CN116702638A - 排水管道淤积病害双层智能诊断方法及系统 - Google Patents
排水管道淤积病害双层智能诊断方法及系统 Download PDFInfo
- Publication number
- CN116702638A CN116702638A CN202310496993.5A CN202310496993A CN116702638A CN 116702638 A CN116702638 A CN 116702638A CN 202310496993 A CN202310496993 A CN 202310496993A CN 116702638 A CN116702638 A CN 116702638A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- data
- disease
- siltation
- diagnosis
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 115
- 201000010099 disease Diseases 0.000 title claims abstract description 83
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004062 sedimentation Methods 0.000 title claims description 48
- 230000008878 coupling Effects 0.000 claims abstract description 54
- 238000010168 coupling process Methods 0.000 claims abstract description 54
- 238000005859 coupling reaction Methods 0.000 claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 16
- 239000012530 fluid Substances 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 230000000737 periodic effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 35
- 230000001052 transient effect Effects 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 239000007788 liquid Substances 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 230000010349 pulsation Effects 0.000 claims description 6
- 239000013049 sediment Substances 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 239000010802 sludge Substances 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013142 basic testing Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000010008 shearing Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 102100021807 ER degradation-enhancing alpha-mannosidase-like protein 1 Human genes 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- -1 bed load Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及排水管道病害诊断技术领域，涉及一种排水管道淤积病害双层智能诊断方法及系统，包括：一、基于流体动力学的管道淤积病害瞬时水力模型分析；二、利用真实管道淤积多场耦合指标数据集与足尺试验指标数据集进行对比、场景条件调整，以足尺试验‑精细化数值模拟‑现场定期监测为多维度数据驱动路径，实现多维度数据驱动分析与筛选；三、结合去噪自编码器和生成对抗网络，实现管道淤积数据集多源异构数据融合和数据集扩充；四、建立知识‑数据协同驱动的排水管道淤积病害双层智能诊断模型并对模型进行训练；五、得到的管道淤积双层智能诊断结果。本发明能较佳地诊断排水管道病害。
Description
技术领域
本发明涉及排水管道病害诊断技术领域，具体地说，涉及一种可以实现智能化、精确化和科学化的“知识-数据”协同驱动的排水管道淤积病害双层智能诊断方法及系统。
背景技术
管线淤积与过流特性(出入口流速流量)之间具有明显的复杂耦合关系。为了研究管线淤积病害对过流的瞬时影响，现有研究提出管线淤积病害随机起动模型的受力分析方法。在这些模型中，管线淤积病害起动条件的不同取值将使水流状态参数的计算产生严重偏差。随着管线淤积病害起动理论的引入，现有研究建立了管线淤积病害起动与紊流相干作用模型，但管线淤积病害起动剪切应力、边界条件和摩阻系数等流体力学指标之间的关系尚未明确。现有研究基于动态微分方程和试验分析了水锤波、管线淤积病害程度和长度之间的定量关系。然而，以上研究未考虑管线淤积病害、水流的互馈关系对管线过流特性的影响。因此，如何定量分析“固-液-气”多相流瞬态水力模型中管线淤积病害对各管段出入口流速流量的影响是目前亟待解决的关键问题之一。
随着人工智能和计算技术的快速发展，淤积程度和淤积长度可以通过基于人工智能的故障检测手段加以实现。目前，基于数据挖掘技术的复杂系统故障检测与诊断方法主要包括专家系统、贝叶斯网络、粗糙集、Petri网、深度神经网络等。尽管学者们对排水管道淤积过流特性分析进行了拓展和完善，但并未考虑管道淤积悬移质、推移质、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。与此同时，现有管道淤积智能诊断模型中损失函数调优过程缺乏理论知识引领的控制方程和边界约束，导致输出结果存在部分失真现象。因此，如何将排水管道淤积多场耦合瞬态水力模型、监测系统采集到的指过流特性指标数据信息和深度学习相结合，构建“知识-数据”协同驱动的排水管道淤积病害智能诊断系统，是本研究亟待解决的又一关键问题。
综上，如何从管道淤积多场耦合瞬态水力模型、管道过流特性数据集扩充与多源异构融合、管道淤积“知识-数据”协同驱动智能诊断三个方面构建排水管道淤积双层智能诊断方法和系统，是目前急需解决的课题。
发明内容
本发明的内容是提供一种“知识-数据”协同驱动的排水管道淤积病害双层智能诊断方法及系统，其能为排水管道淤积病害的高效决策提供依据和手段，以实现智能化、精确化和科学化的排水管道淤积诊断、结果上报与可视化。
根据本发明的排水管道淤积病害双层智能诊断方法，其包括以下步骤：
一、基于流体动力学的管道淤积病害瞬时水力模型分析；
二、利用现场定期监测采集到的真实管道淤积多场耦合指标数据集与足尺试验指标数据集进行对比、场景条件调整，以足尺试验-精细化数值模拟-现场定期监测为多维度数据驱动路径，实现管道多源异构数据指标集的多维度数据驱动分析与筛选；
三、结合去噪自编码器和生成对抗网络，实现管道淤积数据集多源异构数据融合和数据集扩充；
四、采用随机森林、复杂控制方程嵌入、通用知识嵌入、固液耦合多场知识嵌入和深度学习方法，建立知识-数据协同驱动的排水管道淤积病害双层智能诊断模型并对模型进行训练；
五、得到的管道淤积双层智能诊断结果，并更新存储到控制台的综合管理数据库中，由控制台服务器显示所有管道淤积情况诊断结果的可视化界面。
作为优选，步骤一中，所述管道淤积病害瞬时水力模型分析从多相流和多场的角度进行推导，构建了重力场、压力场、应力场、流场共同作用下的管道淤积多场耦合瞬态水力模型。
作为优选，步骤一中，流体动力学包括时均运动方程、脉动运动方程、质量/动量矩守恒方程；所述管道淤积多场耦合瞬态水力模型的构建步骤，包括：
步骤1：依据水流不可压缩和体积守恒原理，得到管道淤积多场耦合瞬态水力模型的时均运动方程和脉动运动方程
步骤2：依据流体力学中水体参考单元的动量守恒原理，构建质量/动量矩守恒方程为：
其中，vt为单位质量水流的紊动能，κ为紊流运动粘性系数，xi、xj为管道淤积多场耦合瞬态水力模型中u、v、w所在的坐标轴x、y、z；在一段时间范围内，管道中水流为恒定均匀流，则有/> v＝w≈0。
作为优选，步骤一中，由时均湍流方程法和欧拉-拉格朗日法联立求解，所述管道淤积多场耦合瞬态水力模型分析能够得到管道淤积质起始位置流速分布规律、剪切应力和起动条件，具体表达式如下：
其中，u、v、w分别为该管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，ρ为含沙水流密度，g为水流的重力加速度，α表示管道与标准水平面之间的夹角，μ为动力粘性系数，/>为涡粘性系数模型，xj、xj分别为管底到水面的总高度和淤积质厚度，us为淤积起始位置沿z轴方向上的水深平均流速，C为谢才系数，B表示管道直径，J为管道水力坡降，ρw、ρs分别表示水流和淤积质的密度，D为淤积质颗粒的直径，/>为淤积质颗粒的摩擦角，τt表示临界起动剪切应力。
作为优选，步骤一中，所述管道淤积多场耦合瞬态水力模型的参数通过有限元分析和足尺试验进行率定，同时验证和剔除足尺试验中采集到的异常值。
作为优选，步骤二中，所述足尺试验是指搭建可人工控制的试验管段，通过基于传感器的数据采集和管道淤积多场耦合瞬态水力模型中的理论结构式量化得到管道汇流瞬时状态参数的准确值；
所述以足尺试验-精细化数值模拟-现场定期监测为多维度数据驱动路径，实现管道多源异构数据指标集的多维度数据驱动分析与筛选，是指利用现场定期监测采集到的真实管道淤积多场耦合指标数据集与足尺试验指标数据集进行对比、场景条件调整，最大程度保证足尺试验和真实管道淤积状态保持一致，同时利用基于相关性理论的指标集筛选机制进行数据集筛选；
所述相关性理论是指灰关联熵分析方法量化各数据指标集、管道淤积情况间的关联程度；指标筛选过程中的灰关联熵H(Xj)和灰熵关联度Er(Xj)表示如下：
其中，Pn表示第n个待筛选指标的灰关联系数分布映射，r为待筛选指标个数，Xj为第j个待筛选指标随时间变化的序列。
作为优选，步骤三中，所述管道淤积数据集多源异构数据融合和数据集扩充是指通过去噪自编码器、生成对抗网络进行精确采集数据、扰动数据序列的样本集融合和扩充。
作为优选，步骤四中，所述知识-数据协同驱动的排水管道淤积病害双层智能诊断模型是指：引入多目标遗传随机森林对特征进行管道淤积的粗粒度分类，进而提出基于多源长短期记忆神经网络和知识嵌入的管道淤积细粒度诊断方法，具体步骤包括：
1)通过多目标随机森林MRF对管道监测系统采集到的大数据样本进行训练和深层特征数据挖掘；
2)计算不同样本采样周期的多尺度离散熵，选取熵值最小的周期T作为淤积病害检测模型的更新周期；
3)在有监督和无监督深度学习的网络编码器感知节点中增加管道淤积情况与过流特性耦合关系的知识嵌入，利用主成分分析PCA对MRF提取的深层管道功能性病害关键特征做进一步的降维压缩；
4)采用支持向量机SVM对各检测区域管道是否存在淤积进行判别，管线淤积病害粗粒度诊断输出结果为淤积状态时，进入下一轮细粒度淤积诊断；
5)在LSTM训练模型的基础上，引入管线出入口流速流量时间序列的多尺度卷积块结构，以此丰富模型的输入特征；
所述知识嵌入是指通过复杂控制方程嵌入、通用知识嵌入和固液耦合多场知识嵌入，依托固液有限元分析和流体动力学得到的领域知识与先验经验，对深度学习模型中的损失函数、模型参数进行边界约束和优化调整。
本发明提供了一种排水管道淤积病害双层智能诊断系统，其采用上述的排水管道淤积病害双层智能诊断方法，并包括：
运营城市排水管道过流特性指标监测子系统，包括：无人管道测量装置UPM、自动无人机UAV、基于物联网通信的雷达探测车、视频监控机器人以及配套的排水管网淤积病害检测数据采集工作站；
排水管道综合管理数据库，用于为病害诊断设备上的深度学习开发板提供管道过流特性指标样本集的数据访问控制、数据存取调用接口；
排水管道多源异构数据融合和数据集扩充子系统，包括：增强型去噪自编码器模块、卷积/转置卷积模块、生成器模块、判别器模块和损失函数模块；
排水管道淤积病害双层智能诊断子系统，包括：管道淤积多场耦合瞬态水力模块、基于多目标随机森林MRF的排水管道淤积病害粗粒度诊断模块和知识-数据协同驱动的排水管道淤积病害细粒度诊断模块。
作为优选，从系统结构的角度上分为数据访问控制层部分、接入控制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GIS服务器、软件标准数据接口相连接；
所述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和管道淤积诊断模块；
所述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；
所述接入控制层部分由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；
所述GIS服务是指向上层城市排水管道淤积诊断的可视化平台提供地理信息交互相关服务；
所述业务查询与操作服务包括C/S业务系统和B/S业务系统；
所述计算服务是指通过C/S业务系统向应用层提供管道淤积多场耦合瞬态水力分析模块、管道试验参数率定模块、样本集扩充模块和机器学习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管道淤积诊断结果显示模块、管道淤积点位地理信息模块和可视化实时刷新模块的复杂数据分析与处理；
所述管道淤积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；
所述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，实现排水管道淤积诊断相关数据和参数的实时访问控制；
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；
所述知识-数据协同驱动的排水管道淤积病害双层智能诊断系统由软件和硬件支撑平台两部分组成；
所述硬件支撑平台包括管道淤积智能诊断终端、综合管理数据库服务器、城市管网GIS服务器、排水管道淤积诊断数据采集工作站、城市管道主管部门监控与运行状态可视化工作站以及通过物联网连接的下属探测仪器、仪表、传感器。
本发明的有益效果在于：
(1)构建了排水管道淤积多场耦合瞬态水力模型，分析得到管道淤积质起始位置流速分布规律、剪切应力和起动条件，从而能准确揭示排水管道淤积与过流特性的耦合机理。
(2)建立了“知识-数据”协同驱动的排水管道淤积病害双层智能诊断模型，引入多目标遗传随机森林对特征进行管道淤积的粗粒度分类，进而提出基于多源长短期记忆神经网络和知识嵌入的管道淤积细粒度诊断方法。
(3)构建了软硬件相结合的城市排水管道智能诊断系统，实现了集管道过流特性数据采集、参数率定和智能诊断算法于一身的控制平台。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、数值模拟和“知识-数据”协同驱动的管道淤积双层智能诊断算法为分析方法，进行了城市排水管道淤积智能诊断系统设计与开发，既可以满足系统复杂数据处理速率要求，又能保证淤积诊断结果输出的准确性，解决了城市排水管道淤积诊断无法实现精准化、全覆盖的难题。
本发明采用先进的知识嵌入理论、固液有限元分析与足尺试验方法、深度学习技术和复杂系统工程化实现手段，进行了排水管道淤积诊断相关环节的优化和改进，耦合了管道淤积质与水流的水文水动力学关系，充分利用“理论分析-多维度数据驱动筛选-模型构建-知识嵌入”的技术路线，在软件和硬件支撑的基础上，提供全面的专业的智能诊断工程化实现手段，保证了排水管道淤积病害双层智能诊断方法和系统的各个应用子系统在统一的基础数据库之上协同运行，为城市排水管道淤积病害智能化、精确化和全覆盖诊断提供强大的技术支撑，满足大部分城市地下排水管道淤积诊断的检测需求。
附图说明
图1为实施例中排水管道淤积病害双层智能诊断方法的流程图；
图2为实施例中排水管道淤积病害双层智能诊断系统结构图；
图3为实施例中排水管道淤积病害双层智能诊断系统的拓扑图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例
如图1所示，本实施例提供了一种排水管道淤积病害双层智能诊断方法，其包括以下步骤：
一、基于流体动力学的管道淤积病害瞬时水力模型分析；
二、利用现场定期监测采集到的真实管道淤积多场耦合指标数据集与足尺试验指标数据集进行对比、场景条件调整，以足尺试验-精细化数值模拟-现场定期监测为多维度数据驱动路径，实现管道多源异构数据指标集的多维度数据驱动分析与筛选；
三、结合去噪自编码器和生成对抗网络，实现管道淤积数据集多源异构数据融合和数据集扩充；
四、采用随机森林、复杂控制方程嵌入、通用知识嵌入、固液耦合多场知识嵌入和深度学习方法，建立知识-数据协同驱动的排水管道淤积病害双层智能诊断模型并对模型进行训练；
五、得到的管道淤积双层智能诊断结果，并更新存储到控制台的综合管理数据库中，由控制台服务器显示所有管道淤积情况诊断结果的可视化界面。
步骤一中，所述管道淤积病害瞬时水力模型分析从多相流和多场的角度进行推导，构建了重力场、压力场、应力场、流场共同作用下的管道淤积多场耦合瞬态水力模型。
步骤一中，流体动力学包括时均运动方程、脉动运动方程、质量/动量矩守恒方程；所述管道淤积多场耦合瞬态水力模型的构建步骤，包括：
步骤1：依据水流不可压缩和体积守恒原理，得到管道淤积多场耦合瞬态水力模型的时均运动方程和脉动运动方程
步骤2：依据流体力学中水体参考单元的动量守恒原理，构建质量/动量矩守恒方程为：
其中，vt为单位质量水流的紊动能，κ为紊流运动粘性系数，xi、xj为管道淤积多场耦合瞬态水力模型中u、v、w所在的坐标轴x、y、z；在一段时间范围内，管道中水流为恒定均匀流，则有/> v＝w≈0。
步骤一中，由时均湍流方程法和欧拉-拉格朗日法联立求解，所述管道淤积多场耦合瞬态水力模型分析能够得到管道淤积质起始位置流速分布规律、剪切应力和起动条件，具体表达式如下：
其中，u、v、w分别为该管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，ρ为含沙水流密度，g为水流的重力加速度，α表示管道与标准水平面之间的夹角，μ为动力粘性系数，/>为涡粘性系数模型，xj、xj分别为管底到水面的总高度和淤积质厚度，us为淤积起始位置沿z轴方向上的水深平均流速，C为谢才系数，B表示管道直径，J为管道水力坡降，ρw、ρs分别表示水流和淤积质的密度，D为淤积质颗粒的直径，/>为淤积质颗粒的摩擦角，τt表示临界起动剪切应力。
步骤一中，所述管道淤积多场耦合瞬态水力模型的参数通过有限元分析和足尺试验进行率定，同时验证和剔除足尺试验中采集到的异常值。有限元分析是指利用Abaqus和EDEM软件构建排水管道淤积的“固-液-气”多相流仿真模型，验证足尺试验率定的参数和多场耦合瞬态水力模型得到的理论结构式的有效性。
步骤二中，所述足尺试验是指搭建可人工控制的试验管段，通过基于传感器的数据采集和管道淤积多场耦合瞬态水力模型中的理论结构式量化得到管道汇流瞬时状态参数的准确值；
所述以足尺试验-精细化数值模拟-现场定期监测为多维度数据驱动路径，实现管道多源异构数据指标集的多维度数据驱动分析与筛选，是指利用现场定期监测采集到的真实管道淤积多场耦合指标数据集与足尺试验指标数据集进行对比、场景条件调整，最大程度保证足尺试验和真实管道淤积状态保持一致，同时利用基于相关性理论的指标集筛选机制进行数据集筛选；
所述相关性理论是指灰关联熵分析方法量化各数据指标集、管道淤积情况间的关联程度，克服传统相关性分析关联系数分布离散较大、易造成局部关联倾向等问题；指标筛选过程中的灰关联熵H(Xj)和灰熵关联度Er(Xj)表示如下：
其中，Pn表示第n个待筛选指标的灰关联系数分布映射，r为待筛选指标个数，Xj为第j个待筛选指标随时间变化的序列。
步骤三中，所述管道淤积数据集多源异构数据融合和数据集扩充是指通过去噪自编码器、生成对抗网络进行精确采集数据、扰动数据序列的样本集融合和扩充。
步骤四中，所述知识-数据协同驱动的排水管道淤积病害双层智能诊断模型是指：引入多目标遗传随机森林对特征进行管道淤积的粗粒度分类，进而提出基于多源长短期记忆神经网络和知识嵌入的管道淤积细粒度诊断方法，具体步骤包括：
1)通过多目标随机森林MRF对管道监测系统采集到的大数据样本进行训练和深层特征数据挖掘；
2)计算不同样本采样周期的多尺度离散熵，选取熵值最小的周期T作为淤积病害检测模型的更新周期；
3)在有监督和无监督深度学习的网络编码器感知节点中增加管道淤积情况与过流特性耦合关系的知识嵌入，利用主成分分析PCA对MRF提取的深层管道功能性病害关键特征做进一步的降维压缩；
4)采用支持向量机SVM对各检测区域管道是否存在淤积进行判别，管线淤积病害粗粒度诊断输出结果为淤积状态时，进入下一轮细粒度淤积诊断；
5)在LSTM训练模型的基础上，引入管线出入口流速流量时间序列的多尺度卷积块结构，以此丰富模型的输入特征；
所述知识嵌入是指通过复杂控制方程嵌入、通用知识嵌入和固液耦合多场知识嵌入，依托固液有限元分析和流体动力学得到的领域知识与先验经验，对深度学习模型中的损失函数、模型参数进行边界约束和优化调整。
本实施例提供了一种排水管道淤积病害双层智能诊断系统，其采用上述的排水管道淤积病害双层智能诊断方法，并包括：
运营城市排水管道过流特性指标监测子系统，包括：无人管道测量装置UPM、自动无人机UAV、基于物联网通信的雷达探测车、视频监控机器人以及配套的排水管网淤积病害检测数据采集工作站；
排水管道综合管理数据库，用于为病害诊断设备上的深度学习开发板提供管道过流特性指标样本集的数据访问控制、数据存取调用接口；
排水管道多源异构数据融合和数据集扩充子系统，包括：增强型去噪自编码器模块、卷积/转置卷积模块、生成器模块、判别器模块和损失函数模块；
排水管道淤积病害双层智能诊断子系统，包括：管道淤积多场耦合瞬态水力模块、基于多目标随机森林MRF的排水管道淤积病害粗粒度诊断模块和知识-数据协同驱动的排水管道淤积病害细粒度诊断模块。
系统通过构建排水管道淤积智能决策综合管理数据库，集中化存储排水管道淤积病害情况和其他管道过流特性监测数据，并在运行过程中可通过人工录入和物联网上传等方式实时动态更新；排水管道淤积双层智能诊断子系统包括管道淤积多场耦合瞬态水力模块、基于多目标随机森林(MRF)的排水管道淤积病害粗粒度诊断模块和“知识-数据”协同驱动的排水管道淤积病害细粒度诊断模块，这些模块均通过代码工程化实现并运行在管道淤积智能诊断终端和控制台服务器上。
如图2所示，从系统结构的角度上分为数据访问控制层部分、接入控制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(GIS)服务器、软件标准数据接口相连接；
所述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和管道淤积诊断模块；
所述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；
所述接入控制层部分由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；
所述GIS服务是指向上层城市排水管道淤积诊断的可视化平台提供地理信息交互相关服务；
所述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；
所述计算服务是指通过C/S业务系统向应用层提供管道淤积多场耦合瞬态水力分析模块、管道试验参数率定模块、样本集扩充模块和机器学习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管道淤积诊断结果显示模块、管道淤积点位地理信息模块和可视化实时刷新模块的复杂数据分析与处理；
所述管道淤积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；
所述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，实现排水管道淤积诊断相关数据和参数的实时访问控制；
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；
所述知识-数据协同驱动的排水管道淤积病害双层智能诊断系统由软件和硬件支撑平台两部分组成；
所述硬件支撑平台包括管道淤积智能诊断终端、综合管理数据库服务器、城市管网GIS服务器、排水管道淤积诊断数据采集工作站、城市管道主管部门监控与运行状态可视化工作站以及通过物联网连接的下属探测仪器、仪表、传感器。
本实施例构建了排水管道淤积多场耦合瞬态水力模型，分析得到管道淤积质起始位置流速分布规律、剪切应力和起动条件，从而能准确揭示排水管道淤积与过流特性的耦合机理。
本实施例建立了“知识-数据”协同驱动的排水管道淤积病害双层智能诊断模型，引入多目标遗传随机森林对特征进行管道淤积的粗粒度分类，进而提出基于多源长短期记忆神经网络和知识嵌入的管道淤积细粒度诊断方法。
本实施例构建了软硬件相结合的城市排水管道智能诊断系统，实现了集管道过流特性数据采集、参数率定和智能诊断算法于一身的控制平台。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、数值模拟和“知识-数据”协同驱动的管道淤积双层智能诊断算法为分析方法，进行了城市排水管道淤积智能诊断系统设计与开发，既可以满足系统复杂数据处理速率要求，又能保证淤积诊断结果输出的准确性，解决了城市排水管道淤积诊断无法实现精准化、全覆盖的难题。
如图3所示，本实施例所提供的“知识-数据”协同驱动的排水管道淤积智能诊断方法和系统中的网络平台所示的城市排水管道在线运维系统局域网，从物理部署上具体可细分为管道淤积智能诊断终端、综合管理数据库服务器、城市管网GIS服务器、排水管道过流特性监测数据采集工作站、城市管道主管部门监控与运行状态可视化工作站。管道淤积智能诊断终端硬件配置如表1所示。排水管道过流特性数据采集工作站通过物联网连接下属的探测仪器、仪表、传感器，完成管道过流特性数据指标的实时采集任务；城市管网GIS服务器为应用层提供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；综合管理数据库服务器提供城市排水管道过流特性采集数据、淤积病害情况、相关参数及其他数据存储访问服务；城市管道主管部门监控与运行状态可视化工作站主要负责为决策者提供管道淤积病害诊断结果可视化的操作界面；计算服务是指通过C/S业务系统向应用层提供管道淤积多场耦合瞬态水力分析模块、管道试验参数率定模块、样本集扩充模块和机器学习模块的复杂数据分析与处理。
表1管道淤积智能诊断终端硬件配置
在管线淤积诊断效果方面，选取平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为评价指标进行实验验证，将本专利提出的“知识-数据”协同驱动的排水管道淤积智能诊断算法与BPNN、RNN-SVM对比分析，得到的统计结果如表2所示。对比结果表明，“知识-数据”协同驱动的排水管道淤积智能诊断算法的评价指标mAP、MAE和RMSE均优于现有的BPNN和RNN-SVM算法。
表2不同淤积检测与诊断算法的性能对比
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (10)
1.排水管道淤积病害双层智能诊断方法，其特征在于：包括以下步骤：
一、基于流体动力学的管道淤积病害瞬时水力模型分析；
二、利用现场定期监测采集到的真实管道淤积多场耦合指标数据集与足尺试验指标数据集进行对比、场景条件调整，以足尺试验-精细化数值模拟-现场定期监测为多维度数据驱动路径，实现管道多源异构数据指标集的多维度数据驱动分析与筛选；
三、结合去噪自编码器和生成对抗网络，实现管道淤积数据集多源异构数据融合和数据集扩充；
四、采用随机森林、复杂控制方程嵌入、通用知识嵌入、固液耦合多场知识嵌入和深度学习方法，建立知识-数据协同驱动的排水管道淤积病害双层智能诊断模型并对模型进行训练；
五、得到的管道淤积双层智能诊断结果，并更新存储到控制台的综合管理数据库中，由控制台服务器显示所有管道淤积情况诊断结果的可视化界面。
2.根据权利要求1所述的排水管道淤积病害双层诊断方法，其特征在于：步骤一中，所述管道淤积病害瞬时水力模型分析从多相流和多场的角度进行推导，构建了重力场、压力场、应力场、流场共同作用下的管道淤积多场耦合瞬态水力模型。
3.根据权利要求2所述的排水管道淤积病害双层诊断方法，其特征在于：步骤一中，流体动力学包括时均运动方程、脉动运动方程、质量/动量矩守恒方程；所述管道淤积多场耦合瞬态水力模型的构建步骤，包括：
步骤1：依据水流不可压缩和体积守恒原理，得到管道淤积多场耦合瞬态水力模型的时均运动方程和脉动运动方程
步骤2：依据流体力学中水体参考单元的动量守恒原理，构建质量/动量矩守恒方程为：
其中，vt为单位质量水流的紊动能，κ为紊流运动粘性系数，xi、xj为管道淤积多场耦合瞬态水力模型中u、v、w所在的坐标轴x、y、z；在一段时间范围内，管道中水流为恒定均匀流，则有/> v＝w≈0。
4.根据权利要求3所述的排水管道淤积病害双层诊断方法，其特征在于：步骤一中，由时均湍流方程法和欧拉-拉格朗日法联立求解，所述管道淤积多场耦合瞬态水力模型分析能够得到管道淤积质起始位置流速分布规律、剪切应力和起动条件，具体表达式如下：
其中，u、v、w分别为该管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，ρ为含沙水流密度，g为水流的重力加速度，α表示管道与标准水平面之间的夹角，μ为动力粘性系数，/>为涡粘性系数模型，xj、xj分别为管底到水面的总高度和淤积质厚度，us为淤积起始位置沿z轴方向上的水深平均流速，C为谢才系数，B表示管道直径，J为管道水力坡降，ρw、ρs分别表示水流和淤积质的密度，D为淤积质颗粒的直径，/>为淤积质颗粒的摩擦角，τt表示临界起动剪切应力。
5.根据权利要求4所述的排水管道淤积病害双层诊断方法，其特征在于：步骤一中，所述管道淤积多场耦合瞬态水力模型的参数通过有限元分析和足尺试验进行率定，同时验证和剔除足尺试验中采集到的异常值。
6.根据权利要求5所述的排水管道淤积病害双层诊断方法，其特征在于：步骤二中，所述足尺试验是指搭建可人工控制的试验管段，通过基于传感器的数据采集和管道淤积多场耦合瞬态水力模型中的理论结构式量化得到管道汇流瞬时状态参数的准确值；
所述以足尺试验-精细化数值模拟-现场定期监测为多维度数据驱动路径，实现管道多源异构数据指标集的多维度数据驱动分析与筛选，是指利用现场定期监测采集到的真实管道淤积多场耦合指标数据集与足尺试验指标数据集进行对比、场景条件调整，最大程度保证足尺试验和真实管道淤积状态保持一致，同时利用基于相关性理论的指标集筛选机制进行数据集筛选；
所述相关性理论是指灰关联熵分析方法量化各数据指标集、管道淤积情况间的关联程度；指标筛选过程中的灰关联熵H(Xj)和灰熵关联度Er(Xj)表示如下：
其中，Pn表示第n个待筛选指标的灰关联系数分布映射，r为待筛选指标个数，Xj为第j个待筛选指标随时间变化的序列。
7.根据权利要求6所述的排水管道淤积病害双层诊断方法，其特征在于：步骤三中，所述管道淤积数据集多源异构数据融合和数据集扩充是指通过去噪自编码器、生成对抗网络进行精确采集数据、扰动数据序列的样本集融合和扩充。
8.根据权利要求7所述的排水管道淤积病害双层诊断方法，其特征在于：步骤四中，所述知识-数据协同驱动的排水管道淤积病害双层智能诊断模型是指：引入多目标遗传随机森林对特征进行管道淤积的粗粒度分类，进而提出基于多源长短期记忆神经网络和知识嵌入的管道淤积细粒度诊断方法，具体步骤包括：
1)通过多目标随机森林MRF对管道监测系统采集到的大数据样本进行训练和深层特征数据挖掘；
2)计算不同样本采样周期的多尺度离散熵，选取熵值最小的周期T作为淤积病害检测模型的更新周期；
3)在有监督和无监督深度学习的网络编码器感知节点中增加管道淤积情况与过流特性耦合关系的知识嵌入，利用主成分分析PCA对MRF提取的深层管道功能性病害关键特征做进一步的降维压缩；
4)采用支持向量机SVM对各检测区域管道是否存在淤积进行判别，管线淤积病害粗粒度诊断输出结果为淤积状态时，进入下一轮细粒度淤积诊断；
5)在LSTM训练模型的基础上，引入管线出入口流速流量时间序列的多尺度卷积块结构，以此丰富模型的输入特征；
所述知识嵌入是指通过复杂控制方程嵌入、通用知识嵌入和固液耦合多场知识嵌入，依托固液有限元分析和流体动力学得到的领域知识与先验经验，对深度学习模型中的损失函数、模型参数进行边界约束和优化调整。
9.排水管道淤积病害双层智能诊断系统，其特征在于：其采用如权利要求1-8中所述的排水管道淤积病害双层智能诊断方法，并包括：
运营城市排水管道过流特性指标监测子系统，包括：无人管道测量装置UPM、自动无人机UAV、基于物联网通信的雷达探测车、视频监控机器人以及配套的排水管网淤积病害检测数据采集工作站；
排水管道综合管理数据库，用于为病害诊断设备上的深度学习开发板提供管道过流特性指标样本集的数据访问控制、数据存取调用接口；
排水管道多源异构数据融合和数据集扩充子系统，包括：增强型去噪自编码器模块、卷积/转置卷积模块、生成器模块、判别器模块和损失函数模块；
排水管道淤积病害双层智能诊断子系统，包括：管道淤积多场耦合瞬态水力模块、基于多目标随机森林MRF的排水管道淤积病害粗粒度诊断模块和知识-数据协同驱动的排水管道淤积病害细粒度诊断模块。
10.根据权利要求9所述的排水管道淤积病害双层诊断系统，其特征在于：从系统结构的角度上分为数据访问控制层部分、接入控制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GIS服务器、软件标准数据接口相连接；
所述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和管道淤积诊断模块；
所述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；
所述接入控制层部分由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；
所述GIS服务是指向上层城市排水管道淤积诊断的可视化平台提供地理信息交互相关服务；
所述业务查询与操作服务包括C/S业务系统和B/S业务系统；
所述计算服务是指通过C/S业务系统向应用层提供管道淤积多场耦合瞬态水力分析模块、管道试验参数率定模块、样本集扩充模块和机器学习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管道淤积诊断结果显示模块、管道淤积点位地理信息模块和可视化实时刷新模块的复杂数据分析与处理；
所述管道淤积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；
所述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，实现排水管道淤积诊断相关数据和参数的实时访问控制；
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；
所述知识-数据协同驱动的排水管道淤积病害双层智能诊断系统由软件和硬件支撑平台两部分组成；
所述硬件支撑平台包括管道淤积智能诊断终端、综合管理数据库服务器、城市管网GIS服务器、排水管道淤积诊断数据采集工作站、城市管道主管部门监控与运行状态可视化工作站以及通过物联网连接的下属探测仪器、仪表、传感器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310496993.5A CN116702638B (zh) | 2023-05-05 | 2023-05-05 | 排水管道淤积病害双层智能诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310496993.5A CN116702638B (zh) | 2023-05-05 | 2023-05-05 | 排水管道淤积病害双层智能诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116702638A true CN116702638A (zh) | 2023-09-05 |
| CN116702638B CN116702638B (zh) | 2024-06-25 |
Family
ID=87828360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310496993.5A Active CN116702638B (zh) | 2023-05-05 | 2023-05-05 | 排水管道淤积病害双层智能诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116702638B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117216919A (zh) * | 2023-09-21 | 2023-12-12 | 郑州大学 | 一种基于知识-数据双驱动的排水管道力学性能评估方法 |
| CN117331047A (zh) * | 2023-12-01 | 2024-01-02 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的人体行为数据分析方法及系统 |
| CN117332722A (zh) * | 2023-11-23 | 2024-01-02 | 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 |
| CN117609218A (zh) * | 2024-01-19 | 2024-02-27 | 深圳市环水管网科技服务有限公司 | 基于动态知识库的排水管网gis数据质量控制方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200231466A1 (en) * | 2017-10-09 | 2020-07-23 | Zijun Xia | Intelligent systems and methods for process and asset health diagnosis, anomoly detection and control in wastewater treatment plants or drinking water plants |
| CN114723336A (zh) * | 2022-05-16 | 2022-07-08 | 郑州大学 | 一种基于mop-dl的地下排水管网养护智能决策方法 |
| CN115034155A (zh) * | 2022-06-13 | 2022-09-09 | 郑州大学 | 一种基于排水管道病害与内涝偶联关系的耦合方法 |
| CN115186602A (zh) * | 2022-06-20 | 2022-10-14 | 郑州大学 | 一种城市地下排水管网养护智能决策方法及系统 |
| CN115221776A (zh) * | 2022-06-06 | 2022-10-21 | 广西电网有限责任公司电力科学研究院 | 一种新型配电网的智能感知诊断模型的训练方法及装置 |
-
2023
- 2023-05-05 CN CN202310496993.5A patent/CN116702638B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200231466A1 (en) * | 2017-10-09 | 2020-07-23 | Zijun Xia | Intelligent systems and methods for process and asset health diagnosis, anomoly detection and control in wastewater treatment plants or drinking water plants |
| CN114723336A (zh) * | 2022-05-16 | 2022-07-08 | 郑州大学 | 一种基于mop-dl的地下排水管网养护智能决策方法 |
| CN115221776A (zh) * | 2022-06-06 | 2022-10-21 | 广西电网有限责任公司电力科学研究院 | 一种新型配电网的智能感知诊断模型的训练方法及装置 |
| CN115034155A (zh) * | 2022-06-13 | 2022-09-09 | 郑州大学 | 一种基于排水管道病害与内涝偶联关系的耦合方法 |
| CN115186602A (zh) * | 2022-06-20 | 2022-10-14 | 郑州大学 | 一种城市地下排水管网养护智能决策方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 乔伟 等: "基于云服务的煤矿水害监测大数据智能预警平台构建", 煤炭学报, vol. 45, no. 07, 31 July 2020 (2020-07-31), pages 2619 - 2627 * |
| 朱晓红 等: "支撑向量机在给水管网故障诊断中的应用", 重庆大学学报, vol. 31, no. 02, 15 February 2008 (2008-02-15), pages 179 - 182 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117216919A (zh) * | 2023-09-21 | 2023-12-12 | 郑州大学 | 一种基于知识-数据双驱动的排水管道力学性能评估方法 |
| CN117332722A (zh) * | 2023-11-23 | 2024-01-02 | 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 |
| 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 |
| CN117331047A (zh) * | 2023-12-01 | 2024-01-02 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的人体行为数据分析方法及系统 |
| CN117609218A (zh) * | 2024-01-19 | 2024-02-27 | 深圳市环水管网科技服务有限公司 | 基于动态知识库的排水管网gis数据质量控制方法及系统 |
| CN117609218B (zh) * | 2024-01-19 | 2024-04-30 | 深圳市环水管网科技服务有限公司 | 基于动态知识库的排水管网gis数据质量控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116702638B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116702638B (zh) | 排水管道淤积病害双层智能诊断方法及系统 | |
| US20230195979A1 (en) | Intelligent decision-making method and system for maintaining urban underground sewer network | |
| CN104807589B (zh) | 一种集输－立管系统内气液两相流流型的在线识别方法 | |
| Xu et al. | Web-based geospatial platform for the analysis and forecasting of sedimentation at culverts | |
| Deng | Modeling the dynamics and consequences of land system change | |
| CN106777987A (zh) | 基于水动力、水质和som的河流水量聚类及水质评价方法 | |
| CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能系统 | |
| Contractor et al. | Efficacy of Feedforward and LSTM Neural Networks at predicting and gap filling coastal ocean timeseries: Oxygen, nutrients, and temperature | |
| Hong et al. | Physically-based urban stormwater quality modelling: An efficient approach for calibration and sensitivity analysis | |
| CN107491840A (zh) | 基于elm神经网络模型的流动磨损特性预测及寿命评估方法 | |
| CN117744411B (zh) | 一种基于海洋气象趋势的船舶失速预测方法及系统 | |
| Paramasivam | Merits and demerits of GIS and geostatistical techniques | |
| CN116595881A (zh) | 一种对原油储罐温度场预测和储油安全性评价的方法 | |
| CN109255485A (zh) | 基于rbfn机器学习的降雨型地质灾害预警预报模型及学习方法 | |
| Abbott | Range of tidal flow modeling | |
| Dhumvad et al. | Water pollution monitoring and decision support system | |
| CN106980675B (zh) | 一种高效的桥梁结构健康预警系统 | |
| Sorkhabi et al. | Investigating the efficiency of deep learning methods in estimating GPS geodetic velocity | |
| Di et al. | An automatic and integrated self-diagnosing system for the silting disease of drainage pipelines based on SSAE-TSNE and MS-LSTM | |
| Guo et al. | Research on assimilation simulation of chlorophyll a concentrations in a virtual geographic environment | |
| Zhou et al. | Regression analysis of intelligent education based on linear mixed effect model | |
| Kherde et al. | Integrating Geographical Information Systems (GIS) with Hydrological Modelling—Applicability and Limitations | |
| Zhao et al. | Machine learning-enabled calibration of river routing model parameters | |
| Udovyk | GIS for integrated water resources management | |
| Azad et al. | Prediction of Traffic Counts Using Statistical and Neural Network Models |
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 |