CN117763934A - 一种基于深度学习的微型管廊气体监测方法及系统 - Google Patents
一种基于深度学习的微型管廊气体监测方法及系统 Download PDFInfo
- Publication number
- CN117763934A CN117763934A CN202310740038.1A CN202310740038A CN117763934A CN 117763934 A CN117763934 A CN 117763934A CN 202310740038 A CN202310740038 A CN 202310740038A CN 117763934 A CN117763934 A CN 117763934A
- Authority
- CN
- China
- Prior art keywords
- gas
- leakage
- monitoring
- pipe gallery
- gas concentration
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 239000007789 gas Substances 0.000 claims description 178
- 238000009792 diffusion process Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 9
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 4
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims 2
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 231100000331 toxic Toxicity 0.000 description 3
- 230000002588 toxic effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000002360 explosive Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Landscapes
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种基于深度学习的微型管廊气体监测方法及系统，属于管廊气体监测技术领域，包括：将监测数据输入所述气体泄漏判定模型，进行气体泄漏判断，当发生气体泄漏时，获得气体泄漏位置；将监测数据和所述气体泄漏位置输入泄漏气体浓度值计算模型库，获取泄漏气体浓度分布情况以及未来时间内泄漏气体浓度分布情况；根据未来时间内泄漏气体浓度分布情况进行分级预警。本发明首先根据监测到的气体浓度数据，判断是否存在气体泄漏，并对污染源进行定位，得到定位后计算微型管廊内部的实时气体浓度分布，对浓度超标异常情况以及未来某时刻的气体浓度分布，进行分级预警。
Description
技术领域
本发明涉及管廊气体监测技术领域，更具体的说是涉及一种基于深度学习的微型管廊气体监测方法及系统。
背景技术
微型综合管廊相对于大型综合管廊来说，横断面积比较小(长2.0～3.0m，宽1.0m～2.0m)，内部空间有限，管道种类多且分布密集(主要包括给水管、电力电缆和通信电缆)，工作人员进出检修便利性稍差。综合管廊属于地下封闭空间，不通风并且潮湿。城市污水、管廊积水坑内的污水，经过长期发酵，会产生一定数量的硫化氢和甲烷等易燃易爆气体，地下管廊里装有各种信号线、热力管、燃气管、电信管道、给水管道、电力管道等，由于地下通风性差，很容易造成易燃易爆气体的累积，从而形成安全隐患，因此，需要对地下综合管廊内的气体进行检测，确保安全性。
目前，针对微型管廊内的有毒有害气体的监测，已有的监测方法只能从有限个气体传感器中测量得到的数据对管廊中有毒有害气体的浓度直观地进行判断，无法得到没有安装传感器位置处的气体浓度；并且，无法依据已有的测量结果对管廊中的气体浓度进行预测，从而找出管廊中可能存在气体泄漏的位置，因此，无法对微型管廊内的有毒有害气体进行真正的监测、预测及预警。
发明内容
有鉴于此，本发明提供了一种基于深度学习的微型管廊气体监测方法及系统，通过获取实时监测数据，结合深度学习技术，能够有效监测微型管廊气体泄漏事故，并预测复杂区域的气体扩散态势。
为了实现上述目的，本发明提供如下技术方案：
一方面，本发明提供了一种基于深度学习的微型管廊气体监测方法，包括以下步骤：
根据微型管廊的历史监测数据，构建微型管廊的气体泄漏判定模型；
模拟不同泄漏情况下的气体扩散趋势，构建泄漏气体浓度值计算模型库；
实时监测微型管廊内部待测气体的监测数据；
将所述监测数据输入所述气体泄漏判定模型，进行气体泄漏判断，当发生气体泄漏时，获得气体泄漏位置；
将所述监测数据和所述气体泄漏位置输入所述泄漏气体浓度值计算模型库，获取泄漏气体浓度分布情况以及未来时间内泄漏气体浓度分布情况；
根据未来时间内泄漏气体浓度分布情况进行分级预警。
优选的，所述气体泄漏判定模型的构建包括：
1)气体泄漏判定模型的建立：所述气体泄漏判定模型是由预设的多层神经网络构成；
2)训练样本的获取和预处理：采集各监测点气体浓度数据和地理坐标，并对所述气体浓度数据进行预处理，获取所述各监测点的气体浓度初始数据，所述各监测点的地理位置和所述气体浓度初始数据作为训练集的训练样本；
3)模型训练：利用所述训练样本对所述预设的多层神经网络进行训练，得到训练完成的气体泄漏判定模型。
优选的，模拟不同泄漏情况下的气体扩散趋势，构建泄漏气体浓度值计算模型库包括：
采集微型管廊的地形地貌信息，并将所述微型管廊的地形地貌信息转换为所述微型管廊的几何模型；
基于CFD模型模拟所述微型管廊在不同泄漏场景下的气体扩散态势，构建不同泄漏场景，不同泄漏相关参数组合条件下的泄漏气体浓度值计算模型库。
优选的，所述泄漏相关参数包括泄漏气体类型、气体泄漏速度、泄漏位置、环境风速、风向和温度。
优选的，所述气体浓度分布情况的显示方式采用云图显示或曲线显示。
优选的，所述云图显示分为整体显示和局部放大显示。
优选的，所述多层神经网络是以全连接模型为基础构建的深度优先的算法模型；其中，隐藏层激活函数采用tanh，输出层激活函数sigmoid。
另一方面，本发明还提供了一种用于实现上述任一项所述的一种基于深度学习的微型管廊气体监测方法的系统，包括：
监测模块，用于实时监测微型管廊内部待测气体的监测数据；
气体泄漏判断模块，用于构建微型管廊的气体泄漏判定模型，并进行气体泄漏判断；
气体扩散预测模块，用于构建泄漏气体浓度值计算模型库，并根据实时监测数据以及所述气体泄漏判断模块的输出结果获取泄漏气体浓度分布情况以及未来时间内泄漏气体浓度分布情况；
预警模块，用于根据未来时间内泄漏气体浓度分布情况进行分级预警。
优选的，所述监测模块包括气体浓度监测单元、气体泄漏速度监测单元、定位单元、风速监测单元、温度监测单元。
优选的，所述气体浓度监测单元包括甲烷传感器、一氧化碳传感器、氧气传感器、二氧化碳传感器、硫化氢传感器、二氧化硫传感器中的一种或多种。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于深度学习的微型管廊气体监测方法及系统，采用深度学习模型，后续可以更加容易进行针对性的优化或持续改进，降低检测成本；另外，本发明首先根据监测到的气体浓度数据，判断是否存在气体泄漏，并对污染源进行定位，得到定位后计算微型管廊内部的实时气体浓度分布，对浓度超标异常情况进行报警；还可进一步预测未来某时刻的气体浓度分布，进行分级预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的流程示意图。
图2为本发明的系统框架图。
图3为本发明另一实施例的系统框架图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于深度学习的微型管廊气体监测方法，参考图1，包括以下步骤：
根据微型管廊的历史监测数据，构建微型管廊的气体泄漏判定模型；
模拟不同泄漏情况下的气体扩散趋势，构建泄漏气体浓度值计算模型库；
实时监测微型管廊内部待测气体的监测数据；
将监测数据输入气体泄漏判定模型，进行气体泄漏判断，当发生气体泄漏时，获得气体泄漏位置；
将监测数据和气体泄漏位置输入泄漏气体浓度值计算模型库，获取泄漏气体浓度分布情况以及未来时间内泄漏气体浓度分布情况；其中，未来时间可以设置根据实际应用场景设定，可以设置为10分钟、半小时、一小时、半天等。
根据未来时间内泄漏气体浓度分布情况进行分级预警。
基于上述实施例，为更加高效检测燃气泄漏，作为本申请的另一个实施例所述，在泄漏判定模型的训练中，采用定位装置即可获取所需气体监测点坐标，此为本领域的技术人员常规可以做到的，所述定位系统包括但不仅仅限于北斗卫星导航系统或GPS。
优选的，气体泄漏判定模型的构建包括：
1)气体泄漏判定模型的建立：气体泄漏判定模型是由预设的多层神经网络构成；
2)训练样本的获取和预处理：采集各监测点气体浓度数据和地理坐标，并对气体浓度数据进行预处理，获取各监测点的气体浓度初始数据，各监测点的地理位置和气体浓度初始数据作为训练集的训练样本；
3)模型训练：利用训练样本对所述预设的多层神经网络进行训练，得到训练完成的气体泄漏判定模型。
优选的，模拟不同泄漏情况下的气体扩散趋势，构建泄漏气体浓度值计算模型库包括：
采集微型管廊的地形地貌信息，并将微型管廊的地形地貌信息转换为微型管廊的几何模型；
基于CFD模型模拟微型管廊在不同泄漏场景下的气体扩散态势，构建不同泄漏场景，不同泄漏相关参数组合条件下的泄漏气体浓度值计算模型库。具体地，针对不同的泄漏源位置、泄漏气体种类、泄漏速度、风速风向等参数信息，利用CFD模型模拟目标区域中不同泄漏场景下的气体扩散态势。其中，通过改变参数信息组合可以模拟不同条件下的气体泄漏状况。
优选的，泄漏相关参数包括泄漏气体类型、气体泄漏速度、泄漏位置、环境风速、风向和温度。
优选的，气体浓度分布情况的显示方式采用云图显示或曲线显示。具体的，还可以按照不同浓度进行颜色渲染，将不同的颜色梯度区域通过计时器来模拟泄漏气体的运动扩散轨迹，从而直观地预测最大事故影响范围。
优选的，云图显示分为整体显示和局部放大显示。
优选的，多层神经网络是以全连接模型为基础构建的深度优先的算法模型；其中，隐藏层激活函数采用tanh，输出层激活函数sigmoid。
另一方面，本发明还提供了一种用于实现上述任一项的一种基于深度学习的微型管廊气体监测方法的系统，如图2所示，包括：
监测模块，用于实时监测微型管廊内部待测气体的监测数据；
气体泄漏判断模块，用于构建微型管廊的气体泄漏判定模型，并进行气体泄漏判断；
气体扩散预测模块，用于构建泄漏气体浓度值计算模型库，并根据实时监测数据以及气体泄漏判断模块的输出结果获取泄漏气体浓度分布情况以及未来时间内泄漏气体浓度分布情况；
预警模块，用于根据未来时间内泄漏气体浓度分布情况进行分级预警。
优选的，监测模块包括气体浓度监测单元、气体泄漏速度监测单元、定位单元、风速监测单元、温度监测单元。为了便于数据存储，该监测模块还可以设置存储单元，用于存储气体浓度监测单元、气体泄漏速度监测单元、定位单元、风速监测单元、温度监测单元的监测数据。
优选的，气体浓度监测单元包括甲烷传感器、一氧化碳传感器、氧气传感器、二氧化碳传感器、硫化氢传感器、二氧化硫传感器中的一种或多种。
如图3所示，本发明另一实施例中，该监测系统的气体泄漏判断模块具体包括第一模型构建单元、判断单元、定位获取单元，其中第一模型构建单元用于根据监测单元提供的历史数据构建气体泄漏判断模型，判断单元用于利用气体泄漏判断模型对监测模块实时采集的监测数据进行判断，并将判断结果发送至定位获取单元；定位获取单元根据判断结果获取对应的泄漏位置，并传输给气体扩散预测模块。
本发明另一实施例中，该监测系统的气体扩散预测模块具体包括第二模型构建单元、模型数据库、匹配单元、预测单元。其中，第二模型构建单元用于基于CFD模型模拟微型管廊在不同泄漏场景下的气体扩散态势，构建不同泄漏场景，不同泄漏相关参数组合条件下的泄漏气体浓度值计算模型；模型数据库用于存储第二模型构建单元构建的泄漏气体浓度值计算模型；匹配单元用于根据监测数据和泄漏位置匹配泄漏气体浓度值计算模型；预测单元用于根据匹配的泄漏气体浓度值计算模型预测未来时间段内气体浓度分布。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于深度学习的微型管廊气体监测方法，其特征在于，包括以下步骤：
根据微型管廊的历史监测数据，构建微型管廊的气体泄漏判定模型；
模拟不同泄漏情况下的气体扩散趋势，构建泄漏气体浓度值计算模型库；
实时监测微型管廊内部待测气体的监测数据；
将所述监测数据输入所述气体泄漏判定模型，进行气体泄漏判断，当发生气体泄漏时，获得气体泄漏位置；
将所述监测数据和所述气体泄漏位置输入所述泄漏气体浓度值计算模型库，获取泄漏气体浓度分布情况以及未来时间内泄漏气体浓度分布情况；
根据未来时间内泄漏气体浓度分布情况进行分级预警。
2.根据权利要求1所述的一种基于深度学习的微型管廊气体监测方法，其特征在于，所述气体泄漏判定模型的构建包括：
1)气体泄漏判定模型的建立：所述气体泄漏判定模型是由预设的多层神经网络构成；
2)训练样本的获取和预处理：采集各监测点气体浓度数据和地理坐标，并对所述气体浓度数据进行预处理，获取所述各监测点的气体浓度初始数据，所述各监测点的地理位置和所述气体浓度初始数据作为训练集的训练样本；
3)模型训练：利用所述训练样本对所述预设的多层神经网络进行训练，得到训练完成的气体泄漏判定模型。
3.根据权利要求1所述的一种基于深度学习的微型管廊气体监测方法，其特征在于，模拟不同泄漏情况下的气体扩散趋势，构建泄漏气体浓度值计算模型库包括：
采集微型管廊的地形地貌信息，并将所述微型管廊的地形地貌信息转换为所述微型管廊的几何模型；
基于CFD模型模拟所述微型管廊在不同泄漏场景下的气体扩散态势，构建不同泄漏场景，不同泄漏相关参数组合条件下的泄漏气体浓度值计算模型库。
4.根据权利要求3所述的一种基于深度学习的微型管廊气体监测方法，其特征在于，所述泄漏相关参数包括泄漏气体类型、气体泄漏速度、泄漏位置、环境风速、风向和温度。
5.根据权利要求1所述的一种基于深度学习的微型管廊气体监测方法，其特征在于，所述气体浓度分布情况的显示方式采用云图显示或曲线显示。
6.根据权利要求5所述的一种基于深度学习的微型管廊气体监测方法，其特征在于，所述云图显示分为整体显示和局部放大显示。
7.根据权利要求2所述的一种基于深度学习的微型管廊气体监测方法，其特征在于，所述多层神经网络是以全连接模型为基础构建的深度优先的算法模型；其中，隐藏层激活函数采用tanh，输出层激活函数sigmoid。
8.一种用于实现如权利要求1-7任一项所述的一种基于深度学习的微型管廊气体监测方法的系统，其特征在于，包括：
监测模块，用于实时监测微型管廊内部待测气体的监测数据；
气体泄漏判断模块，用于构建微型管廊的气体泄漏判定模型，并进行气体泄漏判断；
气体扩散预测模块，用于构建泄漏气体浓度值计算模型库，并根据实时监测数据以及所述气体泄漏判断模块的输出结果获取泄漏气体浓度分布情况以及未来时间内泄漏气体浓度分布情况；
预警模块，用于根据未来时间内泄漏气体浓度分布情况进行分级预警。
9.根据权利要求8所述的一种基于深度学习的微型管廊气体监测系统，其特征在于，所述监测模块包括气体浓度监测单元、气体泄漏速度监测单元、定位单元、风速监测单元、温度监测单元。
10.根据权利要求9所述的一种基于深度学习的微型管廊气体监测系统，其特征在于，所述气体浓度监测单元包括甲烷传感器、一氧化碳传感器、氧气传感器、二氧化碳传感器、硫化氢传感器、二氧化硫传感器中的一种或多种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310740038.1A CN117763934A (zh) | 2023-06-21 | 2023-06-21 | 一种基于深度学习的微型管廊气体监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310740038.1A CN117763934A (zh) | 2023-06-21 | 2023-06-21 | 一种基于深度学习的微型管廊气体监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117763934A true CN117763934A (zh) | 2024-03-26 |
Family
ID=90311024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310740038.1A Pending CN117763934A (zh) | 2023-06-21 | 2023-06-21 | 一种基于深度学习的微型管廊气体监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117763934A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118129087A (zh) * | 2024-05-06 | 2024-06-04 | 西安东方宏业科技股份有限公司 | 基于智能学习的管道泄漏监测方法 |
| CN118425421A (zh) * | 2024-04-25 | 2024-08-02 | 江苏华艾重型装备有限公司 | 一种基于人工智能的可视化气体检测系统及方法 |
| CN118747807A (zh) * | 2024-06-07 | 2024-10-08 | 山东天泓环保工程有限公司 | 一种基于深度学习的园区气体测量分布分析方法及系统 |
| CN118935264A (zh) * | 2024-09-11 | 2024-11-12 | 广州全息时代科技有限公司 | 一种气体流量泄漏监测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109655114A (zh) * | 2019-02-25 | 2019-04-19 | 吉林建筑大学 | 城市地下管廊监测系统及其监测方法 |
| CN110242865A (zh) * | 2019-07-09 | 2019-09-17 | 北京讯腾智慧科技股份有限公司 | 一种易于持续优化的燃气泄漏检测判定方法及系统 |
| CN112231964A (zh) * | 2020-11-06 | 2021-01-15 | 中国人民解放军国防科技大学 | 基于深度强化学习的气体泄漏源自主搜索及定位方法 |
| CN115081340A (zh) * | 2022-07-23 | 2022-09-20 | 北京云庐科技有限公司 | 一种基于仿真与深度学习的微型管廊气体监测方法及系统 |
| CN115705457A (zh) * | 2021-08-10 | 2023-02-17 | 中国科学院上海高等研究院 | 气体扩散态势预测方法及系统、存储介质及终端 |
-
2023
- 2023-06-21 CN CN202310740038.1A patent/CN117763934A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109655114A (zh) * | 2019-02-25 | 2019-04-19 | 吉林建筑大学 | 城市地下管廊监测系统及其监测方法 |
| CN110242865A (zh) * | 2019-07-09 | 2019-09-17 | 北京讯腾智慧科技股份有限公司 | 一种易于持续优化的燃气泄漏检测判定方法及系统 |
| CN112231964A (zh) * | 2020-11-06 | 2021-01-15 | 中国人民解放军国防科技大学 | 基于深度强化学习的气体泄漏源自主搜索及定位方法 |
| CN115705457A (zh) * | 2021-08-10 | 2023-02-17 | 中国科学院上海高等研究院 | 气体扩散态势预测方法及系统、存储介质及终端 |
| CN115081340A (zh) * | 2022-07-23 | 2022-09-20 | 北京云庐科技有限公司 | 一种基于仿真与深度学习的微型管廊气体监测方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118425421A (zh) * | 2024-04-25 | 2024-08-02 | 江苏华艾重型装备有限公司 | 一种基于人工智能的可视化气体检测系统及方法 |
| CN118129087A (zh) * | 2024-05-06 | 2024-06-04 | 西安东方宏业科技股份有限公司 | 基于智能学习的管道泄漏监测方法 |
| CN118747807A (zh) * | 2024-06-07 | 2024-10-08 | 山东天泓环保工程有限公司 | 一种基于深度学习的园区气体测量分布分析方法及系统 |
| CN118935264A (zh) * | 2024-09-11 | 2024-11-12 | 广州全息时代科技有限公司 | 一种气体流量泄漏监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117763934A (zh) | 一种基于深度学习的微型管廊气体监测方法及系统 | |
| CN110398320B (zh) | 一种易于持续优化的燃气泄漏检测定位方法及系统 | |
| CN107420743B (zh) | 一种智能城市燃气pe管网测控系统及测控方法 | |
| CN110242865B (zh) | 一种易于持续优化的燃气泄漏检测判定方法及系统 | |
| CN111256755B (zh) | 一种移动船舶废气排放溯源装置及方法 | |
| US20210017926A1 (en) | Gas emission monitoring and detection | |
| WO2016129715A1 (ko) | 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템 | |
| CN114155129B (zh) | 一种基于工业园区的大气环境溯评方法和系统 | |
| CN114321740B (zh) | 一种可燃气体泄漏点定位方法、系统及可读存储模块 | |
| CN203533216U (zh) | 燃气管网泄漏源实时定位分析系统 | |
| CN111797572B (zh) | 一种城市事故灾害演化模拟及风险预测预警方法 | |
| CN105868444A (zh) | 一种基于特征图像的燃气管网泄漏检测和定位方法 | |
| CN109737309A (zh) | 一种基于风险识别的风险源定漏溯源方法及其系统 | |
| CN115127036B (zh) | 一种市政燃气管网漏损定位方法及系统 | |
| CN116482227B (zh) | 一种管道腐蚀监测方法、装置及系统 | |
| CN116027146A (zh) | 配电电缆网多状态分布式无源感知监测方法、装置和设备 | |
| WO2020263693A1 (en) | Gas emission monitoring and detection | |
| Wu et al. | BI-IEnKF coupling model for effective source term estimation of natural gas leakage in urban utility tunnels | |
| CN115081340B (zh) | 一种基于仿真与深度学习的微型管廊气体监测方法及系统 | |
| CN117520989A (zh) | 一种基于机器学习的天然气管道泄漏检测方法 | |
| CN112664839B (zh) | 一种连通管线可燃气体扩散预测与溯源的方法及系统 | |
| Wang et al. | Study on the natural gas diffusion behavior in sewage pipeline by a new outdoor full-scale water cycling experimental pipeline system | |
| CN116698673A (zh) | 一种基于环境信息的危险气体泄漏三维扩散动态模拟方法 | |
| CN116402387A (zh) | 一种瓦斯抽采参数挖掘与达标评价系统及方法 | |
| CN115730535A (zh) | 一种基于气体监测的人工智能逆向溯源定漏方法 |
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 |