具体地，为实现对排水管网的淤堵情况较好的判断效果，本实施例中，在针对各高风险管段构建先验分布函数的过程中，选取了淤堵管段jx和淤积深度mx作为未知参数，并将淤堵管段jx和淤积深度mx的概率分布情况设置为在取值范围内的均匀分布情况，随后对先验分布函数抽取数据组合，作为可能的淤积情况进行进一步的预测、判断，进而实现了对排水管网中的高风险管段的淤堵情况进行较好的表征。
在一个实施例中，步骤S4中，似然函数包括：
Figure BDA0004042124290000102
式中，P(Y/X)为似然函数，m为淤积深度，jx为淤堵管段，yi为第i个液位监测点的液位监测数据，i∈[1,n]，ti为预测数据中对应于第i个液位监测点的预测值。
具体地，为实现较好的预测效果，本实施例中，在抽取了先验分布函数输出的数据组合后，将其输入至水力学模型中，从而模拟出对应于数据组合的淤堵状况下管段的液位变化情况作为预测数据，并进一步地结合实际的液位监测数据构建似然函数，来判断出该数据组合所代表的淤堵状况与实际淤堵情况的相似度，从而可以通过与相似度门限进行比较，来实际筛选出可能的淤堵状况的数据组合。
在一个实施例中，步骤S6中，后验分布函数包括：
Figure BDA0004042124290000111
式中，P(X/Y)为后验分布函数，xi为未知参数，i∈[1,n]，包括淤堵管段jx和淤积深度mx，[ai,bi]为未知参数的取值范围，m为淤积深度，jx为淤堵管段，yi为第i个液位监测点的液位数据，i∈[1,n]，ti为预测数据中对应于第i个液位监测点的预测值。
进一步地，为实现较好的估计效果，针对后验分布函数进行马尔科夫蒙特卡罗法(MCMC)抽样，定义从任意一个淤积管段和淤积深度初始解开始，通过循环迭代不断调节抽样范围，使得计算范围不断逼近监测值，最终获得未知参数在不同取值下的概率分布，即参数的后验分布，来估计淤积管段位置和淤积深度参数值。
一种管网淤堵风险的预测系统，用于实施上述的预测方法，如图6所示，包括：
高风险筛选模块1，高风险筛选模块1自排水管网模型中依照监测降雨数据筛选得到高风险管段并添加至管段候选集中；
先验分布函数模块2，先验分布函数模块2连接高风险筛选模块1，先验分布函数模块2依照监测降雨数据构建用于求解淤堵管段和淤积深度的先验分布函数；
预测模块3，预测模块3连接先验分布函数模块2，预测模块3获取先验分布函数输出的数据组合并采用水力学模型生成预测数据；
验证模块4，验证模块4连接预测模块3，验证模块4依照预测数据和液位监测数据来构建似然函数，并对数据组合进行迭代后输出；
输出模块5，输出模块5连接验证模块4，输出模块5根据先验分布函数和似然函数生成后验分布函数，随后采用后验分布函数输出淤堵管段和淤积深度作为预测结果。
具体地，针对现有技术中的模型预测效果不佳的问题，本实施例中，通过对待预测地区的排水管网建立排水管网模型并设置液位监测点。液位监测点通常与排水管段相对应，能够用于获取各排水管段的实际液位监测数据。随后，依照实际降雨时产生的监测降雨数据，包括降水量、降水导致的水位状况等，对排水管段进行筛选，从而得出较为容易发生淤堵的多个高风险管段。随后，针对该部分高风险管段，通过构建先验分布函数，并采用实际的液位监测数据来构建似然函数，从而判断出该先验分布函数的预测情况与实际的液位监测数据的相似度，并作为迭代过程的判断条件。若相似度低于预先设置的相似度阈值，则表明当前的先验分布函数不能有效预测出实际的管段淤堵情况，需要进行调整。通过上述的迭代过程来实现对先验分布函数和似然函数的调整过程，进而构建相对准确的后验分布函数，实现了对淤堵管道和淤积深度的有效预测过程。
在一个实施例中，某排口上游总计65个管段，在排口处及管网主要节点设有4处液位监测数据。对模型参数进行模型反演计算，jx表示淤堵管段编号为1-65，mx为淤堵深度，取(0mm,500mm)。
根据先验信息，待反演模型先验分布为均匀分布，其对应先验密度函数分别为：
Figure BDA0004042124290000121
Figure BDA0004042124290000122
式中，jx为淤堵管段，mx为淤堵深度。
由于液位监测设备存在误差，所以假定观测误差服从标准差为σ＝0.01的正态分布N(0，σ2)，则管网淤堵的似然函数可表示为：
Figure BDA0004042124290000123
式中，P(jx,mx)为似然函数，，jx为淤堵管段，mx为淤积深度mx，yi为第i个液位监测点的液位数据，i∈[1,4]，ti为基于先验分布函数计算得到的第i个液位监测点的预测值。
根据贝叶斯定理，模型参数的后验分布函数为：
Figure BDA0004042124290000131
式中，α为比例常数，P(jx,mx)为后验分布函数，jx为淤堵管段，mx为淤积深度mx，yi为第i个液位监测点的液位数据，i∈[1,4]，ti为基于先验分布函数计算得到的第i个液位监测点的预测值。
上式即为管网淤堵风险分析未知参数的管段编号J和淤积深度m的后验概率密度函数。
对模型参数进行抽样。将所有可能的高风险淤堵管段进行编号J1，J2，…J65,取样步长取1，则共有65个样本。管网淤堵深度取值范围0-400mm,取样步长取50mm,则共有9个样本。
将两个参数随机组合并一一列举65*9＝585，并根据马尔科夫蒙特卡罗法抽样判断参数组合是否保留，多次取样获得参数结果的概率分布。就可以得到位置参数J、m的后验概率密度分布。
在一个实施例中，步骤S2中，先验分布函数的构建方法包括：
Figure BDA0004042124290000132
式中，p(x)为先验分布函数，i为管段候选集中高风险管段的编号，i∈[1,n]，xi为未知参数，包括淤堵管段jx和淤积深度mx，[ai,bi]为未知参数的取值范围。
在一个实施例中，步骤S3中，似然函数包括：
Figure BDA0004042124290000133
式中，P(Y/X)为似然函数，m为淤积深度，jx为淤堵管段，yi为第i个高风险管段中的液位监测点的液位监测数据，i∈[1,n]，ti为基于先验分布函数计算得到的第i个液位监测点的预测值。
在一个实施例中，步骤S5中，后验分布函数包括：
Figure BDA0004042124290000141
式中，P(X/Y)为后验分布函数，xi为未知参数，i∈[1,n]，包括淤堵管段jx和淤积深度mx，[ai,bi]为未知参数的取值范围，m为淤积深度，jx为淤堵管段，yi为第i个液位监测点的液位数据，i∈[1,n]，ti为基于先验分布函数计算得到的第i个液位监测点的预测值。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (9)

1.一种管网淤堵风险的预测方法，其特征在于，针对待预测地区预先建立有排水管网模型，所述排水管网模型中设置有多条排水管段，所述排水管段中分布有液位监测点，所述预测方法包括：
步骤S1：于降雨时基于所述排水管网模型计算每个所述排水管段的流速数据，根据所述流速数据采用淤堵风险系数赋值公式自所述排水管网模型中筛选出多个高风险管段并添加至管段候选集中；
步骤S2：将淤堵管段和淤积深度作为未知参数构建先验分布函数；
所述淤堵管段自所述管段候选集中选取；
步骤S3：将所述先验分布函数输出的对应于所述未知参数的数据组合输入水力学模型得到预测数据；
步骤S4：自所述液位监测点提取液位监测数据，根据所述液位监测数据和所述预测数据构建似然函数；
步骤S5：根据所述似然函数判断所述输出数据是否符合相似度门限；
若是，转向步骤S6；
若否，返回所述步骤S3并抽取新的所述数据组合；
步骤S6：根据所述先验分布函数和所述似然函数生成后验分布函数，采用所述后验分布函数输出所述淤堵管段和所述淤积深度作为预测结果。
2.根据权利要求1所述的预测方法，其特征在于，所述步骤S1包括：
步骤S11：根据监测降雨数据于所述排水管网模型中生成对应于每个所述排水管段的流速数据；
步骤S12：依照所述流速数据和所述淤堵风险系数赋值公式生成每个所述排水管段的淤堵风险系数；
步骤S13：根据所述淤堵风险系数自所述排水管段中筛选得到所述高风险管段并添加至所述管段候选集中。
3.根据权利要求1所述的预测方法，其特征在于，于执行所述步骤S1后，还包括高风险管段标注过程，所述高风险管段标注过程包括：
步骤A1：依照所述排水管网模型在数字地图上绘制所述排水管段；
步骤A2：于所述排水管段中，根据所述淤堵风险系数赋值公式的输出结果对所述排水管段进行标注；
标注结果包括所述高风险管段。
4.根据权利要求2所述的预测方法，其特征在于，所述步骤S11中，所述流速数据包括：对应于所述排水管段的淤积流速下限、对应于所述排水管段的冲刷流速上限、对应于所述排水管段的实时流速和对应于所述实时流速的时间段；
则所述步骤S12中，所述淤堵风险系数赋值公式包括。
Figure FDA0004042124280000021
式中，mij为所述淤堵风险系数，k为经验系数，i为所述排水管段的编号，j为降雨次数，vi1为第j场降雨时第i条所述排水管段的第一流速，所述第一流速为低于所述淤积流速下限的所述实时流速，ti1为对应于所述第一流速的第一时间段，vi2为第i条所述排水管段的第二流速，所述第二流速为高于所述冲刷流速上限的所述实时流速，v冲刷为所述冲刷流速上限，ti2为对应于所述第二流速的第二时间段。
5.根据权利要求4所述的预测方法，其特征在于，于执行所述步骤S11之后，执行所述步骤S12之前还包括流速判别过程，所述流速判别过程包括：
步骤S201：将所述实时流速分别与所述淤积流速下限、所述冲刷流速上限进行比较，生成所述第一流速和所述第二流速；
步骤S202：依照所述第一流速所对应的所述实时流速生成所述第一时间段，并根据所述第二流速对应的所述实时流速生成所述第二时间段。
6.根据权利要求1所述的预测方法，其特征在于，所述步骤S2中，所述先验分布函数的构建方法包括：
Figure FDA0004042124280000022
式中，p(x)为所述先验分布函数，i为所述管段候选集中所述高风险管段的编号，i∈[1,n]，xi为所述未知参数，包括所述淤堵管段jx和所述淤积深度mx，[ai,bi]为所述未知参数的取值范围。
7.根据权利要求1所述的预测方法，其特征在于，所述步骤S4中，所述似然函数包括：
Figure FDA0004042124280000031
式中，P(Y/X)为所述似然函数，m为所述淤积深度，jx为所述淤堵管段，yi为第i个所述液位监测点的液位监测数据，i∈[1,n]，ti为所述预测数据中对应于第i个所述液位监测点的预测值。
8.根据权利要求1所述的预测方法，其特征在于，所述步骤S6中，所述后验分布函数包括：
Figure FDA0004042124280000032
式中，P(X/Y)为所述后验分布函数，xi为所述未知参数，i∈[1,n]，包括所述淤堵管段jx和所述淤积深度mx，[ai,bi]为所述未知参数的取值范围，m为所述淤积深度，jx为所述淤堵管段，yi为第i个所述液位监测点的液位数据，i∈[1,n]，ti为所述预测数据中对应于第i个所述液位监测点的预测值。
9.一种管网淤堵风险的预测系统，其特征在于，用于实施如权利要求1-8任意一项所述的预测方法，包括：
高风险筛选模块，所述高风险筛选模块自排水管网模型中依照监测降雨数据筛选得到高风险管段并添加至管段候选集中；
先验分布函数模块，所述先验分布函数模块连接所述高风险筛选模块，所述先验分布函数模块依照所述监测降雨数据构建用于求解淤堵管段和淤积深度的先验分布函数；
预测模块，所述预测模块连接所述先验分布函数模块，所述预测模块获取所述先验分布函数输出的数据组合并采用水力学模型生成预测数据；
验证模块，所述验证模块连接所述预测模块，所述验证模块依照所述预测数据和液位监测数据来构建似然函数，并对所述数据组合进行迭代后输出；
输出模块，所述输出模块连接所述验证模块，所述输出模块根据所述先验分布函数和所述似然函数生成后验分布函数，随后采用所述后验分布函数输出所述淤堵管段和所述淤积深度作为预测结果。
CN202310019848.8A 2023-01-06 2023-01-06 一种管网淤堵风险的预测方法及系统 Pending CN116090633A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310019848.8A CN116090633A (zh) 2023-01-06 2023-01-06 一种管网淤堵风险的预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310019848.8A CN116090633A (zh) 2023-01-06 2023-01-06 一种管网淤堵风险的预测方法及系统

Publications (1)

Publication Number Publication Date
CN116090633A true CN116090633A (zh) 2023-05-09

Family

ID=86209807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310019848.8A Pending CN116090633A (zh) 2023-01-06 2023-01-06 一种管网淤堵风险的预测方法及系统

Country Status (1)

Country Link
CN (1) CN116090633A (zh)

Similar Documents

Publication Publication Date Title
Jung et al. Robustness-based design of water distribution systems
CN104969216B (zh) 分级潜在变量模型估计设备
CN105804730B (zh) 使用历史井数据的资源识别的方法和系统
JP6716328B2 (ja) 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
CN109840587A (zh) 基于深度学习的水库入库流量预测方法
CN115759459B (zh) 一种雨水工情耦合的流域洪水流量集合概率智能预报方法
Contreras et al. Forecasting flood hazards in real-time: a surrogate model for hydrometeorological events in an Andean watershed
Srinivasan et al. Robust system size reduction of discrete fracture networks: A multi-fidelity method that preserves transport characteristics
Freni et al. Assessment of data availability influence on integrated urban drainage modelling uncertainty
Pulido et al. Study of the spatiotemporal correlation between sediment-related blockage events in the sewer system in Bogotá (Colombia)
Liu et al. A bilevel data-driven method for sewer deposit prediction under uncertainty
Mannina et al. Uncertainty in sewer sediment deposit modelling: Detailed vs simplified modelling approaches
Asghari et al. Spatial rainfall prediction using optimal features selection approaches
Jhong et al. Optimization of LSTM parameters for flash flood forecasting using genetic algorithm
Kizilöz Prediction of daily failure rate using the serial triple diagram model and artificial neural network
CN114718556A (zh) 人工裂缝参数的获取方法、装置及设备
CN116090633A (zh) 一种管网淤堵风险的预测方法及系统
Lian et al. Guarantee rate of freshwater in a river mouth intruded by saltwater with respect to the joint impact of runoff and tide
Han et al. Developing a multi-objective simulation-optimization model for ecological water conveyance in arid inland river basins
Zahraie et al. SST clustering for winter precipitation prediction in southeast of Iran: Comparison between modified K-means and genetic algorithm-based clustering methods
CA3095746C (en) Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter
Nazemi et al. Extracting a set of robust Pareto-optimal parameters for hydrologic models using NSGA-II and SCEM
Kirlas et al. Effects of pumping flow rates on the estimation of hydrogeological parameters
CN114723177A (zh) 一种基于da-ssl的洪涝灾害预测预警方法
Huang et al. A coupled dynamic system inversion model for higher accuracy in flood forecasting

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