CN117669366A - 一种融合气温的供水管网安全风险动态评估方法 - Google Patents

一种融合气温的供水管网安全风险动态评估方法 Download PDF

Info

Publication number
CN117669366A
CN117669366A CN202311591853.2A CN202311591853A CN117669366A CN 117669366 A CN117669366 A CN 117669366A CN 202311591853 A CN202311591853 A CN 202311591853A CN 117669366 A CN117669366 A CN 117669366A
Authority
CN
China
Prior art keywords
data
temperature
air temperature
pipeline
water supply
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311591853.2A
Other languages
English (en)
Inventor
胡群芳
车德路
赫磊
王飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202311591853.2A priority Critical patent/CN117669366A/zh
Publication of CN117669366A publication Critical patent/CN117669366A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G01K13/02—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • 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
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种融合气温的供水管网安全风险动态评估方法，属于防灾工程技术领域，本发明首先要根据历史气温数据、水温数据和土温数据，通过人工智能算法得到以气温为输入的水温和土温预测模型。然后，通过获取气象预报数据得到未来天气条件下的水温和土温。将预测的土温和水温数据作为管道力学分析的参数条件，通过力学计算分析得到管道未来天气条件下的安全系数，从而实现供水管网管道结构温度影响安全风险评价。本发明展示了外部气温变化对供水管网安全影响，为城市供水管网运行安全提供动态风险评估技术，对保障城市供水管网安全运维与风险管控具有重要价值。

Description

一种融合气温的供水管网安全风险动态评估方法
技术领域
本发明属于防灾工程技术领域，尤其涉及一种融合气温的供水管网安全风险动态评估方法。
背景技术
城市供水管网系统主要包括供水主要管道及其附属设施共同形成复杂、庞大的网络系统，通常覆盖城市的大部分地区。但管道主要埋设于地下，其隐蔽性使得日常运行状态无法直接观察。因此，需要管网系统进行评估，以识别潜在风险和决定维修或更换管网的时机。
外部天气温度是影响地下管网的运行安全的重要因素，尤其是在冬季低温状态下，管网风险事件呈现多发性和聚集性的特点。结合气象温度的变化和天气预报信息进行管网风险评估，是一项重要的工作，为此，通过构建的现场观测站及关键技术研发，建立科学有效的评估方法，这对维护和管理城市供水管网安全十分重要。
目前，针对地下管网安全风险评估的研究主要集中在管网风险定量评估、管网脆弱性评估、风险管理等方面，多采用层次分析法、模糊评价法等经验－理论分析方法。这些方法虽部分包含管道温度参数，但没有将管道温度变化和气象温度变化建立物理融合。因此需要一种将外部天气气温和管网安全风险评估结构相结合，能有效和准确地识别高风险管道，并评估管网系统风险的新方法。
发明内容
本发明的目的在于提供一种融合气温的供水管网安全风险动态评估方法，其特征在于，包括如下步骤：
S1：收集历史气象数据、水温数据和土温数据，对收集到的数据进行整理和清洗工作；
S2：基于清洗后的数据，建立气温和水温、土温等参数关联预测模型；
S3：基于气象台发布的气象信息，获取气象预报数据；
S4：将气象预报动态数据输入水温和土温的预测模型，从而获取水温和土温的预测数据；
S5：基于水温和土温的预测数据，计算供水管网的管道结构力学性能，得到管道的安全系数，确定管道的风险等级；
S6：基于确定后的管道的风险等级，评价供水管网动态风险等级，并于管网GIS上进行可视化显示，并编制风险图，从而实现对全域供水管网的安全风险动态评估。
进一步地，S1中，数据整理和清洗工作包括以下步骤：
S11：整理每日气象预报中的气温数据，提取历史气温中每日最高气温和最低气温；
S12：整理获取的水文数据和土温数据，提取数据中每日最低水温、最低土温以及土温监测的深度信息；
S13：将每日的气温数据和水温数据进行日期对应，得到气温－水温数据集；将每日的气温数据和土温数据进行日期对应，得到气温－土温数据集；
S14：分别截取两个数据集中缺失数据最少的一整年的数据，对于缺失的数据通过插值的方法进行数据补全，完成数据整理和清洗工作。
进一步地，S2中，采用人工智能算法模型建立气温与水温、土温之间的预测模型，具体包括以下步骤：
S21：将气温－水温数据集和气温－土温数据集皆分别划分为训练数据集和测试数据集；
S22：采用长短期记忆神经网络分别建立水温预测模型和土温预测模型；
S23：分别调整两个模型的超参数，直至测试集下的决定系数R2满足需求。
进一步地，S21中，训练数据集与测试数据集之比为7：3；
S22中，采用长短期记忆神经网络分别建立水温预测模型和土温预测模型具体为：水温预测模型的输入为每日最高气温和最低气温，时间步长为7天，输出为最后第7天的最低水温；土温预测模型的输入为每日最高气温、最低气温和温度监测的深度，时间步长为7天，输出为最后第7天的最低土温；
S23中，两个模型的超参数包括模型的隐含层层数、每层长短期记忆神经网络模型单元、全连接单元的个数以及最大迭代次数和每次训练批量取值。
进一步地，S3中，气象预报数据的获取包括以下步骤：
S31：采用中央气象台的气象预报数据，选取本地城市为抓取对象；
S32：基于MATLAB编译数据获取程序，通过webread函数进行本地气象数据网址的读取，获取网页中的结构型数据；
S33：对获取的结构型数据进行分析，抓取其中与气温预报相关的信息，并保存本地以作备用，完成气象预报数据的获取。
进一步地，S4中，水温和土温的预测数据的获取包括以下步骤：
S41：将提取到的气温预报数据，按照每日最高温、每日最低温，时间步长为7天的格式进行整理；
S42：将整理的气温数据作为水温和土温预测模型的输入，从而得到每日水温数据的预测值和土温数据的预测值，其中，土温的深度采用管道的埋深。
进一步地，S5具体包括以下步骤：
S51：计算供水管网的管道结构力学性能，具体为：基于管道埋深处预测的土温和水温，对管道结构进行力学分析，计算管道的纵向应力和环形应力，计算公式表示为：
其中，σ为管道的Von Mises应力；σ1为管道的纵向应力；σ2为管道的环向应力；
S52：将管道材料的允许应力与管道计算得到的Von Mises应力σ进行对比，得到管道安全系数，计算公式表示为：
其中，[σ]为管道允许应力；
S53：将管道安全系数进行划分，分为五级风险等级，以方便显示不同风险的管道。
进一步地，S6中，风险图的编制包括以下步骤：
S61：采用GIS软件将供水管网GIS文件属性表增加一列，用于储存计算的风险等级；
S62：将管道的风险等级对应地输入到管网GIS属性表中；
S63：采用GIS软件中的符号系统，将管网按照风险等级赋予不同的颜色；
S64：将待评估区域的管网进行全面赋值，并于GIS平台上进行动态展示。
进一步地，S63中，将管网按照风险等级赋予不同的颜色具体为：设置风险等级一级为红色、二级为橙色、三级为黄色、四级为蓝色和五级为绿色。
与现有技术相比，本发明的有益效果主要体现在：
1、本发明在现有管道力学分析的基础上，引入了气象温度数据，将气温数据与影响管道受力的土温数据和水温数据相结合，采用人工智能方法建立预测模型，从而能够通过气象预报来预测水温和土温。
2、本发明在现有管网风险分析的基础上，结合气象预报的动态性和预测性，通过每日的气象数据的数据获取，实现了管网的动态风险评估预警技术。
附图说明
图1为本发明一种融合气温的供水管网安全风险动态评估方法的技术流程图。
图2为本发明实施例某区域供水管网示意图。
图3是本发明实施例某区域某时间段内气温和不同深度土温变化图。
图4是本发明实施例某区域某时间段内气温和水温变化图。
图5是本发明实施例某区域某日气象数据获取结果图。
图6是本发明实施例某区域管网风险评估结果图。
具体实施方式
下面将结合示意图对本发明一种融合气温的供水管网安全风险动态评估方法进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果，因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。
实施例
已知某区域供水GIS信息如图1所示。收集到该区域气象温度数据和对应的水温数据和土温数据，如图2和图3所示。
如图1所示，运用本发明提出的一种融合气温的供水管网安全风险动态评估方法，包括以下步骤：
步骤1：收集历史气象数据、水温数据和土温数据，对气温数据和水温数据、气温数据和土温数据进行整理和数据清洗工作。
具体包括以下步骤：
1)气象预报通常是预报每日最高气温和最低气温，所以在获取历史气温数据之后，为保持数据前后的一致性，对气温数据进行整理，提取历史气温中每日最高气温和最低气温。
2)低温是影响管道安全的重要因素，对收到的水温数据和土温数据进行整理，提取数据中每日最低水温和最低土温，以及土温监测的深度信息。
3)将气温数据和水温数据进行日期对应，得到气温－水温数据集。将气温数据和土温数据进行日期对应，得到气温－土温数据集，部分数据如图3和图4所示。
4)分别截取两个数据集中缺失数据最少的一整年数据，将缺失数据通过插值的方法进行数据补全，若无数据缺失可跳过此步骤。
步骤2：采用人工智能的算法建立气温和水温、土温之间的预测模型。
具体包括以下子步骤：
1)将步骤1中收集到的气温－水温数据集和气温-土温数据集分成训练数据集(70％)和测试数据集(30％)。
2)采用长短期记忆神经网络(LSTM)分别建立水温预测模型和土温预测模型。水温预测模型的输入为每日最高气温和最低气温，时间步长为7天，输出为最后第7天的最低水温。土温预测模型的输入为每日最高气温、最低气温和温度监测的深度，时间步长为7天，输出为最后第7天的最低土温。
3)分别调整两个模型的超参数。包括模型的隐含层层数和每层LSTM模型单元和全连接单元的个数，以及最大迭代次数和每次训练批量取值，其中水温预测模型的隐含层包括1层50个LSTM单元和两层50个全连接单元，最大迭代200次，每次最小迭代Batch Size取50；土温预测模型的隐含层包括3层80个LSTM单元和两层50个全连接单元，最大迭代500次，每次最小迭代Batch Size取500。水温测试集下的决定系数R2为0.96，土温测试集下的决定系数R2为0.93。
步骤3：通过编程对气象数据进行数据获取，获取气象预报数据。
具体包括以下子步骤：
1)确定需要数据获取网址信息，这里采用中央气象台的气象预报数据，选取本地城市为获取对象，链接为http://www.nmc.cn/publish/forecast/ASH/xujiahui.html。
2)采用MATLAB编译数据获取程序，采用webread函数进行本地气象数据网址的读取，一般为结构型数据。
3)对抓取的结构型数据进行分析，抓取其中关于气温预报的信息，并保存本地以作备用，数据获取结果如图5所示。
步骤4：将气象预报数据输入水温和土温的预测模型，从而获取水温和土温的预测数据。
具体包括以下子步骤：
1)将提取到的气温预报数据，按照模型输入的格式进行整理。按照每日最高温、每日最低温，时间步长为7天的格式进行整理。
2)将整理的气温数据作为水温和土温预测模型的输入，输入模型中，得到每日水温数据的预测值和土温数据的预测值，其中土温的深度采用管道的埋深。
步骤5，根据预测的水温和土温数据，计算管道的力学性能，得到管道的安全系数，确定管道的风险等级。
具体包括以下子步骤：
1)将管道埋深处的预测土温和预测水温作为管道力学计算的条件，对管道结构进行力学分析，计算管道的纵向应力和环向应力。
2)计算管道的Von Mises应力，按下列公式(1)计算
式(1)中，σ1是管道纵向应力，σ2是环向应力。
3)将管道材料的允许应力与管道计算得到的Von Mises应力σ进行对比，得到管道安全系数，按下列公式(2)进行计算：
式(2)中，[σ]是管道允许应力，σ是计算管道的VonMises应力。
4)将管道安全系数进行划分，分为五级风险等级，以方便显示不同风险的管道，0＜FS≤1.2，风险等级为一级；1.2＜FS≤1.8，风险等级为二级；1.8＜FS≤2.4，风险等级为三级；2.4＜FS≤3，风险等级为四级，3＜FS，风险等级为五级，如图6所示。
步骤6：根据评估的管道风险等级，评价供水管网动态风险等级，并在管网GIS上进行可视化显示，实现对全域供水管网风险评估并编制风险图
具体包括以下子步骤：
1)采用GIS软件将供水管网GIS文件属性表增加一列，用于储存计算的风险等级。
2)将管道的风险等级对应的填入管网GIS属性表中。
3)采用GIS软件中的符号系统，将管网按照风险等级赋予不同的颜色。设置风险等级一级为红色、二级为橙色、三级为黄色、四级为蓝色和五级为绿色。
4)将待评估区域的管网进行全面赋值，并再GIS平台进行动态展示。
本发明提出的一种融合气温的供水管网安全风险动态评估技术，是一种用于开展供水管网埋地管道结构气温影响风险评估方法，不同于常规风险分析方法，它将气温和管道水温、土温相结合，通过气温预测数据实现管道的水温土温预测。在管道力学分析的基础上，结合预测的土温和水温进行分析，实现了融合历史与预报气温的供水管网运行安全评估技术，对于实际供水管网运维安全保障具有重要的技术价值。
本发明提出的一种融合气温的供水管网安全风险动态评估技术，是一种用于开展供水管网埋地管道结构气温影响风险评估新方法，不同于常规风险分析方法，它将气温和管道水温、土温相结合，通过气温预测数据实现管道的水温土温预测。在管道力学分析的基础上，结合预测的土温和水温进行分析，实现了融合历史与预报气温的供水管网运行安全评估技术，对于实际供水管网运维安全保障具有重要的技术价值。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (9)

1.一种融合气温的供水管网安全风险动态评估方法，其特征在于，包括如下步骤：
S1：收集历史气象数据、水温数据和土温数据，对收集到的数据进行整理和清洗工作；
S2：基于清洗后的数据，建立气温和水温、土温之间的预测模型；
S3：基于气象台发布的气象信息，获取气象预报数据；
S4：将气象预报动态数据输入水温和土温的预测模型，从而获取水温和土温的预测数据；
S5：基于水温和土温的预测数据，计算供水管网的管道结构力学性能，得到管道的安全系数，确定管道的风险等级；
S6：基于确定后的管道的风险等级，评价供水管网动态风险等级，编制风险图并在管网GIS图上进行可视化显示，从而实现对全域供水管网的安全风险动态评估。
2.根据权利要求1所述的融合气温的供水管网安全风险动态评估方法，其特征在于，所述S1中，所述数据整理和清洗工作包括以下步骤：
S11：整理每日气象预报中的气温数据，提取历史气温中每日最高气温和最低气温；
S12：整理获取的水文数据和土温数据，提取数据中每日最低水温、最低土温以及土温监测的深度信息；
S13：将每日的气温数据和水温数据进行日期对应，得到气温－水温数据集；将每日的气温数据和土温数据进行日期对应，得到气温－土温数据集；
S14：分别截取两个数据集中缺失数据最少的一整年的数据为基准，对于缺失的数据通过插值的方法进行数据补全，完成数据整理和清洗工作。
3.根据权利要求1所述的融合气温的供水管网安全风险动态评估方法，其特征在于，所述S2中，采用人工智能算法模型建立气温与水温、土温之间的预测模型，具体包括以下步骤：
S21：将气温－水温数据集和气温－土温数据集皆分别划分为训练数据集和测试数据集；
S22：采用长短期记忆神经网络分别建立水温预测模型和土温预测模型；
S23：分别调整两个模型的超参数，直至测试集下的决定系数R2满足需求。
4.根据权利要求3所述的融合气温的供水管网安全风险动态评估方法，其特征在于，所述S21中，训练数据集与测试数据集之比为7：3；
所述S22中，采用长短期记忆神经网络分别建立水温预测模型和土温预测模型具体为：水温预测模型的输入为每日最高气温和最低气温，时间步长为7天，输出为最后第7天的最低水温；土温预测模型的输入为每日最高气温、最低气温和温度监测的深度，时间步长为7天，输出为最后第7天的最低土温；
S23中，两个模型的超参数包括模型的隐含层层数、每层长短期记忆神经网络模型单元、全连接单元的个数以及最大迭代次数和每次训练批量取值。
5.根据权利要求1所述的融合气温的供水管网安全风险动态评估方法，其特征在于，所述S3中，气象预报数据的获取包括以下步骤：
S31：采用中央气象台的气象预报数据，选取本地城市为抓取对象；
S32：基于MATLAB编译数据获取程序，通过webread函数进行本地气象数据网址的读取，获取网页中的结构型数据；
S33：对提取的结构型数据进行分析，抓取其中与气温预报相关的信息，并保存本地以作备用，完成气象预报数据的获取。
6.根据权利要求1所述的融合气温的供水管网安全风险动态评估方法，其特征在于，所述S4中，水温和土温的预测数据的获取包括以下步骤：
S41：将提取到的气温预报数据，按照每日最高温、每日最低温，时间步长为7天的格式进行整理；
S42：将整理的气温数据作为水温和土温预测模型的输入，从而得到每日水温数据的预测值和土温数据的预测值，其中，土温的深度采用管道的埋深。
7.根据权利要求1所述的融合气温的供水管网安全风险动态评估方法，其特征在于，所述S5具体包括以下步骤：
S51：计算供水管网的管道结构力学性能，具体为：基于管道埋深处预测的土温和水温，对管道结构进行力学分析，计算管道的纵向应力和环形应力，计算公式表示为：
其中，σ为管道的Von Mises应力；σ1为管道的纵向应力；σ2为管道的环向应力；
S52：将管道材料的允许应力与管道计算得到的Von Mises应力σ进行对比，得到管道安全系数，计算公式表示为：
其中，[σ]为管道允许应力；
S53：将管道安全系数进行划分，分为五级风险等级，以方便显示不同风险的管道。
8.根据权利要求1所述的融合气温的供水管网安全风险动态评估方法，其特征在于，所述S6中，所述风险图的编制包括以下步骤：
S61：采用GIS软件将供水管网GIS文件属性表增加一列，用于储存计算的风险等级；
S62：将管道的风险等级对应地输出到管网GIS属性表中；
S63：采用GIS软件中的符号系统，将管网按照风险等级赋予不同的颜色；
S64：将待评估区域的管网进行全面赋值，并于GIS平台上进行动态展示。
9.根据权利要求8所述的融合气温的供水管网安全风险动态评估方法，其特征在于，所述S63中，将管网按照风险等级赋予不同的颜色具体为：设置风险等级一级为红色、二级为橙色、三级为黄色、四级为蓝色和五级为绿色。
CN202311591853.2A 2023-11-27 2023-11-27 一种融合气温的供水管网安全风险动态评估方法 Pending CN117669366A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311591853.2A CN117669366A (zh) 2023-11-27 2023-11-27 一种融合气温的供水管网安全风险动态评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311591853.2A CN117669366A (zh) 2023-11-27 2023-11-27 一种融合气温的供水管网安全风险动态评估方法

Publications (1)

Publication Number Publication Date
CN117669366A true CN117669366A (zh) 2024-03-08

Family

ID=90081861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311591853.2A Pending CN117669366A (zh) 2023-11-27 2023-11-27 一种融合气温的供水管网安全风险动态评估方法

Country Status (1)

Country Link
CN (1) CN117669366A (zh)

Similar Documents

Publication Publication Date Title
Zou et al. Comprehensive flood risk assessment based on set pair analysis-variable fuzzy sets model and fuzzy AHP
Dong et al. Vulnerability of urban water infrastructures to climate change at city level
Khoshnood Motlagh et al. Analysis and prediction of land cover changes using the land change modeler (LCM) in a semiarid river basin, Iran
CN106651211A (zh) 一种不同尺度区域洪水灾害风险评估的方法
CN116777223B (zh) 一种城市地下管网安全综合风险评估方法及系统
KR102631458B1 (ko) 상수관망 수질 중점관리지점의 우선순위와 수질센서의 최적위치를 결정하는 의사결정 시스템
CN117809439A (zh) 一种基于多种环境因素中河流流量异常预警系统
CN113888045A (zh) 一种基于大数据分析的海岛生态环境管理与评估平台
CN118313181B (zh) 一种历史文化街区的历史建筑保护状况评估方法
CN118014185A (zh) 一种基于大数据的市政管网健康度在线监测系统
CN111199298A (zh) 基于神经网络的洪水预报方法与系统
Dai et al. Application and exploration of artificial intelligence technology in urban ecosystem-based disaster risk reduction: A scoping review
Christodoulou et al. Urban water distribution networks: assessing systems vulnerabilities, failures, and risks
Kim et al. Increasing reliability of participatory sensing for utility pole condition assessment using fuzzy inference
CN117669366A (zh) 一种融合气温的供水管网安全风险动态评估方法
Zamenian et al. Systematic approach for asset management of urban water pipeline infrastructure systems
Verheugd et al. Predicting Water Pipe Failures with a Recurrent Neural Hawkes Process Model
Patel et al. Geographic Information System (GIS) Web-Based Water Pipeline Data Visualization for Decision Support
Li et al. Domain knowledge in predictive maintenance for water pipe failures
Atef et al. Understanding the effect of interdependency and vulnerability on the performance of civil infrastructure
Xinyuan et al. Research on regional economic transformation from the perspective of ecological environment protection
CN117556628B (zh) 一种智慧城市洪涝风险评估系统
Lopes et al. Decision support system applied to water resources management: PCJ Basins case study
KR20240062396A (ko) 감성분석과 빅데이터 머신러닝을 이용한 상수관망 관리 시스템 및 그 방법
Gupta et al. Predicting and Visualizing Tidal Trends in Vietnam using an Automated Geographical Data Pipeline

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