CN116381187B - 一种基于5g网络远程控制的土壤酸度实时监测方法 - Google Patents
一种基于5g网络远程控制的土壤酸度实时监测方法 Download PDFInfo
- Publication number
- CN116381187B CN116381187B CN202310116445.5A CN202310116445A CN116381187B CN 116381187 B CN116381187 B CN 116381187B CN 202310116445 A CN202310116445 A CN 202310116445A CN 116381187 B CN116381187 B CN 116381187B
- Authority
- CN
- China
- Prior art keywords
- soil
- monitoring
- data
- monitoring equipment
- corrosion rate
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 229
- 238000012544 monitoring process Methods 0.000 title claims abstract description 207
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000007797 corrosion Effects 0.000 claims abstract description 80
- 238000005260 corrosion Methods 0.000 claims abstract description 80
- 238000005070 sampling Methods 0.000 claims abstract description 74
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 230000010485 coping Effects 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 239000000523 sample Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000012806 monitoring device Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 16
- 239000010410 layer Substances 0.000 description 10
- 230000020477 pH reduction Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- -1 aluminum ions Chemical class 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000002386 leaching Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004173 biogeochemical cycle Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Food Science & Technology (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biochemistry (AREA)
- Molecular Biology (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Medical Informatics (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种基于5G网络远程控制的土壤酸度实时监测方法，包括以下步骤：获取监测区域数据，根据监测要求合理布置土壤参数监测设备；利用基于5G网络的远程控制技术实时采集监测数据，获取不同时段和地理位置的土壤参数数据；分别对土壤的腐蚀程度、监测设备的状态及使用寿命进行评估；基于评估结果对监测设备及其采样位置开展相对应的应对策略。本发明可以对土壤的腐蚀程度、监测设备的状态及使用寿命进行综合评估，并基于评估结果对监测设备及其采样位置开展相对应的应对策略，相比于传统的人工监测方式，本发明可以利用远程监测技术来避免现场测试所需人力物力的消耗，有效地提高了经济效益，可以更好地满足于企业的使用需求。
Description
技术领域
本发明涉及土壤监测技术领域，具体来说，涉及一种基于5G网络远程控制的土壤酸度实时监测方法。
背景技术
土壤酸化作为土壤退化的一个重要类型，是当今世界上土壤退化中客观存在的、极为普遍的现象之一。从生物地球化学循环的角度来看，土壤酸化是由于元素循环的脱节引起的。导致元素循环脱节的因素既有自然的，也有人为的。土壤酸化本是一个自然过程，这一过程的速度通常是非常缓慢的。
最近几十年来，由于大气环境污染和不当的农业措施等人为活动的影响，土壤的酸化进程大大加速。土壤酸化将加速土壤酸度的下降和养分离子的淋失以及土壤某些微量元素向难溶态转化，使土壤中养分的供应严重失调，从而可能诱发植物出现营养元素的缺乏，使作物的生长受到严重的阻碍，导致作物产量及品质下降和森林退化；酸化还会导致土壤释放出致害铝离子和重金属等污染物，并污染地表水和地下水危害水生生物等。
由于土壤酸化使土壤中盐基离子淋失等原因，导致土壤结构退化，对农、林生态系统产生严重的破坏效应，并由此引来了一系列十分严重的环境问题。土壤酸化不仅限制了作物生产和土地的可持续利用，对农业和生态环境的当前影响，更重要的是受它影响的土地面积及它对农业和环境的影响程度都将随时间的增加而迅速增加。
目前，对于土壤的酸度监测而言大多采用工作人员亲自到现场进行检测的方式来实现，而随着5G无线网络的快速发展，无线网络通讯越来越稳定，速度越来越快，完全可以满足工业控制对安全、可靠的通讯需求，且无线网络覆盖广，使用方便。同时，随着人工工资快速增长，无人值守、集中监控需求大幅增加。因此通过5G网络来实现远程控制得到了快速的发展，且稳定性、可靠性完全可以满足常规的使用要求。故本发明提出了一种基于5G网络远程控制的土壤酸度实时监测方法。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种基于5G网络远程控制的土壤酸度实时监测方法，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
一种基于5G网络远程控制的土壤酸度实时监测方法，该监测方法包括以下步骤：
S1、获取监测区域数据，并根据监测要求合理布置土壤参数监测设备；
S2、利用基于5G网络的远程控制技术实时采集监测数据，获取不同时段和地理位置的土壤参数数据；
S3、根据获取的土壤参数数据分别对土壤的腐蚀程度、监测设备的状态及使用寿命进行评估；
S4、基于评估结果对监测设备及其采样位置开展相对应的应对策略。
进一步的，所述获取监测区域数据，并根据监测要求合理布置土壤参数监测设备包括以下步骤：
S11、获取监测区域的占地面积数据，并将监测区域等分为若干采样区域；
S12、根据监测要求在每个采样区域内设置有相同数量的土壤酸度传感器；
S13、依据采样区域和采样点对土壤酸度传感器进行编号。
进一步的，所述利用基于5G网络的远程控制技术实时采集监测数据，获取不同时段和地理位置的土壤参数数据包括以下步骤：
S21、利用基于5G网络的远程控制技术实时采集监测设备的监测数据；
S22、根据采样时段和地理位置对采集的监测数据进行分类存储，得到若干组土壤参数数据；
其中，每组土壤参数数据均为相同时间段同一采样区域内的监测数据。
进一步的，所述根据获取的土壤参数数据分别对土壤的腐蚀程度、监测设备的状态及使用寿命进行评估包括以下步骤：
S31、获取土壤参数数据，并计算每组土壤参数数据中土壤酸度的平均值；
S32、计算土壤参数数据中每个土壤酸度值与平均值的差值，并基于计算结果对每组土壤参数数据中的异常数据进行清除；
S33、根据处理后的土壤参数数据计算土壤的腐蚀速率，并根据土壤的腐蚀速率对土壤的腐蚀性进行等级划分；
S34、利用预先构建的神经网络模型输出当前时刻的土壤预测腐蚀速率，并结合当前时刻的土壤预测腐蚀速率及当前时刻土壤的监测腐蚀速率来计算监测数据的相对准确率；
S35、根据监测数据的相对准确率来对监测设备的状态及使用寿命进行评估。
进一步的，所述根据处理后的土壤参数数据计算土壤的腐蚀速率，并根据土壤的腐蚀速率对土壤的腐蚀性进行等级划分包括以下步骤：
S331、利用腐蚀速率计算公式结合处理后的土壤参数数据计算土壤的腐蚀速率；
S332、利用预设的土壤划分法对土壤的腐蚀速率对土壤的腐蚀性进行等级划分。
进一步的，所述腐蚀速率的计算公式为：
式中，Lx表示土壤酸度传感器中与土壤接触的探头长度，Lr表示土壤酸度传感器中不与土壤接触的探头长度，rx(t1)表示土壤酸度传感器中与土壤接触探头在t1时刻的半径，rx(t2)表示土壤酸度传感器中与土壤接触探头在t2时刻的半径，rr表示土壤酸度传感器中不与土壤接触的探头的半径。
进一步的，所述利用预先构建的神经网络模型输出当前时刻的土壤预测腐蚀速率，并结合当前时刻的土壤预测腐蚀速率及当前时刻土壤的监测腐蚀速率来计算监测数据的相对准确率包括以下步骤：
S341、获取数据库中的历史土壤腐蚀速率数据，并基于获取的历史土壤腐蚀速率数据构建神经网络模型并进行训练；
S342、利用训练后的神经网络模型结合上一时刻的土壤腐蚀速率输出当前时刻的土壤预测腐蚀速率；
S343、结合当前时刻的土壤预测腐蚀速率及当前时刻土壤的监测腐蚀速率来计算监测数据的相对准确率。
进一步的，所述相对准确率的计算公式为：
式中，fi表示采样点i的预测值，yi表示采样点i的真实值，n表示采样点的总数。
进一步的，所述根据监测数据的相对准确率来对监测设备的状态及使用寿命进行评估包括以下步骤：
S351、获取每个采样区域中各采样点的监测数据的相对准确率；
S352、根据各采样点监测设备的相对准确率结合预先设定的状态对应表对监测设备的状态进行分析；
S353、根据监测设备的状态分析结果对监测设备的使用寿命进行评估；
其中，所述监测设备的状态包括正常状态、异常状态和故障状态。
进一步的，所述基于评估结果对监测设备及其采样位置开展相对应的应对策略包括以下步骤：
S41、获取每组土壤参数数据中的异常数据及监测设备的状态信息；
S42、根据土壤参数数据中的异常数据结合监测设备的编号实现对异常监测设备的识别，并基于识别结果对监测设备的采样位置进行调整；
S43、根据监测设备的状态信息对监测设备进行相应的处理；
其中，相应的处理包括以下三种情况：
第一种，当监测设备的状态信息为正常状态时，则无需任何操作；
第二种，当监测设备的状态信息为异常状态时，则对该监测设备进行清洁处理；
第三种，当监测设备的状态信息为故障状态时，则对该监测设备进行更换。
本发明的有益效果为：
1)通过根据监测要求在监测区域内合理的布置土壤参数监测设备，利用基于5G网络的远程控制技术实时采集不同时段和地理位置的土壤参数数据，从而可以根据获取的土壤参数数据分别对土壤的腐蚀程度、监测设备的状态及使用寿命进行评估，并基于评估结果对监测设备及其采样位置开展相对应的应对策略，相比于传统的人工监测方式，本发明可以利用远程监测技术来避免现场测试所需人力物力的消耗，从而有效地提高了经济效益，可以更好地满足于企业的使用需求。
2)本发明可以根据监测数据中的异常数据来实现对异常监测设备的识别，从而可以结合采样区域和采样点的编号来实现对异常采样点的识别，从而可以基于识别结果对监测设备的异常采样位置进行调整，有效地避免了因采样位置异常而给监测结果带来的影响，可以更好地满足于企业的监测需求。
3)本发明通过利用预先构建的神经网络模型输出当前时刻的土壤预测腐蚀速率，并可以结合当前时刻的土壤预测腐蚀速率及当前时刻土壤的监测腐蚀速率来实现对监测数据相对准确率的计算，从而可以根据监测数据的相对准确率来实现对监测设备的状态及使用寿命进行评估，并可以根据监测设备的状态信息来实现对监测设备的清洁或更换处理，从而有效地避免了因监测设备异常而给监测结果带来的影响，进而可以更好地满足于企业的监测需求。
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是根据本发明实施例的一种基于5G网络远程控制的土壤酸度实时监测方法的流程图。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种基于5G网络远程控制的土壤酸度实时监测方法。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于5G网络远程控制的土壤酸度实时监测方法，该监测方法包括以下步骤：
S1、获取监测区域数据，并根据监测要求合理布置土壤参数监测设备；
其中，所述获取监测区域数据，并根据监测要求合理布置土壤参数监测设备包括以下步骤：
S11、获取监测区域的占地面积数据，并将监测区域等分为若干采样区域；
S12、根据监测要求在每个采样区域内设置有相同数量的土壤酸度传感器；
具体的，本实施例中对于采样区域中采样点的选取时，为了保证采样数据具有代表性，可以根据不同分析项目和监测要求，确定正确的采样点位。在采样区域内分点采样时，一般有蛇形法、对角线法和梅花形法三种采集方法。蛇形法适用于面积较大，土壤不够均匀、地势不平坦的地方。对角线法适用于污灌农田土壤采样。梅花形法适用于面积较小，地势平坦、土壤组成均匀的地方。
此外，在传感器安装的过程中，如果测定点的土壤太干燥或肥份过多，无法测土壤的酸碱度时，须先泼水在测定点位置上，待28分钟后再测定。同时，使用传感器前须先用研磨布，在金属吸收板的部位，完全的擦拭清洁，以防影响测定值。若是未使用新品，金属板表层有保护油，须先插入土壤数次，磨净保护油层后再使用。
S13、依据采样区域和采样点对土壤酸度传感器进行编号。
具体的，本实施例中可以将若干采样区域依次标记为A、B、C、D、E、F等，将相同采样区域的不同采样点标记为1、2、3、4、5、6等，例如将A采样区域的不同采样点标记为A1、A2、A3、A4、A5、A6等，将B采样区域的不同采样点标记为B1、B2、B3、B4、B5、B6等。
S2、利用基于5G网络的远程控制技术实时采集监测数据，获取不同时段和地理位置的土壤参数数据；
其中，所述利用基于5G网络的远程控制技术实时采集监测数据，获取不同时段和地理位置的土壤参数数据包括以下步骤：
S21、利用基于5G网络的远程控制技术实时采集监测设备的监测数据；
S22、根据采样时段和地理位置对采集的监测数据进行分类存储，得到若干组土壤参数数据；
具体的，每组土壤参数数据均为相同时间段同一采样区域内的监测数据。
S3、根据获取的土壤参数数据分别对土壤的腐蚀程度、监测设备的状态及使用寿命进行评估；
其中，所述根据获取的土壤参数数据分别对土壤的腐蚀程度、监测设备的状态及使用寿命进行评估包括以下步骤：
S31、获取土壤参数数据，并计算每组土壤参数数据中土壤酸度的平均值；
具体的，在平均值的计算过程中容易因某个监测数据较大或较小而将整体的平均值增大或减小的状况，因此，本实施例在对同一采样区域中不同采样点的监测数据进行平均值求取时，为了保证平均值的真实性和可靠性，故可以参考求取平均分的方式来实现，即在对同一采样区域中不同采样点的监测数据进行平均值求取时，去掉一个该采样区域中监测数据的最大值和最小值，然后在求取该采样区域中监测数据的平均值。
S32、计算土壤参数数据中每个土壤酸度值与平均值的差值，并基于计算结果对每组土壤参数数据中的异常数据进行清除；
具体的，当某些采样点的差值明显小于或大于其他采样点的差值时，则可以判断该采样点的监测数据存在异常，并在土壤参数数据中清除该异常数据。此外，本实施例中对于异常数据的检测还可以采用均值法或其他方法来实现。
S33、根据处理后的土壤参数数据计算土壤的腐蚀速率，并根据土壤的腐蚀速率对土壤的腐蚀性进行等级划分；
具体的，所述根据处理后的土壤参数数据计算土壤的腐蚀速率，并根据土壤的腐蚀速率对土壤的腐蚀性进行等级划分包括以下步骤：
S331、利用腐蚀速率计算公式结合处理后的土壤参数数据计算土壤的腐蚀速率；所述腐蚀速率的计算公式为：
式中，Lx表示土壤酸度传感器中与土壤接触的探头长度，Lr表示土壤酸度传感器中不与土壤接触的探头长度，rx(t1)表示土壤酸度传感器中与土壤接触探头在t1时刻的半径，rx(t2)表示土壤酸度传感器中与土壤接触探头在t2时刻的半径，rr表示土壤酸度传感器中不与土壤接触的探头的半径。
本实施例中，探头半径(即截面积)的计算根据测量得到的与土壤接触的探头与土壤不接触的探头的电阻比值来计算(即采用欧姆定律计算)。
S332、利用预设的土壤划分法对土壤的腐蚀速率对土壤的腐蚀性进行等级划分。
具体的，本实施例中土壤腐蚀性等级根据DL/T 1554-2016《接地网土壤腐蚀性评价导则》中分级标准划分，以碳钢材料的腐蚀速率rcor进行土壤腐蚀性等级划分，如表1所示。
表1腐蚀速率rcor与土壤腐蚀性等级的对应表
S34、利用预先构建的神经网络模型输出当前时刻的土壤预测腐蚀速率，并结合当前时刻的土壤预测腐蚀速率及当前时刻土壤的监测腐蚀速率来计算监测数据的相对准确率；
具体的，所述利用预先构建的神经网络模型输出当前时刻的土壤预测腐蚀速率，并结合当前时刻的土壤预测腐蚀速率及当前时刻土壤的监测腐蚀速率来计算监测数据的相对准确率包括以下步骤：
S341、获取数据库中的历史土壤腐蚀速率数据，并基于获取的历史土壤腐蚀速率数据构建神经网络模型并进行训练；
S342、利用训练后的神经网络模型结合上一时刻的土壤腐蚀速率输出当前时刻的土壤预测腐蚀速率；
具体的，目前的神经网络模型基本结构按信息输入是否反馈，可以分为两种：前馈神经网络和反馈神经网络。
前馈神经网络(Feedforward Neural Network)中，信息从输入层开始输入，每层的神经元接收前一级输入，并输出到下一级，直至输出层。整个网络信息输入传输中无反馈(循环)。即任何层的输出都不会影响同级层，可用一个有向无环图表示。常见的前馈神经网络包括卷积神经网络(CNN)、全连接神经网络(FCN)、生成对抗网络(GAN)等；
反馈神经网络(Feedback Neural Network)中，神经元不但可以接收其他神经元的信号，而且可以接收自己的反馈信号。和前馈神经网络相比，反馈神经网络中的神经元具有记忆功能，在不同时刻具有不同的状态。反馈神经网络中的信息传播可以是单向也可以是双向传播，因此可以用一个有向循环图或者无向图来表示。常见的反馈神经网络包括循环神经网络(RNN)、长短期记忆网络(LSTM)、Hopfield网络和玻尔兹晏机。
本实施例中，对于神经网络的选择优选为循环神经网络(RNN)，循环神经网络，也称递归神经网络，是近年来深度学习领域热点技术之一。在机器翻译、语音识别及图像识别领域都取得了巨大成功。RNN出现的目的是来处理序列数据的。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，也就是说隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。理论上，RNN能够对任何长度的序列数据进行处理。
S343、结合当前时刻的土壤预测腐蚀速率及当前时刻土壤的监测腐蚀速率来计算监测数据的相对准确率。
所述相对准确率的计算公式为：
式中，fi表示采样点i的预测值，yi表示采样点i的真实值，n表示采样点的总数。
具体的，本实施例中的相对准确率还可以采用平均绝对误差(MAE)和均方根误差(RMSE)来替代，平均绝对误差是指所有预测值与真实值之间偏差绝对值的平均值，其表达式为：MAE能更好的反映预测值与真实值误差的实际情况，MAE值越大，表明预测值与真实值之间的差别越大，则监测数据准确率越低，反之越好。均方根误差是指所有预测值与真实值之差的平方的平均值，再开平方得到的值，其表达式为；RMSE同MAE一样，RMSE越大，监测数据准确率则越低，而相对准确率和MAE以及RMSE不同，准确率越高，则表示监测数据越准确。
S35、根据监测数据的相对准确率来对监测设备的状态及使用寿命进行评估。
具体的，所述根据监测数据的相对准确率来对监测设备的状态及使用寿命进行评估包括以下步骤：
S351、获取每个采样区域中各采样点的监测数据的相对准确率；
S352、根据各采样点监测设备的相对准确率结合预先设定的状态对应表(如下表2所示)对监测设备的状态进行分析；
表2相对准确率与监测设备的状态对应表
| 监测设备的状态 | 正常 | 异常 | 故障 |
| 相对准确率 | [0.85，1.0] | [0.65，0.85) | (0.35，0.65) |
S353、根据监测设备的状态分析结果对监测设备的使用寿命进行评估，且所述监测设备的状态包括正常状态、异常状态和故障状态。
S4、基于评估结果对监测设备及其采样位置开展相对应的应对策略。
其中，所述基于评估结果对监测设备及其采样位置开展相对应的应对策略包括以下步骤：
S41、获取每组土壤参数数据中的异常数据及监测设备的状态信息；
S42、根据土壤参数数据中的异常数据结合监测设备的编号实现对异常监测设备的识别，并基于识别结果对监测设备的采样位置进行调整；
S43、根据监测设备的状态信息对监测设备进行相应的处理；
具体的，相应的处理包括以下三种情况：
第一种，当监测设备的状态信息为正常状态时，则无需任何操作；
第二种，当监测设备的状态信息为异常状态时，则对该监测设备进行清洁处理；
第三种，当监测设备的状态信息为故障状态时，则对该监测设备进行更换。
综上所述，借助于本发明的上述技术方案，通过根据监测要求在监测区域内合理的布置土壤参数监测设备，利用基于5G网络的远程控制技术实时采集不同时段和地理位置的土壤参数数据，从而可以根据获取的土壤参数数据分别对土壤的腐蚀程度、监测设备的状态及使用寿命进行评估，并基于评估结果对监测设备及其采样位置开展相对应的应对策略，相比于传统的人工监测方式，本发明可以利用远程监测技术来避免现场测试所需人力物力的消耗，从而有效地提高了经济效益，可以更好地满足于企业的使用需求。
此外，本发明可以根据监测数据中的异常数据来实现对异常监测设备的识别，从而可以结合采样区域和采样点的编号来实现对异常采样点的识别，从而可以基于识别结果对监测设备的异常采样位置进行调整，有效地避免了因采样位置异常而给监测结果带来的影响，可以更好地满足于企业的监测需求。
此外，本发明通过利用预先构建的神经网络模型输出当前时刻的土壤预测腐蚀速率，并可以结合当前时刻的土壤预测腐蚀速率及当前时刻土壤的监测腐蚀速率来实现对监测数据相对准确率的计算，从而可以根据监测数据的相对准确率来实现对监测设备的状态及使用寿命进行评估，并可以根据监测设备的状态信息来实现对监测设备的清洁或更换处理，从而有效地避免了因监测设备异常而给监测结果带来的影响，进而可以更好地满足于企业的监测需求。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于5G网络远程控制的土壤酸度实时监测方法，其特征在于，该监测方法包括以下步骤：
S1、获取监测区域数据，并根据监测要求合理布置土壤参数监测设备；
S2、利用基于5G网络的远程控制技术实时采集监测数据，获取不同时段和地理位置的土壤参数数据；
S3、根据获取的土壤参数数据分别对土壤的腐蚀程度、监测设备的状态及使用寿命进行评估；
S4、基于评估结果对监测设备及其采样位置开展相对应的应对策略；其中，所述根据获取的土壤参数数据分别对土壤的腐蚀程度、监测设备的状态及使用寿命进行评估包括以下步骤：
S31、获取土壤参数数据，并计算每组土壤参数数据中土壤酸度的平均值；
S32、计算土壤参数数据中每个土壤酸度值与平均值的差值，并基于计算结果对每组土壤参数数据中的异常数据进行清除；
S33、根据处理后的土壤参数数据计算土壤的腐蚀速率，并根据土壤的腐蚀速率对土壤的腐蚀性进行等级划分；
S34、利用预先构建的神经网络模型输出当前时刻的土壤预测腐蚀速率，并结合当前时刻的土壤预测腐蚀速率及当前时刻土壤的监测腐蚀速率来计算监测数据的相对准确率；
S35、根据监测数据的相对准确率来对监测设备的状态及使用寿命进行评估；
所述根据处理后的土壤参数数据计算土壤的腐蚀速率，并根据土壤的腐蚀速率对土壤的腐蚀性进行等级划分包括以下步骤：
S331、利用腐蚀速率计算公式结合处理后的土壤参数数据计算土壤的腐蚀速率；
S332、利用预设的土壤划分法对土壤的腐蚀速率对土壤的腐蚀性进行等级划分；其中所述腐蚀速率的计算公式为：
式中，Lx表示土壤酸度传感器中与土壤接触的探头长度，Lr表示土壤酸度传感器中不与土壤接触的探头长度，rx(t1)表示土壤酸度传感器中与土壤接触探头在t1时刻的半径，rx(t2)表示土壤酸度传感器中与土壤接触探头在t2时刻的半径，rr表示土壤酸度传感器中不与土壤接触的探头的半径；
所述利用预先构建的神经网络模型输出当前时刻的土壤预测腐蚀速率，并结合当前时刻的土壤预测腐蚀速率及当前时刻土壤的监测腐蚀速率来计算监测数据的相对准确率包括以下步骤：
S341、获取数据库中的历史土壤腐蚀速率数据，并基于获取的历史土壤腐蚀速率数据构建神经网络模型并进行训练；
S342、利用训练后的神经网络模型结合上一时刻的土壤腐蚀速率输出当前时刻的土壤预测腐蚀速率；
S343、结合当前时刻的土壤预测腐蚀速率及当前时刻土壤的监测腐蚀速率来计算监测数据的相对准确率；
其中，所述相对准确率的计算公式为：
式中，fi表示采样点i的预测值，yi表示采样点i的真实值，n表示采样点的总数。
2.根据权利要求1所述的一种基于5G网络远程控制的土壤酸度实时监测方法，其特征在于，所述获取监测区域数据，并根据监测要求合理布置土壤参数监测设备包括以下步骤：
S11、获取监测区域的占地面积数据，并将监测区域等分为若干采样区域；
S12、根据监测要求在每个采样区域内设置有相同数量的土壤酸度传感器；
S13、依据采样区域和采样点对土壤酸度传感器进行编号。
3.根据权利要求1所述的一种基于5G网络远程控制的土壤酸度实时监测方法，其特征在于，所述利用基于5G网络的远程控制技术实时采集监测数据，获取不同时段和地理位置的土壤参数数据包括以下步骤：
S21、利用基于5G网络的远程控制技术实时采集监测设备的监测数据；
S22、根据采样时段和地理位置对采集的监测数据进行分类存储，得到若干组土壤参数数据；
其中，每组土壤参数数据均为相同时间段同一采样区域内的监测数据。
4.根据权利要求1所述的一种基于5G网络远程控制的土壤酸度实时监测方法，其特征在于，所述根据监测数据的相对准确率来对监测设备的状态及使用寿命进行评估包括以下步骤：
S351、获取每个采样区域中各采样点的监测数据的相对准确率；
S352、根据各采样点监测设备的相对准确率结合预先设定的状态对应表对监测设备的状态进行分析；
S353、根据监测设备的状态分析结果对监测设备的使用寿命进行评估；
其中，所述监测设备的状态包括正常状态、异常状态和故障状态。
5.根据权利要求1所述的一种基于5G网络远程控制的土壤酸度实时监测方法，其特征在于，所述基于评估结果对监测设备及其采样位置开展相对应的应对策略包括以下步骤：
S41、获取每组土壤参数数据中的异常数据及监测设备的状态信息；
S42、根据土壤参数数据中的异常数据结合监测设备的编号实现对异常监测设备的识别，并基于识别结果对监测设备的采样位置进行调整；
S43、根据监测设备的状态信息对监测设备进行相应的处理；
其中，相应的处理包括以下三种情况：
第一种，当监测设备的状态信息为正常状态时，则无需任何操作；
第二种，当监测设备的状态信息为异常状态时，则对该监测设备进行清洁处理；
第三种，当监测设备的状态信息为故障状态时，则对该监测设备进行更换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310116445.5A CN116381187B (zh) | 2023-02-15 | 2023-02-15 | 一种基于5g网络远程控制的土壤酸度实时监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310116445.5A CN116381187B (zh) | 2023-02-15 | 2023-02-15 | 一种基于5g网络远程控制的土壤酸度实时监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116381187A CN116381187A (zh) | 2023-07-04 |
| CN116381187B true CN116381187B (zh) | 2023-11-07 |
Family
ID=86973886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310116445.5A Active CN116381187B (zh) | 2023-02-15 | 2023-02-15 | 一种基于5g网络远程控制的土壤酸度实时监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116381187B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102980918A (zh) * | 2012-10-09 | 2013-03-20 | 聂志虎 | 钢筋腐蚀定量综合检测仪 |
| CN103136539A (zh) * | 2013-03-08 | 2013-06-05 | 西安科技大学 | 接地网腐蚀速率等级预测方法 |
| CN103278616A (zh) * | 2013-05-31 | 2013-09-04 | 江西省电力科学研究院 | 一种土壤腐蚀性快速评价的多因子方法 |
| CN103499680A (zh) * | 2013-09-27 | 2014-01-08 | 国家电网公司 | 一种变电站接地网土壤腐蚀性评价方法 |
| JP2016114564A (ja) * | 2014-12-17 | 2016-06-23 | 株式会社ベンチャー・アカデミア | 土壌腐食性評価方法 |
| CN110389209A (zh) * | 2018-04-19 | 2019-10-29 | 中国石油化工股份有限公司 | 一种埋地管道土壤腐蚀特性的评价方法 |
| CN111398567A (zh) * | 2020-04-20 | 2020-07-10 | 湖州锦鸿环保工程有限公司 | 一种基于物联网的土壤环境检测装置 |
| CN112577997A (zh) * | 2020-11-24 | 2021-03-30 | 国网陕西省电力公司电力科学研究院 | 一种超高压直流接地极土壤腐蚀监测装置与方法 |
| WO2021081597A1 (en) * | 2019-10-30 | 2021-05-06 | EarthOffset Holdings Pty Ltd | Compost monitoring device and system |
| CN114154762A (zh) * | 2021-12-31 | 2022-03-08 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 金属腐蚀速率预测方法、装置、计算机设备和存储介质 |
| CN114330114A (zh) * | 2021-12-20 | 2022-04-12 | 郑州信大先进技术研究院 | 基于量子支持向量机的铍青铜合金腐蚀速率预测方法 |
| CN115640744A (zh) * | 2022-10-13 | 2023-01-24 | 辽宁石油化工大学 | 一种油田集输管道外腐蚀速率预测方法 |
| CN116165367A (zh) * | 2023-03-15 | 2023-05-26 | 国传(山东)科技发展有限公司 | 土壤酸碱度在线监测仪器 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11262196B2 (en) * | 2018-04-11 | 2022-03-01 | E2G Corr Solutions, Llc | Failure prediction and analysis techniques |
| WO2021100117A1 (ja) * | 2019-11-19 | 2021-05-27 | 日本電信電話株式会社 | 腐食量推定装置および腐食量推定方法 |
-
2023
- 2023-02-15 CN CN202310116445.5A patent/CN116381187B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102980918A (zh) * | 2012-10-09 | 2013-03-20 | 聂志虎 | 钢筋腐蚀定量综合检测仪 |
| CN103136539A (zh) * | 2013-03-08 | 2013-06-05 | 西安科技大学 | 接地网腐蚀速率等级预测方法 |
| CN103278616A (zh) * | 2013-05-31 | 2013-09-04 | 江西省电力科学研究院 | 一种土壤腐蚀性快速评价的多因子方法 |
| CN103499680A (zh) * | 2013-09-27 | 2014-01-08 | 国家电网公司 | 一种变电站接地网土壤腐蚀性评价方法 |
| JP2016114564A (ja) * | 2014-12-17 | 2016-06-23 | 株式会社ベンチャー・アカデミア | 土壌腐食性評価方法 |
| CN110389209A (zh) * | 2018-04-19 | 2019-10-29 | 中国石油化工股份有限公司 | 一种埋地管道土壤腐蚀特性的评价方法 |
| WO2021081597A1 (en) * | 2019-10-30 | 2021-05-06 | EarthOffset Holdings Pty Ltd | Compost monitoring device and system |
| CN111398567A (zh) * | 2020-04-20 | 2020-07-10 | 湖州锦鸿环保工程有限公司 | 一种基于物联网的土壤环境检测装置 |
| CN112577997A (zh) * | 2020-11-24 | 2021-03-30 | 国网陕西省电力公司电力科学研究院 | 一种超高压直流接地极土壤腐蚀监测装置与方法 |
| CN114330114A (zh) * | 2021-12-20 | 2022-04-12 | 郑州信大先进技术研究院 | 基于量子支持向量机的铍青铜合金腐蚀速率预测方法 |
| CN114154762A (zh) * | 2021-12-31 | 2022-03-08 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 金属腐蚀速率预测方法、装置、计算机设备和存储介质 |
| CN115640744A (zh) * | 2022-10-13 | 2023-01-24 | 辽宁石油化工大学 | 一种油田集输管道外腐蚀速率预测方法 |
| CN116165367A (zh) * | 2023-03-15 | 2023-05-26 | 国传(山东)科技发展有限公司 | 土壤酸碱度在线监测仪器 |
Non-Patent Citations (6)
| Title |
|---|
| Correlation Model for the Corrosion Rates of Buried Cast Iron Pipes;Wasim, Muhammad 等;《Journal of Materials in Civil Engineering》;第32卷(第12期);第1-7页 * |
| 埋地油气管道腐蚀速率预测及剩余寿命研究;王文辉;《中国优秀硕士学位论文全文数据库(电子期刊) 工程科技I辑》(第06期);第B019-603页 * |
| 基于BP人工神经网络理论对埋地燃气管线腐蚀剩余寿命研究;王琬 等;《现代机械》(第3期);第44-46页 * |
| 基于误差补偿的GM-RBF海底管道腐蚀预测模型;骆正山;袁宏伟;;中国安全科学学报(第03期);第96-101页 * |
| 基于贝叶斯生存分析的油气输送管道剩余寿命预测;西忠山;《中国优秀硕士学位论文全文数据库(电子期刊) 工程科技I辑》(第06期);第B019-599页 * |
| 接地网腐蚀状态检测及其寿命预测;杨韬;《中国优秀硕士学位论文全文数据库(电子期刊) 工程科技II辑》(第03期);第C042-734页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116381187A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shiri et al. | Estimating daily pan evaporation from climatic data of the State of Illinois, USA using adaptive neuro-fuzzy inference system (ANFIS) and artificial neural network (ANN) | |
| Solaimani | Rainfall-runoff prediction based on artificial neural network (a case study: Jarahi watershed) | |
| Sheffield | Pine growth reductions in the Southeast | |
| Kim et al. | Self-organizing map and species abundance distribution of stream benthic macroinvertebrates in revealing community patterns in different seasons | |
| CN116381187B (zh) | 一种基于5g网络远程控制的土壤酸度实时监测方法 | |
| CN110119165B (zh) | 一种水产养殖池塘溶解氧检测装置 | |
| CN116863410B (zh) | 基于有害生物防治的数据采集处理方法及系统 | |
| Buzacott et al. | A Bayesian inference approach to determine experimental Typha latifolia paludiculture greenhouse gas exchange measured with eddy covariance | |
| Doğan | Reference evapotranspiration estimation using adaptive neuro‐fuzzy inference systems | |
| CN116843164A (zh) | 基于图像分析的农业机械智能化控制系统 | |
| Dhillon et al. | Spatial variability of soil test values in a Typic Ustochrept | |
| Ruß et al. | Estimation of neural network parameters for wheat yield prediction | |
| CN112907096B (zh) | 一种重金属污染风险评估系统 | |
| Valentin et al. | An hybrid neural network based system for optimization of coagulant dosing in a water treatment plant | |
| Simsek et al. | ESTIMATION OF NUTRIENT CONCENTRATIONS IN RUNOFF FROM BEEF CATTLE FEEDLOT USING ADAPTIVE NEURO-FUZZY INFERENCE SYSTEMS. | |
| CN113902327A (zh) | 一种海上风电场基础结构腐蚀健康状态的评估方法及系统 | |
| Zeng et al. | A convolutional neural network-based prediction mechanism for sewage treatment | |
| Fakoor Sharghi et al. | Predicting Spatial Distribution of Redroot Pigweed (Amaranthus retroflexus L.) using the RBF Neural Network Model | |
| Ünal et al. | Prediction of soil penetration resistance with three different artificial neural networking methods | |
| CN117909913B (zh) | 一种农业面源污染数据管理方法、系统、设备及介质 | |
| CN107991452A (zh) | 一种淡水水生动物急性水质基准的推导方法 | |
| CN118014757B (zh) | 智慧农业园区智能规划方法 | |
| CN116821589B (zh) | 促进生态服务功能提升的植被覆盖度恢复上限计算方法 | |
| CN118333579B (zh) | 一种基于生态农业的智慧管理方法及系统 | |
| Overbeek et al. | Partial validation of the Dutch model for emission and transport of nutrients (STONE) |
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 |