CN116562186B - 基于模拟-优化的水下输气管道泄漏参数反演方法与系统 - Google Patents
基于模拟-优化的水下输气管道泄漏参数反演方法与系统 Download PDFInfo
- Publication number
- CN116562186B CN116562186B CN202310523869.3A CN202310523869A CN116562186B CN 116562186 B CN116562186 B CN 116562186B CN 202310523869 A CN202310523869 A CN 202310523869A CN 116562186 B CN116562186 B CN 116562186B
- Authority
- CN
- China
- Prior art keywords
- bubble
- underwater
- model
- plume
- optimization
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000005540 biological transmission Effects 0.000 title description 2
- 238000009792 diffusion process Methods 0.000 claims abstract description 72
- 238000006467 substitution reaction Methods 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000003287 optical effect Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000033001 locomotion Effects 0.000 claims abstract description 10
- 230000008878 coupling Effects 0.000 claims abstract description 5
- 238000010168 coupling process Methods 0.000 claims abstract description 5
- 238000005859 coupling reaction Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 7
- 239000007788 liquid Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 8
- 210000002569 neuron Anatomy 0.000 description 9
- 238000013461 design Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000005514 two-phase flow Effects 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pipeline Systems (AREA)
Abstract
本发明属于模拟方法优化、水下溯源技术领域,公开了基于模拟‑优化的水下输气管道泄漏参数反演方法与系统,包括:基于水下气泡羽流运动耦合模型和水下气泡羽流光学图像,建立水下气泡羽流扩散数值模拟模型;基于BP神经网络对所述数值模拟模型进行优化,得到水下气泡羽流扩散优化替代模型;对所述优化替代模型进行求解,得到水下气泡羽流的速度参数和半径参数。本发明根据水下气体扩散规律和水下气泡羽流光学图像中反应出的扩散状态,构建所述数值模拟模型,基于BP神经网络设计水下所述优化替代模型,有效减轻函数调用过程中的计算负荷,最后通过求解所述优化替代模型,精准反演泄漏源关键参数,实现了水下输气管道泄漏参数精准模拟。
Description
技术领域
本发明属于模拟方法优化、水下溯源技术领域,特别是涉及基于模拟-优化的水下输气管道泄漏参数反演方法与系统。
背景技术
气泡羽流作为气液两相流的一种,在工程实例中已有广泛的应用。从管道破损口泄漏的气体,夹带海水向上运动形成气泡羽流。气泡羽流具有不可避免、存活时间长、难以模仿等特点。由于湍流和管道压力的影响,羽流中气泡的密度、压缩率等参数与海水和其他类型水下气泡有明显不同。因此,在其瞬时光学图像中包含着丰富的流场空间结构及流动特征信息。
现有技术手段对泄漏源关键参数进行估算,由于气泡羽流光学图像中包含丰富的流场空间结构及流动特征信息,这就导致计算模型较为复杂,进行泄漏源参数反演时的计算量巨大,导致泄漏源溯源精度不足,泄漏参数获取困难。
发明内容
本发明的目的是提供基于模拟-优化的水下输气管道泄漏参数反演方法与系统,以解决上述现有技术存在的问题。
为实现上述目的,一方面,本发明提供了基于模拟-优化的水下输气管道泄漏参数反演方法,包括:
基于水下气泡羽流运动耦合模型和水下气泡羽流光学图像,建立水下气泡羽流扩散数值模拟模型;基于所述水下气泡羽流扩散数值模拟模型和BP神经网络,得到水下气泡羽流扩散优化替代模型;对所述水下气泡羽流扩散优化替代模型进行求解,得到水下气泡羽流的速度参数和半径参数。
进一步,所述水下气泡羽流扩散数值模拟模型包括气泡扩散速度模型和气泡半径模型。
进一步,所述气泡扩散速度模型为:
其中,v是气泡速度,V是流场环境下的波速,r是羽流中的气泡半径,γ1是常数,P是波浪场中的广义压力,t为当前时间,t0为初始时间,μ为水的粘度,Cd表示粒子在水中受到的拖曳力系数,Cd根据进行计算,其中,e为常数2.718。
进一步,所述气泡半径模型为:
其中,ρ是羽流中的气泡密度,N是通用气体常数与气体摩尔质量的比值,T是水温,σ是液体表面张力系数,P是波场中的广义压力,r是气泡半径,m为气泡质量。
进一步,所述水下气泡羽流扩散优化替代模型包括决策变量、目标函数、约束条件;
所述水下气泡羽流扩散优化替代模型为:
其中,z是目标函数,Rarea是监测区域内气泡半径的实际监测值,是监测区域中气泡半径的模拟值,AREA是监测区域的总数。
进一步,所述决策变量为水下输气管道泄漏气泡羽流中的气泡速度。
进一步,所述目标函数为每个水域中羽流光学图像中分析得到的实际监测气泡密度和模拟气泡密度值之间的差值函数的最小值。
进一步,所述约束条件为每个监测点的气泡速度符合速度模型,且羽流中包含的气泡半径在合理范围内;
所述约束条件为:
其中v是气泡粒子速度,ρ是监测区域内的水下气泡密度rmin和rmax是气泡半径的下限和上限,vmin和vmax是水下气泡运动速度的下限和上界。
另一方面,本发明提供了基于模拟-优化的水下输气管道泄漏参数反演系统,包括:
水下气泡羽流扩散数值模拟模型构造模块,用于基于水下相机拍摄的气泡羽流图像和水下气泡扩散规律构造水下气泡羽流扩散数值模拟模型;
水下气泡羽流扩散优化替代模型设计模块,用于基于BP神经网络和所述水下气泡羽流扩散数值模拟模型构建水下气泡羽流扩散优化替代模型;
优化替代模型求解模块,用于对所述水下气泡羽流扩散优化替代模型进行求解;
泄漏源关键参数反演模块,用于基于所述水下气泡羽流扩散优化替代模型的求解结果对泄漏源信息进行精准反演。
本发明的技术效果为:
本发明针对流场环境下管道气体泄漏溯源精度不足,泄漏参数获取困难的问题,通过分析水下气泡羽流光学图像和水下气体扩散规律,根据水下气体扩散规律和水下气泡羽流光学图像中反应出的扩散状态,构建水下气泡羽流扩散的数值模拟模型,基于BP神经网络设计水下气泡羽流扩散优化替代模型,有效减轻函数调用过程中的计算负荷,最后通过求解优化替代模型,反演泄漏源关键参数,实现了水下输气管道泄漏参数精准模拟。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的基于模拟-优化的水下输气管道泄漏参数反演方法流程图;
图2为本发明实施例中的BP神经网络神经网络模型结构图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在气泡羽流瞬时光学图像中包含着丰富的流场空间结构及流动特征信息。基于水下气体扩散几何模型,气泡羽流从泄漏口扩散至水面的全周期尺度分布规律可被量化,从中降维解析得到泄漏源关键参数,可为流场环境下管道气体泄漏溯源提供精准定位线索。
本发明提出了基于模拟-优化的水下输气管道泄漏参数反演方法与系统。首先,构建了水下气泡羽流扩散数值模拟模型;然后,为了减少反演过程中的计算量,基于BP神经网络,设计水下气泡羽流扩散数值模拟模型的优化替代模型即水下气泡羽流扩散优化替代模型;最后,对水下气泡羽流扩散优化替代模型进行求解,得到泄漏源参数反演结果。
本发明的主要目的在于发明一种基于模拟-优化方法的水下输气管道泄漏溯源和参数模拟方法与系统,旨在解决流场环境下管道气体泄漏溯源精度不足,泄漏参数获取困难的问题。为全面估算水下输气管道泄漏信息提供了一种稳定有效的方法。
为了实现上述目的,本发明构造了一种基于模拟-优化方法的水下输气管道泄漏溯源和参数模拟方法,包括以下步骤:
1、构建水下气泡羽流扩散数值模拟模型。
将传质微分方程、气泡传热微分方程、速度微分方程和半径微分方程相结合,可以得到水下输气管道泄漏气泡羽流运动的耦合模型。由于从水下气泡羽流图像中准确获得气泡质量和气泡内部温度非常困难,根据气泡羽流估算结果,选择建立气泡羽流扩散速度模型和气泡半径模型作为水下气泡羽流扩散数值模拟模型。
2、设计水下气泡羽流扩散优化替代模型。
应用模拟-优化方法进行水下输气管道泄漏源参数反演,为了避免反演计算过程中多次调用水下气泡羽流扩散数值模拟模型,产生大量计算负担。设计基于BP神经网络的水下气泡羽流扩散优化替代模型,将调用水下气泡羽流扩散数值模拟模型改为调用水下气泡羽流扩散优化替代模型,可以避免大量复杂计算,从而提高计算效率并减少计算负担。
3、求解水下气泡羽流扩散优化替代模型,反演泄漏参数。
基于水下气泡羽流扩散优化替代模型特点,设计求解方法,分别从决策变量、目标函数和约束条件三个角度求解符合气泡扩散速度模型与气泡半径模型的泄漏源泄漏位置和泄漏量等关键参数。
本发明构造了一种基于模拟-优化方法的水下输气管道泄漏源参数反演估算系统包括水下气泡羽流扩散数值模拟模型构造、水下气泡羽流扩散优化替代模型设计、水下气泡羽流扩散优化替代模型求解和泄漏源关键参数反演四个模块。基于水下相机拍摄的气泡羽流图像和水下气泡扩散规律构造水下气泡羽流扩散数值模拟模型,其中主要包括气泡水下扩散速度和气泡羽流半径信息。为了降低多次调用数值模拟模型带来的巨大运算负荷,应用模拟-优化方法设计了水下气泡羽流扩散数值模拟模型的优化替代模型。最后求解该优化替代模型,得到水下输气管道泄漏源的关键参数,实现泄漏源信息精准反演。
实施例一
如图1-2所示,本实施例中提供基于模拟-优化的水下输气管道泄漏参数反演方法与系统,包括:
本发明提出的基于模拟-优化方法的水下输气管道泄漏源参数反演估算系统,包括图1所示几个部分。根据水下气体扩散规律和水下气泡羽流光学图像中反应出的扩散状态,构建水下气泡羽流扩散的数值模拟模型。基于BP神经网络设计水下气泡羽流扩散优化替代模型,有效减轻函数调用过程中的计算负荷。最后,求解水下气泡羽流扩散优化替代模型,反演泄漏源关键参数,实现水下输气管道泄漏参数精准模拟。
1、构建水下气泡羽流扩散数值模拟模型。
基于建立的波场中气泡运动的耦合模型,结合多次拍摄的水下气泡羽流光学图像中反应出的扩散状态,可以更准确地描述波场中泡沫上升运动中影响因素的相互作用规律。
气泡速度点集是根据气泡羽流中气泡颗粒特性的分析结果获得的。根据点集的数量进行滤波,得到气泡粒子速度分布,并去除数量较少的异常点集。最后,通过拟合得到速度微分方程,作为水下气泡扩散速度模型,其定义如下:
其中,v是气泡速度,V是流场环境下的波速,r是羽流中的气泡半径,γ1是常数,P是波浪场中的广义压力,t为当前时间,t0为初始时间,μ为水的粘度,Cd表示粒子在水中受到的拖曳力系数,Cd根据进行计算,其中,e为常数2.718。
同样,基于对气泡羽流中气泡颗粒特性的分析,可以获得气泡半径点集。通过过滤掉不合理的半径数据,得到气泡颗粒半径曲线。最后,半径微分方程被拟合为气泡半径模型,其定义如下:
其中,ρ是羽流中的气泡密度,N是通用气体常数与气体摩尔质量的比值,T是水温,σ是液体表面张力系数,P是波场中的广义压力,r是气泡半径,m为气泡质量。
以气泡速度模型和气泡密度模型作为水下气泡羽流扩散数值模拟模型。2、设计基于BP神经网络的水下气泡羽流扩散优化替代模型。
通过训练,替代模型可以获得与原始数值模拟模型所描述关系类似的输入-输出响应关系。与仿真模型相比,优化模型更易于求解,并且可以显著减少计算量和时间。替代模型通过拟合一定数量的已知样本的输入输出特性来构建仿真模型的拟合函数,可以预测未知样本的特征输出响应。本发明基于BP神经网络方法设计水下气泡羽流模拟模型的替代模型。
BP神经网络是一种具有强大计算能力的多层前向网络,通过堆叠多个隐藏层或组合多个模型来构建网络模型。PB神经网络中的每一层都由几个神经元组成,神经元中的计算和权重更新用于实现正向和反向传播。
本发明设计的基于BP神经网络的水下气泡羽流替代模型,基于生物神经元的突触信号,设计函数计算方法来获得输出。在前向传播过程中,前一层的输出通过激活函数用作下一层的输入,以获得预测值。然后在反向传播过程中,通过反向传播使误差最小化,通过选择神经网络权重使损失函数最小化。
正向传播过程:
假设BP神经网络由一个输入层、L个隐藏层和一个输出层构成。隐藏层k和输出层中神经元之间的非线性关系表示为hk(k=2,3,…,L+2)。从第(k-1)层的第h个神经元到第k层的第t个神经元的连接权重为另一方面,设第k层中第h个神经元输入的总和为/>输出为/>它们的定义如下:
其中s是第(n-1)层中神经元的总数,k=2,3,…,L+2。
假设输入层中有m个神经元,输出层中有n个神经元。BP神经网络的输入是X=[x1,2,…,m]T,输出数据Y可以通过每个隐藏层节点从输入层依次获得,
反向传播过程:
在反向传播过程中,使用梯度下降方法沿目标函数的负梯度连续更新权重,从而使神经网络的期望输出Ysh和实际输出之间的差函数最小化。具体操作过程为:
其中是更新权重,Ysh是期望输出,/>是实际输出,η是学习率,本发明中将η通常设置为0.5。
3、求解水下气泡羽流扩散优化替代模型,反演泄漏参数。
水下气泡羽流扩散优化替代模型通常由三个部分组成:决策变量、目标函数和约束条件。在发明中,决策变量是水下输气管道泄漏气泡羽流中的气泡速度。目标函数是每个水域中羽流光学图像中分析得到的实际监测气泡密度和模拟气泡密度值之间的差值函数的最小值。另一方面,约束条件是每个监测点的气泡速度符合速度模型,且羽流中包含的气泡半径在合理范围内。优化模型如下:
其中,z是目标函数,Rarea是监测区域内气泡半径的实际监测值,是监测区域中气泡半径的模拟值,AREA是监测区域的总数。
求解水下气泡羽流扩散优化替代模型,并满足以下约束条件
其中v是气泡粒子速度,ρ是监测区域内的水下气泡密度rmin和rmax是气泡半径的下限和上限,vmin和vmax是水下气泡运动速度的下限和上界。
经求解,可以得到符合实际情况的气泡速度与气泡半径参数,同时结合光学图像,可以有效描述水下气泡羽流光学图像所描述位置的气泡扩散状况。基于水下气泡运动速度,可根据流速反演出泄漏源与光学图像采集位置间的距离。基于水下气泡羽流中的气泡密度,可根据气泡密集程度反演泄漏源的泄漏量。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.基于模拟-优化的水下输气管道泄漏参数反演方法,其特征在于,包括以下步骤:
基于水下气泡羽流运动耦合模型和水下气泡羽流光学图像,建立水下气泡羽流扩散数值模拟模型;基于所述水下气泡羽流扩散数值模拟模型和BP神经网络,得到水下气泡羽流扩散优化替代模型;对所述水下气泡羽流扩散优化替代模型进行求解,得到水下气泡羽流的速度参数和半径参数;
所述水下气泡羽流扩散优化替代模型包括决策变量、目标函数、约束条件;
所述水下气泡羽流扩散优化替代模型为:
其中,z是目标函数,Rarea是监测区域内气泡半径的实际监测值,是监测区域中气泡半径的模拟值,AREA是监测区域的总数;
所述决策变量为水下输气管道泄漏气泡羽流中的气泡速度;
所述目标函数为每个水域中羽流光学图像中分析得到的实际监测气泡密度和模拟气泡密度值之间的差值函数的最小值;
所述约束条件为每个监测点的气泡速度符合速度模型,且羽流中包含的气泡半径在合理范围内;
所述约束条件为:
其中v是气泡粒子速度,ρ是监测区域内的水下气泡密度rmin和rmax是气泡半径的下限和上限,vmin和vmax是水下气泡运动速度的下限和上界。
2.根据权利要求1所述的基于模拟-优化的水下输气管道泄漏参数反演方法,其特征在于,
所述水下气泡羽流扩散数值模拟模型包括气泡扩散速度模型和气泡半径模型。
3.根据权利要求2所述的基于模拟-优化的水下输气管道泄漏参数反演方法,其特征在于,
所述气泡扩散速度模型为:
其中,v是气泡速度,V是流场环境下的波速,r是羽流中的气泡半径,γ1是常数,P是波浪场中的广义压力,t为当前时间,t0为初始时间,μ为水的粘度,Cd表示粒子在水中受到的拖曳力系数,Cd根据进行计算,其中,e为常数2.718。
4.根据权利要求2所述的基于模拟-优化的水下输气管道泄漏参数反演方法,其特征在于,
所述气泡半径模型为:
其中,ρ是羽流中的气泡密度,N是通用气体常数与气体摩尔质量的比值,T是水温,σ是液体表面张力系数,P是波浪场中的广义压力,r是气泡半径,m为气泡质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310523869.3A CN116562186B (zh) | 2023-05-10 | 2023-05-10 | 基于模拟-优化的水下输气管道泄漏参数反演方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310523869.3A CN116562186B (zh) | 2023-05-10 | 2023-05-10 | 基于模拟-优化的水下输气管道泄漏参数反演方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116562186A CN116562186A (zh) | 2023-08-08 |
CN116562186B true CN116562186B (zh) | 2023-12-26 |
Family
ID=87499603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310523869.3A Active CN116562186B (zh) | 2023-05-10 | 2023-05-10 | 基于模拟-优化的水下输气管道泄漏参数反演方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562186B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462727A (zh) * | 2014-12-31 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种基于动态遥感数据驱动的溢油仿真参数优化方法 |
CN114722549A (zh) * | 2022-05-05 | 2022-07-08 | 南京工程学院 | 水下输气管道泄漏源动态参数反演方法、装置及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2012279436B2 (en) * | 2011-07-01 | 2016-09-08 | Exxonmobil Upstream Research Company | Subsea sour gas and/or acid gas injection systems and methods |
CN110500511B (zh) * | 2019-08-13 | 2021-06-22 | 常州大学 | 一种城市非金属管道泄漏定位方法 |
-
2023
- 2023-05-10 CN CN202310523869.3A patent/CN116562186B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462727A (zh) * | 2014-12-31 | 2015-03-25 | 中国科学院遥感与数字地球研究所 | 一种基于动态遥感数据驱动的溢油仿真参数优化方法 |
CN114722549A (zh) * | 2022-05-05 | 2022-07-08 | 南京工程学院 | 水下输气管道泄漏源动态参数反演方法、装置及介质 |
Non-Patent Citations (2)
Title |
---|
水深对海底管道泄漏水下气体扩散行为的影响研究;李新宏;陈国明;徐长航;朱红卫;;中国安全生产科学技术(第05期);19-24 * |
波浪场中气泡运动的影响要素研究;张志友;金良安;何升阳;苑志江;;水动力学研究与进展(A辑)(第03期);305-313 * |
Also Published As
Publication number | Publication date |
---|---|
CN116562186A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Forecasting outpatient visits using empirical mode decomposition coupled with back-propagation artificial neural networks optimized by particle swarm optimization | |
KR102236678B1 (ko) | 자료해석 기반 침수 예측 방법 및 이를 위한 장치 | |
CN113627093B (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
Hou et al. | A fault diagnosis model of marine diesel engine cylinder based on modified genetic algorithm and multilayer perceptron | |
Drgona et al. | Learning constrained adaptive differentiable predictive control policies with guarantees | |
Janny et al. | Eagle: Large-scale learning of turbulent fluid dynamics with mesh transformers | |
White et al. | Fast neural network predictions from constrained aerodynamics datasets | |
Sun et al. | Development of multi-metamodels to support surface water quality management and decision making | |
Anochi et al. | Self-configuring two types of neural networks by mpca | |
CN116227359A (zh) | 基于注意力和卷积神经网络编解码器的流场预测方法 | |
CN115879335A (zh) | 一种基于图生成神经网络的流体多物理场参数预测方法 | |
CN110851911B (zh) | 终端状态计算模型训练方法、控制序列搜索方法及装置 | |
CN116562186B (zh) | 基于模拟-优化的水下输气管道泄漏参数反演方法与系统 | |
Ekinci et al. | Simulated annealing aided artificial hummingbird optimizer for infinite impulse response system identification | |
Ben Halima Abid et al. | An improved method for stochastic nonlinear system’s identification using fuzzy-type output-error autoregressive hammerstein–wiener model based on gradient algorithm, multi-innovation, and data filtering techniques | |
Tang et al. | A hydrodynamic prediction model of throttle orifice plate using space filling and adaptive sampling method | |
CN112000004A (zh) | 一种利用迭代二次启发式规划的污水处理浓度控制方法 | |
Wang et al. | Rainfall-runoff simulation using simulated annealing wavelet bp neural networks | |
Graefe et al. | A new training method for hybrid models of bioprocesses | |
Taniguchi et al. | Hull form design support tool based on machine learning | |
Hwangbo et al. | Statistical prediction of wake fields on propeller plane by neural network using back-propagation | |
Rohayani et al. | Employing Vector Autoregression Feedforward Neural Network with Particle Swarm Optimization in Wind Speed Forecasting | |
CN111047090A (zh) | 基于混合核函数自适应融合的电力系统短期负荷预测方法 | |
Xiao et al. | A Hybrid Multilayer Perceptron-Radial Basis Function (HMLP-RBF) Neural Network for Solving Hyperbolic Conservation Laws | |
Kretinin et al. | Neuronet's method of weighted residuals for computer simulation of hydrodynamics problems |
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 |