CN117332722A - 一种基于硬约束投影的排水管道淤积智能诊断方法 - Google Patents
一种基于硬约束投影的排水管道淤积智能诊断方法 Download PDFInfo
- Publication number
- CN117332722A CN117332722A CN202311566460.6A CN202311566460A CN117332722A CN 117332722 A CN117332722 A CN 117332722A CN 202311566460 A CN202311566460 A CN 202311566460A CN 117332722 A CN117332722 A CN 117332722A
- Authority
- CN
- China
- Prior art keywords
- drainage pipeline
- fluid
- solid coupling
- siltation
- sedimentation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003745 diagnosis Methods 0.000 title claims abstract description 53
- 230000008878 coupling Effects 0.000 claims abstract description 154
- 238000010168 coupling process Methods 0.000 claims abstract description 154
- 238000005859 coupling reaction Methods 0.000 claims abstract description 154
- 239000007787 solid Substances 0.000 claims abstract description 150
- 238000004062 sedimentation Methods 0.000 claims abstract description 91
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 78
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 230000015654 memory Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 239000012530 fluid Substances 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000003672 processing method Methods 0.000 claims description 23
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 239000002245 particle Substances 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 230000010349 pulsation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000000704 physical effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 239000010802 sludge Substances 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 239000010865 sewage Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 239000013049 sediment Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 102100021807 ER degradation-enhancing alpha-mannosidase-like protein 1 Human genes 0.000 description 1
- 101000895701 Homo sapiens ER degradation-enhancing alpha-mannosidase-like protein 1 Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002351 wastewater Substances 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Fluid Mechanics (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于硬约束投影的排水管道淤积智能诊断方法,所述方法包括:依据排水管道水流的水动力学特性和水体参考单元的动量守恒原理,构建排水管道淤积的流固耦合模型;结合动量守恒方程和流体力学,得到排水管道淤积流固耦合微分控制方程组;对排水管道淤积流固耦合微分控制方程组进行离散化处理,借助足尺试验和数值模拟方法对离散化处理后的排水管道淤积流固耦合微分控制方程组中的参数进行联合率定;计算离散化后的排水管道淤积流固耦合微分控制方程组中的预测矩阵和硬约束矩阵,得到硬约束投影处理后的排水管道流速、流量数据序列;进而提出输入数据序列硬约束投影和多尺度长短期记忆神经网络相结合的管道淤积智能诊断方法。
Description
技术领域
本发明属于市政排水管网功能性病害智能诊断技术领域,涉及一种基于硬约束投影的排水管道淤积智能诊断方法。
背景技术
城市排水系统是处理和排除城市雨、污等废水的工程设施系统,对于提升城市居民生活质量、防止内涝灾害发生发挥着不可或缺的作用;污水管网系统是城市排水系统中的重要组成部分,是城市重要的基础设施之一,承担着污水收集和输送的主要任务。污水中携带的固体颗粒物随着排水管道中的水力状态的变化逐渐沉降和堆积,会在排水管道底部逐渐形成淤积,随着淤积厚度的增加排水管道的过水能力随之下降甚至堵塞排水管道,影响排水系统的安全稳定运行。
管网淤积、结垢引起的排水不畅是导致城市内涝的重要因素之一。排水管道淤积会改变水的瞬态溢流特性,增加城市洪涝风险。为预防和解决排水管道堵塞淤积,保证排水管网运行通畅,需要定期对排水管道内的淤积情况进行调查,较为准确全面的掌握排水管道淤积情况,从而针对性的对淤积排水管道开展清淤作业。基于此,亟需构建一种智能化、精准化的排水管道淤积诊断模型,这是现代城市管理中亟待破解的难题之一。
针对排水管道淤积诊断问题,普遍采用定期人工现场调查的形式,用插泥杆或量泥斗等工具测量淤积厚度,从而掌握排水管网中的淤积状态。现有的研究表明,随着时间的推移,排水管道淤积与流速顺序、流量和水位高度有很强的相关性。然而,由于排水管道监测系统的计算能力有限,简单地通过建立包含许多微分操作和实时状态转换分析的理论模型来分析不同淤积情景是不切实际和低效的。目前,市政和排水管道监控公司采用闭路电视(CCTV)检测车和人工判识相结合的方式来诊断排水管道淤积。但是这种人工测量或者CCTV检测车人工判识的方式存在误差较大、安全风险高以及人工成本高等问题,且易受排水管道环境和外部因素影响,使得现有淤积病害诊断手段不能对整个管网实现全方位覆盖。
因此,有必要开发一种智能化精准化的基于硬约束投影的排水管道淤积智能诊断方法。
发明内容
针对以上问题,本发明的目的在于提供一种基于硬约束投影的排水管道淤积智能诊断方法,整合离散化后的排水管道淤积流固耦合微分控制方程组中的预测矩阵和硬约束矩阵,得到排水管道流速、流量数据序列的硬约束投影处理方法,并对排水管道流速、流量数据序列进行硬约束投影处理,再利用基于多尺度长短期记忆神经网络(MLSTM)的排水管道淤积智能诊断模型对硬约束投影处理后的排水管道流速、流量数据序列进行排水管道淤积智能化、精确化诊断。
本发明采用的技术方案如下:一种基于硬约束投影的排水管道淤积智能诊断方法,具体包括以下步骤:
步骤S1,依据排水管道水流的水动力学特性和水体参考单元的动量守恒原理,构建排水管道淤积的流固耦合模型,推导得到排水管道淤积流固耦合微分控制方程和边界条件;
步骤S2,结合动量守恒方程和流体力学,计算与流速、流量动态变化规律均相关的控制方程,与步骤S1中的排水管道淤积流固耦合微分控制方程、边界条件共同构成排水管道淤积流固耦合微分控制方程组;
步骤S3,采用微分离散化方法,对步骤S2中的排水管道淤积流固耦合微分控制方程组进行离散化处理;
步骤S4,借助足尺试验和数值模拟方法对步骤S3中离散化处理后的排水管道淤积流固耦合微分控制方程组中的参数进行联合率定,其中,数值模拟方法采用流体力学软件+离散元分析软件进行动态耦合模拟;
步骤S5,结合步骤S3中离散化后的排水管道淤积流固耦合微分控制方程组和步骤S4中联合率定的排水管道淤积流固耦合微分控制方程组中的参数,计算离散化后的排水管道淤积流固耦合微分控制方程组中的预测矩阵和硬约束矩阵,得到排水管道流速、流量数据序列的硬约束投影处理方法,并对排水管道流速、流量数据序列进行硬约束投影,得到硬约束投影处理后的排水管道流速、流量数据序列;
步骤S6,在时间长短期记忆神经网络的基础上,采取并行排列多个时间长短期记忆神经网络的方法,同时在各时间长短期记忆神经网络中引入权重层、舍弃层和批量归一化层,并利用支持向量机分类器进行最终的诊断结果输出,构建基于多尺度长短期记忆神经网络的排水管道淤积智能诊断模型,以步骤S5中硬约束投影处理后的排水管道流速、流量数据序列为排水管道淤积智能诊断模型输入,输出是否淤积、淤积长度、淤积高度三项指标。
特别地,步骤S1中,依据排水管道水流的水动力学特性和水体参考单元的动量守恒原理,构建排水管道淤积的流固耦合模型,推导得到排水管道淤积流固耦合微分控制方程和边界条件,具体如下:
步骤S11:依据排水管道水流的水动力学特性和水体参考单元的动量守恒原理,得出时均运动方程和脉动运动方程为:
(1);
其中,u、v、w分别为排水管道水流垂直平均流速在三维坐标系x、y、z轴上的分量,、、为湍流在三维坐标系x、y、z轴方向上的实时脉动流速,x轴表示与排水管道水流方
向平行的坐标轴,y轴表示与排水管道侧壁垂直的坐标轴,z轴表示与排水管道顶部垂直的
坐标轴;
步骤S12:在步骤S11中实时脉动流速沿排水管道垂直方向的分量忽略不计的前提下,结合排水管道水流的水动力学特性和和水体参考单元的动量守恒原理,构建排水管道淤积的流固耦合模型,公式化表达如下所示:
(2);
(3);
(4);
其中,t表示时间维度的某一时刻,为排水管道水流的重力加速度,表示排水
管道与标准水平面之间的夹角,表示分量u在三维坐标系x轴方向上的实时脉动流速,且,为紊流运动粘性系数,为单位质量水流的紊动能,表示动力粘性
系数,表示三维空间中的拉普拉斯函数,和分别表示t时刻排水管道入口A
和排水管道出口B的平均流速,和分别表示t时刻由流量计测量得到的排水管道
入口A和排水管道出口B的实际流量。
特别地,步骤S2中,结合动量守恒方程和流体力学,计算与流速、流量动态变化规律均相关的控制方程,与步骤S1中的排水管道淤积流固耦合微分控制方程、边界条件共同构成排水管道淤积流固耦合微分控制方程组,具体如下:
(5);
(6);
(7);
其中,为含沙水流密度,表示时刻t流过排水管道目标位置的瞬时流量,
表示无限小的时间间隔,和分别表示非淤积和淤积管段中流固耦合的摩擦阻力,
表示从排水管道入口A到排水管道出口B的排水管道总长度,代表排水管道淤积的长度,为非淤积管段水流动能转换效率系数,代表排水管道淤积的厚度,表示水流从排水
管道入口A运动到排水管道出口B所需的时间,表示时刻排水管道出口B处
水流的理论流速,和分别表示t时刻由流量计测量得到的排水管道入口A和排水
管道出口B的实际流量, 和分别代表未淤积排水管道和淤积排水管道的摩擦系数。
特别地,步骤S3中,采用微分离散化方法,对步骤S2中的排水管道淤积流固耦合微分控制方程组进行离散化处理,具体如下:
步骤S31:基于有限差分原理对公式(2)、公式(3)和公式(4)中的排水管道淤积流固耦合微分控制方程组进行离散化处理,在排水管道淤积流固耦合微分控制方程组离散化处理过程中,采用正演欧拉法对一阶导数和二阶导数进行离散化处理,得到离散化后的排水管道淤积流固耦合微分控制方程如公式(8)所示:
(8);
其中,表示时刻排水管道水流垂直平均流速在三维坐标系x轴上参考点
位置的分量,表示时刻排水管道水流垂直平均流速在三维坐标系x轴上参考点位置的分
量,表示时刻排水管道水流垂直平均流速在三维坐标系轴上参考点位置移动的
分量,表示时刻排水管道水流垂直平均流速在三维坐标系轴上参考点位置移动的分量,表示沿x轴的无穷小瞬时区间间隙;
步骤S32:通过数学分析构建约束补丁,以反映排水管道淤积物理约束与流速数据序列之间的复杂关系,将步骤S31中排水管道淤积流固耦合微分控制方程组离散化处理方法应用于公式(2)、公式(3)和公式(4)中的排水管道淤积流固耦合微分控制方程组,得到公式(8)所示的离散化后的排水管道淤积流固耦合微分控制方程,进而构建排水管道淤积流固耦合微分控制方程组离散化处理后的约束补丁如公式(9)所示:
(9);
其中,表示排水管道淤积流固耦合微分控制方程组离散化处理后得到的约束补
丁,表示淤积排水管道中水流流速在z轴方向上的近似等效位置。
特别地,步骤S4中,借助足尺试验和数值模拟方法对步骤S3中离散化处理后的排水管道淤积流固耦合微分控制方程组中的参数进行联合率定,其中,数值模拟方法采用流体力学软件+离散元分析软件进行动态耦合模拟,具体如下:
步骤S41:离散元分析软件负责生成离散颗粒物并设置边界条件,并由多相流应用接口链接流体力学软件;
步骤S42:在步骤S41的基础上,在流体力学软件中设置淤积排水管道水流物理属性与管内淤积颗粒的控制单元子模块,得到排水管道淤积流固耦合基本运算单元;
步骤S43:步骤S42中的排水管道淤积流固耦合基本运算单元进行一次时间步的流固耦合计算后,将流场数据信息调入步骤S41的离散元分析软件中计算一个对应时间步内颗粒相运动位移状态方程;
步骤S44:在步骤S43的基础上,由流体力学软件+离散元分析软件组合实现排水管道淤积流固耦合功能,采用控制变量法对排水管道淤积流固耦合控制方程组中的参数进行率定;
步骤S45:利用足尺试验对步骤S44中控制变量法率定的排水管道淤积流固耦合控制方程组中的参数准确性进行验证,实现排水管道淤积流固耦合控制方程组中的参数的联合率定。
特别地,步骤S5中,结合步骤S3中离散化后的排水管道淤积流固耦合微分控制方程组和步骤S4中联合率定的排水管道淤积流固耦合微分控制方程组中的参数,计算离散化后的排水管道淤积流固耦合微分控制方程组中的预测矩阵和硬约束矩阵,得到排水管道流速、流量数据序列的硬约束投影处理方法,并对排水管道流速、流量数据序列进行硬约束投影,得到硬约束投影处理后的排水管道流速、流量数据序列,具体如下:
步骤S51:首先,对公式(8)中离散化后的排水管道淤积流固耦合微分控制方程进行矩阵分解,进而将公式(2)、公式(3)和公式(4)中排水管道淤积的流固耦合模型转化为超平面投影;
步骤S52:提取步骤S51中排水管道淤积的流固耦合模型转化为超平面投影的预测矩阵P,如下所示:
(10);
其中,P表示排水管道淤积的流固耦合模型转化为超平面投影的预测矩阵;T表示矩阵转置操作;
步骤S53:提取步骤S51中排水管道淤积的流固耦合模型转化为超平面投影的硬约束矩阵H,如下所示:
(11);
其中,H表示排水管道淤积的流固耦合模型转化为超平面投影的硬约束矩阵;
步骤S54:在由步骤S53提取的排水管道淤积的流固耦合模型转化为超平面投影的
硬约束矩阵H确定的超平面上,执行硬约束投影处理方法,使得满足方程,则硬
约束投影处理方法的具体计算由排水管道淤积的流固耦合模型转化为超平面投影的硬
约束矩阵H和排水管道淤积的流固耦合模型转化为超平面投影的预测矩阵P进行量化,具体
如下:
(12);
其中,表示硬约束投影处理方法,表示排水管道淤积的流固耦合模型转化为
超平面投影的硬约束矩阵的转置矩阵,表示矩阵H和通过矩阵乘法得到的矩阵,表示矩阵的逆矩阵;
步骤S55:利用步骤S54中的硬约束投影处理方法对排水管道流速、流量数据序列进行硬约束投影,得到硬约束投影处理后的排水管道流速、流量数据序列。
特别地,步骤S6,在时间长短期记忆神经网络的基础上,采取并行排列多个时间长短期记忆神经网络的方法,同时在各时间长短期记忆神经网络中引入权重层、舍弃层和批量归一化层,并利用支持向量机分类器进行最终的诊断结果输出,构建基于多尺度长短期记忆神经网络(MLSTM)的排水管道淤积智能诊断模型,以步骤S5中硬约束投影处理后的排水管道流速、流量数据序列为排水管道淤积智能诊断模型输入,输出是否淤积、淤积长度、淤积高度三项指标,具体如下:
步骤S61:采取并行排列多个时间长短期记忆神经网络的方法提升输入数据序列的类型和个数;
步骤S62:在步骤S61的基础上,使用3×3卷积核和7×7卷积核对输入的排水管道流速、流量数据序列进行多尺度特征提取和矩阵连接操作,并将矩阵连接送入步骤S61中并行排列的多个时间长短期记忆神经网络,得到输出结果;
步骤S63:在步骤S61中并行排列的多个时间长短期记忆神经网络的输出位置设置三个支持向量机分类器,这三个支持向量机分类器共同构成全连接层;
步骤S64:将步骤S62中的输出结果送入由步骤S63中三个支持向量机分类器共同构成的全连接层;
步骤S65:由步骤S61到步骤S64共同构成的多尺度时间长短期记忆神经网络算法输出排水管道淤积智能诊断结果,即是否淤积、淤积长度、淤积高度。
与最近的现有技术相比:
(1)本发明依据排水管道水流的水动力学特性和水体参考单元的动量守恒原理,构建排水管道淤积的流固耦合模型,推导得到排水管道淤积流固耦合微分控制方程和边界条件;
(2)本发明采用微分离散化方法,对排水管道淤积流固耦合微分控制方程组进行离散化处理;借助足尺试验和数值模拟方法对离散化处理后的排水管道淤积流固耦合微分控制方程组中的参数进行联合率定;计算离散化后的排水管道淤积流固耦合微分控制方程组中的预测矩阵和硬约束矩阵,得到排水管道流速、流量数据序列的硬约束投影处理方法,并对排水管道流速、流量数据序列进行硬约束投影,得到硬约束投影处理后的排水管道流速、流量数据序列;
(3)本发明提出输入数据硬约束投影和多尺度长短期记忆神经网络相结合的排水管道淤积智能诊断方法,实现基于硬约束投影和多尺度长短期记忆神经网络的排水管道淤积智能化、精确化诊断。
(4)本发明可以提高排水管道淤积诊断效率,降低排水管道淤积诊断成本,满足大部分城市地下排水管网智能化、精确化淤积诊断需求。
附图说明
图1示出本发明方法发明的数据处理流程图;
图2示出本发明方法的排水管道淤积流固耦合模型示意图;
图3示出本发明方法的基于动量守恒理论的流速、流量动态变化规律示意图;
图4示出本发明方法的多尺度特征提取块的结构组成图;
图5示出本发明方法的多尺度长短期记忆神经网络架构图。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
为实现上述目的,本专利提供如下技术方案:一种基于硬约束投影的排水管道淤积智能诊断方法,如图1所示,具体包括:
步骤S1,依据排水管道水流的水动力学特性和水体参考单元的动量守恒原理,构建排水管道淤积的流固耦合模型,推导得到排水管道淤积流固耦合微分控制方程和边界条件;
步骤S2,结合动量守恒方程和流体力学,计算与流速、流量动态变化规律均相关的控制方程,与步骤S1中的排水管道淤积流固耦合微分控制方程、边界条件共同构成排水管道淤积流固耦合微分控制方程组;
步骤S3,采用微分离散化方法,对步骤S2中的排水管道淤积流固耦合微分控制方程组进行离散化处理;
步骤S4,借助足尺试验和数值模拟方法对步骤S3中离散化处理后的排水管道淤积流固耦合微分控制方程组中的参数进行联合率定,其中,数值模拟方法采用流体力学软件(Fluent)+离散元分析软件(EDEM)进行动态耦合模拟;
步骤S5,结合步骤S3中离散化后的排水管道淤积流固耦合微分控制方程组和步骤S4中联合率定的排水管道淤积流固耦合微分控制方程组中的参数,计算离散化后的排水管道淤积流固耦合微分控制方程组中的预测矩阵和硬约束矩阵,得到排水管道流速、流量数据序列的硬约束投影处理方法,并对排水管道流速、流量数据序列进行硬约束投影,得到硬约束投影处理后的排水管道流速、流量数据序列;
步骤S6,在时间长短期记忆神经网络(LSTM)的基础上,采取并行排列多个时间长短期记忆神经网络的方法,同时在各时间长短期记忆神经网络中引入权重层、舍弃层(Dropout)和批量归一化层(BN),并利用支持向量机分类器进行最终的诊断结果输出,构建基于多尺度长短期记忆神经网络(MLSTM)的排水管道淤积智能诊断模型,以步骤S5中硬约束投影处理后的排水管道流速、流量数据序列为排水管道淤积智能诊断模型输入,输出是否淤积、淤积长度、淤积高度三项指标。
优选的,步骤S1中,依据排水管道水流的水动力学特性和水体参考单元的动量守恒原理,构建排水管道淤积的流固耦合模型(图2),推导得到排水管道淤积流固耦合微分控制方程和边界条件,具体如下:
步骤S11:依据排水管道水流的水动力学特性和水体参考单元的动量守恒原理,得出时均运动方程和脉动运动方程为:
(1);
其中,u、v、w分别为排水管道水流垂直平均流速在三维坐标系x、y、z轴上的分量,、、为湍流在三维坐标系x、y、z轴方向上的实时脉动流速,x轴表示与排水管道水流方
向平行的坐标轴,y轴表示与排水管道侧壁垂直的坐标轴,z轴表示与排水管道顶部垂直的
坐标轴;
步骤S12:在步骤S11中实时脉动流速沿排水管道垂直方向的分量忽略不计的前提下,结合排水管道水流的水动力学特性和和水体参考单元的动量守恒原理,构建排水管道淤积的流固耦合模型,如图2所示,公式化表达如下所示:
(2);
(3);
(4);
其中,u表示排水管道水流垂直平均流速在三维坐标系x轴上的分量,t表示时间维
度的某一时刻,三维坐标系x轴表示与排水管道方向平行的坐标轴,为排水管道水流的重
力加速度,表示排水管道与标准水平面之间的夹角,表示分量u在三维坐标系x轴方向
上的实时脉动流速,且,为紊流运动粘性系数,为单位质量水流的紊
动能,表示动力粘性系数,表示三维空间中的拉普拉斯函数,和分别表示
t时刻排水管道入口和出口的平均流速,和分别表示t时刻由流量计测量得到的
排水管道入口和出口的实际流量。
优选的,步骤S2中,结合动量守恒方程和流体力学,计算与流速、流量动态变化规律均相关的控制方程,与步骤S1中的排水管道淤积流固耦合微分控制方程、边界条件共同构成排水管道淤积流固耦合微分控制方程组(图3),具体如下:
(5);
(6);
(7);
其中,为含沙水流密度,表示时刻t流过排水管道目标位置的瞬时流量,
表示无限小的时间间隔,和分别表示非淤积和淤积管段中流固耦合的摩擦阻力,
表示从排水管道入口A到排水管道出口B的排水管道总长度,代表排水管道淤积的长度,为非淤积管段水流动能转换效率系数,代表排水管道淤积的厚度,表示水流从排水
管道入口A运动到排水管道出口B所需的时间,表示时刻排水管道出口B处
水流的理论流速,和分别表示t时刻由流量计测量得到的排水管道入口A和排水
管道出口B的实际流量,和分别代表未淤积排水管道和淤积排水管道的摩擦系数。
优选的,步骤S3中,采用微分离散化方法,对步骤S2中的排水管道淤积流固耦合微分控制方程组进行离散化处理,具体如下:
步骤S31:基于有限差分原理对公式(2)-公式(4)中的排水管道淤积流固耦合微分控制方程组进行离散化处理,在排水管道淤积流固耦合微分控制方程组离散化处理过程中,采用正演欧拉法对一阶导数和二阶导数进行离散化处理,得到离散化后的排水管道淤积流固耦合微分控制方程如公式(8)所示:
(8);
其中,表示时刻排水管道水流垂直平均流速在三维坐标系x轴上参考点
位置的分量,表示时刻排水管道水流垂直平均流速在三维坐标系x轴上参考点位置的分
量,表示时刻排水管道水流垂直平均流速在三维坐标系轴上参考点位置移动的
分量,表示时刻排水管道水流垂直平均流速在三维坐标系轴上参考点位置移动的分量,表示沿x轴的无穷小瞬时区间间隙,为单位质量水流的紊动能,表示动
力粘性系数;
步骤S32:通过数学分析构建约束补丁,以反映排水管道淤积物理约束与流速数据序列之间的复杂关系,将步骤S31中排水管道淤积流固耦合微分控制方程组离散化处理方法应用于公式(2)-公式(4)中的排水管道淤积流固耦合微分控制方程组,得到公式(8)所示的离散化后的排水管道淤积流固耦合微分控制方程,进而构建排水管道淤积流固耦合微分控制方程组离散化处理后的约束补丁如公式(9)所示:
(9);
其中,表示排水管道淤积流固耦合微分控制方程组离散化处理后得到的约束补
丁,表示淤积排水管道中水流流速在z轴方向上的近似等效位置。
优选的,步骤S4中,借助足尺试验和数值模拟方法对步骤S3中离散化处理后的排水管道淤积流固耦合微分控制方程组中的参数进行联合率定,其中,数值模拟方法采用流体力学软件+离散元分析软件进行动态耦合模拟,具体如下:
步骤S41:离散元分析软件负责生成离散颗粒物并设置边界条件,并由多相流应用接口链接流体力学软件;
步骤S42:在步骤S41的基础上,在流体力学软件中设置淤积排水管道水流物理属性与管内淤积颗粒的控制单元子模块,得到排水管道淤积流固耦合基本运算单元;
步骤S43:每当步骤S42中的排水管道淤积流固耦合基本运算单元进行一次时间步的流固耦合计算后,将流场数据信息调入步骤S41的离散元分析软件中计算一个对应时间步内颗粒相运动位移状态方程;
步骤S44:在步骤S43的基础上,由流体力学软件+离散元分析软件组合实现排水管道淤积流固耦合功能,采用控制变量法对排水管道淤积流固耦合控制方程组中的参数进行率定;
步骤S45:利用足尺试验对步骤S44中控制变量法率定的排水管道淤积流固耦合控制方程组中的参数准确性进行验证,实现排水管道淤积流固耦合控制方程组中的参数的联合率定。
优选的,步骤S5中,结合步骤S3中离散化后的排水管道淤积流固耦合微分控制方程组和步骤S4中联合率定的排水管道淤积流固耦合微分控制方程组中的参数,计算离散化后的排水管道淤积流固耦合微分控制方程组中的预测矩阵和硬约束矩阵,得到排水管道流速、流量数据序列的硬约束投影处理方法,并对排水管道流速、流量数据序列进行硬约束投影,得到硬约束投影处理后的排水管道流速、流量数据序列,具体如下:
步骤S51:首先,对公式(8)中离散化后的排水管道淤积流固耦合微分控制方程进行矩阵分解,进而将公式(2)-公式(4)中排水管道淤积的流固耦合模型转化为超平面投影;
步骤S52:提取步骤S51中排水管道淤积的流固耦合模型转化为超平面投影的预测矩阵P,如下所示:
(10);
其中,P表示排水管道淤积的流固耦合模型转化为超平面投影的预测矩阵;T表示矩阵转置操作。
步骤S53:提取步骤S51中排水管道淤积的流固耦合模型转化为超平面投影的硬约束矩阵H,如下所示:
(11);
其中,H表示排水管道淤积的流固耦合模型转化为超平面投影的硬约束矩阵;
步骤S54:在由步骤S53提取的排水管道淤积的流固耦合模型转化为超平面投影的
硬约束矩阵H确定的超平面上,执行硬约束投影处理方法,使得满足方程,则硬
约束投影处理方法的具体计算可由排水管道淤积的流固耦合模型转化为超平面投影的
硬约束矩阵H和排水管道淤积的流固耦合模型转化为超平面投影的预测矩阵P进行量化,具
体如下:
(12);
其中,表示硬约束投影处理方法,表示排水管道淤积的流固耦合模型转化为
超平面投影的硬约束矩阵的转置矩阵,表示矩阵H和通过矩阵乘法得到的矩阵,表示矩阵的逆矩阵;
步骤S55:利用步骤S54中的硬约束投影处理方法对排水管道流速、流量数据序列进行硬约束投影,得到硬约束投影处理后的排水管道流速、流量数据序列。
优选的,步骤S6中,在时间长短期记忆神经网络的基础上,采取并行排列多个时间长短期记忆神经网络的方法,同时在各时间长短期记忆神经网络中引入权重层、舍弃层和批量归一化层,并利用支持向量机分类器进行最终的诊断结果输出,构建基于多尺度长短期记忆神经网络(MLSTM)的排水管道淤积智能诊断模型,以步骤S5中硬约束投影处理后的排水管道流速、流量数据序列为排水管道淤积智能诊断模型输入,输出是否淤积、淤积长度、淤积高度三项指标,具体如下:
步骤S61:采取并行排列多个时间长短期记忆神经网络的方法提升输入数据序列的类型和个数;
步骤S62:在步骤S61的基础上,使用3×3卷积核和7×7卷积核对输入的排水管道流速、流量数据序列进行多尺度特征提取和矩阵连接操作(图4),并将矩阵连接送入步骤S61中并行排列的多个时间长短期记忆神经网络,得到输出结果;
步骤S63:在步骤S61中并行排列的多个时间长短期记忆神经网络的输出位置设置三个支持向量机分类器,这三个支持向量机分类器共同构成全连接层;
步骤S64:将步骤S62中的输出结果送入由步骤S63中三个支持向量机分类器共同构成的全连接层;
步骤S65:如图5所示,以步骤S5中硬约束投影处理后的排水管道流速、流量数据序列为输入,由步骤S61到步骤S64共同构成的多尺度时间长短期记忆神经网络算法输出排水管道淤积智能诊断结果,即是否淤积、淤积长度、淤积高度。
优选的,步骤S5中,采用无线智能流速、流量测量设备收集排水管道流速、流量数据序列。
实施例:以坝道工程足尺试验场的地下排水管道淤积足尺试验为例,进一步说明本发明基于硬约束投影的排水管道淤积智能诊断方法:
步骤S1,从地下排水网系统中选择了6个排水管道段。放置水泵和淤塞沉积物进行流固耦合测试。使用无线云平台将采集到的输入数据序列上传到数据采集服务器数据库。部署闭路电视机器人,并手动设置排水管道淤积高度和淤积长度预设来标记输入数据序列;
步骤S2,智能流速/流量测量设备负责监测排水管道流速、流量数据序列,并上传到数据采集服务器数据库;
步骤S3,依据排水管道水流的水动力学特性和水体参考单元的动量守恒原理,构建排水管道淤积的流固耦合模型,推导得到排水管道淤积流固耦合微分控制方程和边界条件;
步骤S4,结合动量守恒方程和流体力学,计算与流速、流量动态变化规律均相关的控制方程,与步骤S3中的排水管道淤积流固耦合微分控制方程、边界条件共同构成排水管道淤积流固耦合微分控制方程组;
步骤S5,采用微分离散化方法,对步骤S4中的排水管道淤积流固耦合微分控制方程组进行离散化处理;
步骤S6,借助足尺试验和数值模拟方法对步骤S5中离散化处理后的排水管道淤积流固耦合微分控制方程组中的参数进行联合率定,其中,数值模拟方法采用流体力学软件+离散元分析软件进行动态耦合模拟;
步骤S7,结合步骤S5中离散化后的排水管道淤积流固耦合微分控制方程组和步骤S5中联合率定的排水管道淤积流固耦合微分控制方程组中的参数,计算离散化后的排水管道淤积流固耦合微分控制方程组中的预测矩阵和硬约束矩阵,得到排水管道流速、流量数据序列的硬约束投影处理方法,并对排水管道流速、流量数据序列进行硬约束投影,得到硬约束投影处理后的排水管道流速、流量数据序列;
步骤S8,在时间长短期记忆神经网络的基础上,采取并行排列多个时间长短期记忆神经网络的方法,同时在各时间长短期记忆神经网络中引入权重层、舍弃层和批量归一化层,并利用支持向量机分类器进行最终的诊断结果输出,构建基于多尺度长短期记忆神经网络(MLSTM)的排水管道淤积智能诊断模型,以步骤S7中硬约束投影处理后的排水管道流速、流量数据序列为排水管道淤积智能诊断模型输入,输出是否淤积、淤积长度、淤积高度三项指标。
累计统计300组排水管道坝道工程足尺试验场的地下排水管道淤积足尺试验案例中是否淤积、淤积长度、淤积高度这三项指标的真实值和本专利提出的一种基于硬约束投影的排水管道淤积智能诊断方法的输出结果,性能指标如表1所示。
表1 实施例中本专利算法的性能指标统计结果
本专利提出的基于硬约束投影的排水管道淤积智能诊断方法均方根误差、平均绝对百分比误差和拟合优度分别为0.368、0.049、0.972,表明该排水管道淤积智能诊断方法具有精确度高和可靠性好的优势,有利于实现排水管道淤积诊断高精度、智能化目标。
Claims (7)
1.一种基于硬约束投影的排水管道淤积智能诊断方法,其特征在于:具体包括以下步骤:
步骤S1,依据排水管道水流的水动力学特性和水体参考单元的动量守恒原理,构建排水管道淤积的流固耦合模型,推导得到排水管道淤积流固耦合微分控制方程和边界条件;
步骤S2,结合动量守恒方程和流体力学,计算与流速、流量动态变化规律均相关的控制方程,与步骤S1中的排水管道淤积流固耦合微分控制方程、边界条件共同构成排水管道淤积流固耦合微分控制方程组;
步骤S3,采用微分离散化方法,对步骤S2中的排水管道淤积流固耦合微分控制方程组进行离散化处理;
步骤S4,借助足尺试验和数值模拟方法对步骤S3中离散化处理后的排水管道淤积流固耦合微分控制方程组中的参数进行联合率定,其中,数值模拟方法采用流体力学软件+离散元分析软件进行动态耦合模拟;
步骤S5,结合步骤S3中离散化后的排水管道淤积流固耦合微分控制方程组和步骤S4中联合率定的排水管道淤积流固耦合微分控制方程组中的参数,计算离散化后的排水管道淤积流固耦合微分控制方程组中的预测矩阵和硬约束矩阵,得到排水管道流速、流量数据序列的硬约束投影处理方法,并对排水管道流速、流量数据序列进行硬约束投影,得到硬约束投影处理后的排水管道流速、流量数据序列;
步骤S6,在时间长短期记忆神经网络的基础上,采取并行排列多个时间长短期记忆神经网络的方法,同时在各时间长短期记忆神经网络中引入权重层、舍弃层和批量归一化层,并利用支持向量机分类器进行最终的诊断结果输出,构建基于多尺度长短期记忆神经网络的排水管道淤积智能诊断模型,以步骤S5中硬约束投影处理后的排水管道流速、流量数据序列为排水管道淤积智能诊断模型输入,输出是否淤积、淤积长度、淤积高度三项指标。
2.根据权利要求1所述的一种基于硬约束投影的排水管道淤积智能诊断方法,其特征在于:步骤S1中,具体步骤如下:
步骤S11:依据排水管道水流的水动力学特性和水体参考单元的动量守恒原理,得出时均运动方程和脉动运动方程为:
(1);
其中,u、v、w分别为排水管道水流垂直平均流速在三维坐标系x、y、z轴上的分量,、/>、为湍流在三维坐标系x、y、z轴方向上的实时脉动流速,x轴表示与排水管道水流方向平行的坐标轴,y轴表示与排水管道侧壁垂直的坐标轴,z轴表示与排水管道顶部垂直的坐标轴;
步骤S12:结合排水管道水流的水动力学特性和和水体参考单元的动量守恒原理,构建排水管道淤积的流固耦合模型,公式化表达如下所示:
(2);
(3);
(4);
其中,t表示时间维度的某一时刻,为排水管道水流的重力加速度,/>表示排水管道与标准水平面之间的夹角,/>表示分量u在三维坐标系x轴方向上的实时脉动流速,且,/>为紊流运动粘性系数,/>为单位质量水流的紊动能,/>表示动力粘性系数,/>表示三维空间中的拉普拉斯函数,/>和/>分别表示t时刻排水管道入口A和排水管道出口B的平均流速,/>和/>分别表示t时刻由流量计测量得到的排水管道入口A和排水管道出口B的实际流量。
3.根据权利要求2所述的一种基于硬约束投影的排水管道淤积智能诊断方法,其特征在于:步骤S2中,排水管道淤积流固耦合微分控制方程组,具体如下:
(5);
(6);
(7);
其中,为含沙水流密度,/>表示时刻t流过排水管道目标位置的瞬时流量,/>表示无限小的时间间隔,/>和/>分别表示非淤积和淤积管段中流固耦合的摩擦阻力,/>表示从排水管道入口A到排水管道出口B的排水管道总长度,/>代表排水管道淤积的长度,/>为非淤积管段水流动能转换效率系数,/>代表排水管道淤积的厚度,/>表示水流从排水管道入口A运动到排水管道出口B所需的时间,/>表示时刻/>排水管道出口B处水流的理论流速,/>和/>分别表示t时刻由流量计测量得到的排水管道入口A和排水管道出口B的实际流量,/>和/>分别代表未淤积排水管道和淤积排水管道的摩擦系数。
4.根据权利要求3所述的一种基于硬约束投影的排水管道淤积智能诊断方法,其特征在于:步骤S3中,具体步骤如下:
步骤S31:基于有限差分原理对公式(2)、公式(3)和公式(4)中的排水管道淤积流固耦合微分控制方程组进行离散化处理,在排水管道淤积流固耦合微分控制方程组离散化处理过程中,采用正演欧拉法对一阶导数和二阶导数进行离散化处理,得到离散化后的排水管道淤积流固耦合微分控制方程如公式(8)所示:
(8);
其中,表示时刻/>排水管道水流垂直平均流速在三维坐标系x轴上参考点位置的分量,/>表示时刻/>排水管道水流垂直平均流速在三维坐标系x轴上参考点位置的分量,表示时刻/>排水管道水流垂直平均流速在三维坐标系/>轴上参考点位置移动/>的分量,表示时刻/>排水管道水流垂直平均流速在三维坐标系/>轴上参考点位置移动/>的分量,/>表示沿x轴的无穷小瞬时区间间隙;
步骤S32:通过数学分析构建约束补丁,将步骤S31中排水管道淤积流固耦合微分控制方程组离散化处理方法应用于公式(2)、公式(3)和公式(4)中的排水管道淤积流固耦合微分控制方程组,得到公式(8)所示的离散化后的排水管道淤积流固耦合微分控制方程,构建排水管道淤积流固耦合微分控制方程组离散化处理后的约束补丁如公式(9)所示:
(9);
其中,表示排水管道淤积流固耦合微分控制方程组离散化处理后得到的约束补丁,/>表示淤积排水管道中水流流速在z轴方向上的近似等效位置。
5.根据权利要求4所述的一种基于硬约束投影的排水管道淤积智能诊断方法,其特征在于:步骤S4中,具体步骤如下:
步骤S41:离散元分析软件负责生成离散颗粒物并设置边界条件,并由多相流应用接口链接流体力学软件;
步骤S42:在步骤S41的基础上,在流体力学软件中设置淤积排水管道水流物理属性与管内淤积颗粒的控制单元子模块,得到排水管道淤积流固耦合基本运算单元;
步骤S43:步骤S42中的排水管道淤积流固耦合基本运算单元进行一次时间步的流固耦合计算后,将流场数据信息调入步骤S41的离散元分析软件中计算一个对应时间步内颗粒相运动位移状态方程;
步骤S44:在步骤S43的基础上,由流体力学软件+离散元分析软件组合实现排水管道淤积流固耦合功能,采用控制变量法对排水管道淤积流固耦合控制方程组中的参数进行率定;
步骤S45:利用足尺试验对步骤S44中控制变量法率定的排水管道淤积流固耦合控制方程组中的参数准确性进行验证,实现排水管道淤积流固耦合控制方程组中的参数的联合率定。
6.根据权利要求5所述的一种基于硬约束投影的排水管道淤积智能诊断方法,其特征在于:步骤S5中,具体步骤如下:
步骤S51:首先,对公式(8)中离散化后的排水管道淤积流固耦合微分控制方程进行矩阵分解,进而将公式(2)、公式(3)和公式(4)中排水管道淤积的流固耦合模型转化为超平面投影;
步骤S52:提取步骤S51中排水管道淤积的流固耦合模型转化为超平面投影的预测矩阵P,如下所示:
(10);
其中,P表示排水管道淤积的流固耦合模型转化为超平面投影的预测矩阵;T表示矩阵转置操作;
步骤S53:提取步骤S51中排水管道淤积的流固耦合模型转化为超平面投影的硬约束矩阵H,如下所示:
(11);
其中,H表示排水管道淤积的流固耦合模型转化为超平面投影的硬约束矩阵;
步骤S54:在由步骤S53提取的排水管道淤积的流固耦合模型转化为超平面投影的硬约束矩阵H确定的超平面上,执行硬约束投影处理方法,使得满足方程/>,则硬约束投影处理方法/>的具体计算由排水管道淤积的流固耦合模型转化为超平面投影的硬约束矩阵H和排水管道淤积的流固耦合模型转化为超平面投影的预测矩阵P进行量化,具体如下:
(12);
其中,表示硬约束投影处理方法,/>表示排水管道淤积的流固耦合模型转化为超平面投影的硬约束矩阵的转置矩阵,/>表示矩阵H和/>通过矩阵乘法得到的矩阵,/>表示矩阵/>的逆矩阵;
步骤S55:利用步骤S54中的硬约束投影处理方法对排水管道流速、流量数据序列进行硬约束投影,得到硬约束投影处理后的排水管道流速、流量数据序列。
7.根据权利要求6所述的一种基于硬约束投影的排水管道淤积智能诊断方法,其特征在于:步骤S6中,具体步骤如下:
步骤S61:采取并行排列多个时间长短期记忆神经网络的方法提升输入数据序列的类型和个数;
步骤S62:在步骤S61的基础上,使用3×3卷积核和7×7卷积核对输入的排水管道流速、流量数据序列进行多尺度特征提取和矩阵连接操作,并将矩阵连接送入步骤S61中并行排列的多个时间长短期记忆神经网络,得到输出结果;
步骤S63:在步骤S61中并行排列的多个时间长短期记忆神经网络的输出位置设置三个支持向量机分类器,这三个支持向量机分类器共同构成全连接层;
步骤S64:将步骤S62中的输出结果送入由步骤S63中三个支持向量机分类器共同构成的全连接层;
步骤S65:由步骤S61到步骤S64共同构成的多尺度时间长短期记忆神经网络算法输出排水管道淤积智能诊断结果,即是否淤积、淤积长度、淤积高度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311566460.6A CN117332722B (zh) | 2023-11-23 | 2023-11-23 | 一种基于硬约束投影的排水管道淤积智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311566460.6A CN117332722B (zh) | 2023-11-23 | 2023-11-23 | 一种基于硬约束投影的排水管道淤积智能诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117332722A true CN117332722A (zh) | 2024-01-02 |
CN117332722B CN117332722B (zh) | 2024-02-23 |
Family
ID=89283363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311566460.6A Active CN117332722B (zh) | 2023-11-23 | 2023-11-23 | 一种基于硬约束投影的排水管道淤积智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332722B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5980984A (en) * | 1994-11-04 | 1999-11-09 | The Regents Of The University Of California | Method for sealing remote leaks in an enclosure using an aerosol |
US20230195979A1 (en) * | 2022-06-20 | 2023-06-22 | Zhengzhou University | Intelligent decision-making method and system for maintaining urban underground sewer network |
CN116319383A (zh) * | 2023-02-01 | 2023-06-23 | 华南理工大学 | 流量矩阵预测方法、装置、计算机设备及存储介质 |
CN116522609A (zh) * | 2023-04-13 | 2023-08-01 | 郑州大学 | 一种基于Fluent+Infoworks ICM的城市内涝预警模型的构建方法 |
CN116542170A (zh) * | 2023-04-10 | 2023-08-04 | 郑州大学 | 基于ssae和mlstm的排水管道淤积病害动态诊断方法 |
CN116702638A (zh) * | 2023-05-05 | 2023-09-05 | 郑州大学 | 排水管道淤积病害双层智能诊断方法及系统 |
-
2023
- 2023-11-23 CN CN202311566460.6A patent/CN117332722B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5980984A (en) * | 1994-11-04 | 1999-11-09 | The Regents Of The University Of California | Method for sealing remote leaks in an enclosure using an aerosol |
US20230195979A1 (en) * | 2022-06-20 | 2023-06-22 | Zhengzhou University | Intelligent decision-making method and system for maintaining urban underground sewer network |
CN116319383A (zh) * | 2023-02-01 | 2023-06-23 | 华南理工大学 | 流量矩阵预测方法、装置、计算机设备及存储介质 |
CN116542170A (zh) * | 2023-04-10 | 2023-08-04 | 郑州大学 | 基于ssae和mlstm的排水管道淤积病害动态诊断方法 |
CN116522609A (zh) * | 2023-04-13 | 2023-08-01 | 郑州大学 | 一种基于Fluent+Infoworks ICM的城市内涝预警模型的构建方法 |
CN116702638A (zh) * | 2023-05-05 | 2023-09-05 | 郑州大学 | 排水管道淤积病害双层智能诊断方法及系统 |
Non-Patent Citations (2)
Title |
---|
卢程伟;周建中;胡德超;张余龙;: "三峡库区枝状河网水动力过程实时模拟", 长江科学院院报, no. 05, pages 157 - 160 * |
白渝 等: "基于MRF-MLSTM 和知识嵌入的地下排水管线 淤积智能诊断模型研究", 城市勘测, no. 4, 31 August 2023 (2023-08-31), pages 163 - 167 * |
Also Published As
Publication number | Publication date |
---|---|
CN117332722B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nearing et al. | Modeling soil erosion | |
CN111369059A (zh) | 基于内涝快速模拟耦合模型的城市内涝预测方法及系统 | |
Vetsch | Numerical simulation of sediment transport with meshfree methods | |
Undheim et al. | Non-linear, microscale modelling of the flow over Askervein hill | |
CN116702638B (zh) | 排水管道淤积病害双层智能诊断方法及系统 | |
CN113569438A (zh) | 基于多源降雨融合和实时校正的城市洪涝模型构建方法 | |
Gholami et al. | A combination of computational fluid dynamics, artificial neural network, and support vectors machines models to predict flow variables in curved channel | |
CN111241757A (zh) | 基于计算流体力学的铀尾矿库溃坝三维数值模拟方法 | |
CN113348349A (zh) | 分析管道状况的方法和系统 | |
CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能系统 | |
Ahmed et al. | A sheetflow transport model for asymmetric oscillatory flows: Part i: Uniform grain size sediments | |
CN117332722B (zh) | 一种基于硬约束投影的排水管道淤积智能诊断方法 | |
CN113282577B (zh) | 污水管网的监测方法、装置、电子设备及存储介质 | |
Benkhaldoun et al. | Combined characteristics and finite volume methods for sediment transport and bed morphology in surface water flows | |
Li et al. | Data-driven reduced-order simulation of dam-break flows in a wetted channel with obstacles | |
CN117313568A (zh) | 耦合领域知识和深度学习的排水管道淤积病害诊断方法 | |
CN108256266B (zh) | 一种一维水动力模型和二维水动力模型耦合方法及系统 | |
CN114066275B (zh) | 一种系统的变电站洪涝灾害分析方法 | |
Alshami et al. | Monitoring Blockage and Overflow Events in Small-Sized Sewer Network Using Contactless Flow Sensors in Hong Kong: Problems, Causes, and Proposed Solution. | |
Bea | Effects of water wave kinematics uncertainty on design criteria for offshore structures | |
CN116011356B (zh) | 一种基于ConvLSTM与OpenFOAM数值计算耦合的海底管缆冲刷预测方法 | |
CN118152847A (zh) | 一种排水管网协同诊断装备及智慧决策系统 | |
Sun et al. | Modeling and prediction of Great Salt Lake elevation time series based on ARFIMA | |
Gądek et al. | Strupczewski method for parametric design hydrographs in ungauged cross-sections | |
Liang | Evaluation of runoff response to moving rainstorms |
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 |