CN114372411B - 一种供水管网巡检、查漏和改造三阶段病害诊断方法 - Google Patents
一种供水管网巡检、查漏和改造三阶段病害诊断方法 Download PDFInfo
- Publication number
- CN114372411B CN114372411B CN202111681736.6A CN202111681736A CN114372411B CN 114372411 B CN114372411 B CN 114372411B CN 202111681736 A CN202111681736 A CN 202111681736A CN 114372411 B CN114372411 B CN 114372411B
- Authority
- CN
- China
- Prior art keywords
- water supply
- pipeline
- supply network
- accident
- data
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 238000007689 inspection Methods 0.000 title claims abstract description 26
- 201000010099 disease Diseases 0.000 title claims abstract description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 230000036541 health Effects 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000003068 static effect Effects 0.000 claims abstract description 12
- 238000013077 scoring method Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000011160 research Methods 0.000 claims description 17
- 230000007797 corrosion Effects 0.000 claims description 16
- 238000005260 corrosion Methods 0.000 claims description 16
- 238000012423 maintenance Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000008014 freezing Effects 0.000 claims description 5
- 238000007710 freezing Methods 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000009533 lab test Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 230000035882 stress Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000003466 welding Methods 0.000 description 6
- 238000004880 explosion Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- 229910001018 Cast iron Inorganic materials 0.000 description 2
- 229910001141 Ductile iron Inorganic materials 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000012943 hotmelt Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 241000233805 Phoenix Species 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及一种供水管网巡检、查漏和改造三阶段病害诊断方法，包括健康诊断步骤、安全评估步骤和事故预测步骤。健康诊断步骤包括：根据供水管网的基础属性数据和历史事故数据，采用指标评分法确定供水管网的高风险管段；安全评估步骤包括：根据供水管网的基础属性数据和实时监测数据，建立供水管网在不同载荷下的力学模型，确定模型中的静态参数与动态参数，判断每根管道是否达到极限承载能力，若是则生成预警信号；事故预测步骤包括：根据每根管道的基础属性数据和历史事故数据，建立预测模型，预测未来不同年限内每根管道的事故率。与现有技术相比，本发明的病害诊断过程更加全面和完整，病害诊断结果更加准确、可靠和实用。
Description
技术领域
本发明涉及市政工程和给排水领域，尤其是涉及一种供水管网巡检、查漏和改造三阶段病害诊断方法。
背景技术
近年来，随着我国城镇化进程的不断加快，市政供水管网建设随之高速发展。市政供水管网是城市赖以生存和发展的“生命线”***之一，是城市基础设施***极为重要的组成部分。如何对供水管网实施有效的巡检、查漏和改造，及时应对突发状况，保证供水管网正常运维是保障城市正常运行的重要内容。然而，由于粗糙的运行管理能力和分割的运维管理状态，导致目前市政供水管网运行安全十分脆弱，经常发生大面积中断、泄漏、爆管、路面塌陷或整体瘫痪等区域性事件，甚至造成严重的次生灾害，产生了巨大的经济损失和恶劣的社会影响。
目前，市政供水管网运维管理过程主要存在以下几个方面的问题：
(1)失效机理不清楚且极其复杂；
(2)巡检和查漏任务艰巨且难度较大；
(3)泄漏爆管事故频发且预警困难，处置极为被动；
(4)更新改造缺乏合理计划。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种供水管网巡检、查漏和改造三阶段病害诊断方法，使得病害诊断过程更加全面和完整，病害诊断的结果更加准确可靠和实用。
本发明的目的可以通过以下技术方案来实现：
一种供水管网巡检、查漏和改造三阶段病害诊断方法，包括健康诊断步骤、安全评估步骤和事故预测步骤；
所述的健康诊断步骤包括：
根据供水管网的基础属性数据和历史事故数据，采用指标评分法计算每根供水管道的初始健康分，根据初始健康分确定供水管网的高风险管段，指导供水管网的巡检；
所述的安全评估步骤包括：
根据供水管网的基础属性数据和实时监测数据，建立供水管网在不同载荷下的力学模型，确定力学模型中的静态参数和动态参数取值，根据供水管网的基础属性数据和历史事故数据，确定静态参数和动态参数的取值，再通过力学模型判断每根管道是否达到极限承载能力，若是则生成预警信号，否则不生成预警信号，指导供水管网的查漏；
所述的事故预测步骤包括：
根据供水管网的基础属性数据和历史事故数据，建立预测模型，预测每根管道未来不同年限内的事故率，指导供水管网的改造。
进一步地，所述的指标评分法的具体过程包括：
根据供水管网的基础属性数据和历史事故数据，确定评价指标和属性类型；
确定每类评价指标不同属性类型的分值；
根据供水管网的历史事故数据，采用主成分分析法，获得每类评价指标的权重。
进一步地，所述的主成分分析法的具体过程包括：
31)设有n个事故样本和p项评价指标，建立样本矩阵：
其中，xij表示第i个事故样本第j项评价指标的分值；
32)使用Z-score法对样本矩阵进行标准化变换，获得标准化矩阵；
33)计算标准化矩阵的协方差和协方差矩阵，计算公式为：
R＝(σij)p×p
其中，σij为标准化矩阵的协方差，R为协方差矩阵；
34)计算标准化矩阵的特征值，计算公式为：
|λE-R|＝0
其中，λ为标准化矩阵的特征值，E为标准化矩阵的特征向量；
35)计算每项评价指标的贡献率，并作为评价指标的权重，计算公式为：
其中，αi为第i项评价指标的贡献率；
36)计算每根管道的初始健康分，计算公式为：
其中，G为管道的初始健康分，Si为第i项评价指标的分值。
进一步地，所述的静态参数和动态参数的取值确定过程包括：
基于供水管网的基础属性数据，结合已有研究结果或开展实验室试验，确定每根管道的静态参数；
基于供水管网的日常运维数据，采用伽乐金插值方法，确定每根管道的动态参数。
进一步地，所述的供水管网在不同载荷下的力学模型表达式为：
其中，σx为管道轴向应力，σθ为管道环向应力，Km为抗弯系数，Cd为计算系数，Kd为变形系数，αP为热力系数，vp为管材泊松比，Ep为管材弹性模量，D为管道直径，t为壁厚，Ic为冲击系数，Ct为路面荷载系数，κ为管道有效长度，β为冰冻荷载系数，γs为土重，Q为轮压荷载，Pi为内部压力，ΔT为运行过程与初始埋设时的温差。
进一步地，所述的通过力学模型判断每根管道是否达到极限承载能力的过程包括：
根据管道的轴向应力σx和环向应力σθ，计算管道泄漏风险系数FS，根据FS判断每根管道是否达到极限承载能力。
进一步地，所述的极限承载能力判断标准包括：
如果σx>0，且σθ>0：
如果σx>0，且σθ<0：
如果σx<0，且σθ>0：
如果σx<0，且σθ<0：
其中，nσ为管材强度修正系数，σu为管材极限强度。
进一步地，所述的管材极限强度计算公式为：
其中，Kq为断裂系数，c为腐蚀宽度，d为腐蚀深度，d满足：
d＝AT+B[1-exp(-CT)]
其中，T为运行时间，A为腐蚀率，B为腐蚀放大系数，C为腐蚀抑制率。
进一步地，所述的每根管道未来不同年限内的事故率的预测过程包括：
将供水管网的运行时间域划分为若干个分区，每个分区建立一个不同运行时间域内的预测模型，基于历史事故数据训练预测模型，通过训练好的预测模型预测每根管道未来不同运行年限内的事故率。
进一步地，所述的预测模型为多层神经网络模型。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明从过去、现在和未来三个不同的角度，开展供水管网的初始健康体检、运行安全实时评估与未来事故预测，构造了一种市政供水管网运行安全与病害诊断方法，使得病害诊断过程更加全面和完整；
(2)本发明充分利用了供水管网中存在的三大类数据：基础属性数据、历史事故数据和日常运维数据，融合了指标评分方法、力学分析方法和机器学习方法等技术，使得病害诊断的结果更为准确和可靠；
(3)本发明可识别诊断区域的初始高风险管段，指导巡检过程，减少巡检工作量，可判断是否发生管道破坏或渗漏，实现管道漏损风险动态预警，指导诊断区域的查漏，可确定未来不同年限内具有较高事故率的管段，指导诊断区域改造，使得供水管网病害诊断的结果更加实用。
附图说明
图1为不同运行时间域内的多层神经网络模型示意图；
图2为多层神经网络模型示意图；
图3为诊断区域的供水管网分布图；
图4为供水管网健康诊断结果示意图；
图5为供水管网压力分布图；
图6为供水管网管道泄漏风险评估结果示意图；
图7为供水管网未来0-10年内事故次数预测结果示意图；
图8为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种供水管网巡检、查漏和改造三阶段病害诊断方法，如图8所示，包括健康诊断步骤、安全评估步骤和事故预测步骤。其中，健康诊断步骤面向过去，服务巡检需求；安全评估步骤面向现在，服务查漏需求；事故次数步骤面向未来，服务改造需求。
健康诊断步骤包括以下子步骤：
S11、根据研究区域的供水管网基础属性数据和历史事故数据，确定指标评分法中的评价指标与属性类型；
S12、依据专家经验或开展问卷调查等，确定每类评价指标不同属性的分值；
S13、根据研究区域的供水管网历史事故数据，采用主成分分析法，确定每类评价指标的权重；
S14、采用指标评分法，计算每根管道的初始健康分；
S15、结合研究区域的巡检能力，确定供水管网的初始高风险管段。
在子步骤S13中，主成分分析法具体过程包括：
设有n个事故样本和p项评价指标，建立样本矩阵：
其中，xij表示第i个事故样本第j项评价指标的分值；
使用Z-score法对样本矩阵进行标准化变换，获得标准化矩阵；
计算标准化矩阵的协方差和协方差矩阵，计算公式为：
R＝(σij)p×p
其中，σij为标准化矩阵的协方差，R为协方差矩阵；
计算标准化矩阵的特征值，其大小描述了各个评价指标对管道运行安全的影响，计算公式为：
|λE-R|＝0
其中，λ为标准化矩阵的特征值，E为标准化矩阵的特征向量；
计算每项评价指标的贡献率，并作为评价指标的权重，计算公式为：
其中，αi为第i项评价指标的贡献率；
计算每根管道的初始健康分，计算公式为：
其中，G为管道的初始健康分，Si为第i项评价指标的分值，Si一般在0-100分之间，评分越低，代表该指标下的属性对管道的初始健康越不利；评分越高，代表该指标下的属性对管道的初始健康越有利。
安全评估步骤包括以下子步骤：
S21、建立供水管道在交通荷载、温度荷载、内压荷载、冰冻荷载和覆土荷载作用下的力学分析模型。
S22、根据诊断区域内供水管网的基础属性数据和日常运维数据，确定力学分析模型中的静态参数与动态参数。
S23、基于供水管网的基础属性数据，结合已有研究结果或开展实验室试验，确定每根管道的静态参数取值。
S24、基于供水管网的日常运维数据，采用伽乐金插值方法，确定每根管道的动态参数取值。
S25、计算每根管道的环向应力与轴向应力，分析管道是否达到极限承载能力，评估是否发生破坏渗漏。
在子步骤S21中，建立的供水管道在交通荷载、温度荷载、内压荷载、冰冻荷载和覆土荷载作用下的力学分析模型表达式为：
其中，σx为管道的轴向应力，σθ为管道的环向应力，Km为抗弯系数，Cd为计算系数，Kd为变形系数，αP为热力系数，vp为管材泊松比，Ep为管材弹性模量，Bd为管顶沟槽宽度，D为管道直径，t为壁厚，Ic为冲击系数，Ct为路面荷载系数，κ为管道有效长度，β为冰冻荷载系数，γs为土重，Q为轮压荷载，Pi为内部压力，ΔT为运行与埋设之间的温差。
在子步骤S25中，管道的极限承载能力判断标准包括：
如果σx>0，且σθ>0：
如果σx>0，且σθ<0：
如果σx<0，且σθ>0：
如果σx<0，且σθ<0：
其中，FS为管道泄漏风险系数，nσ为管材强度修正系数，σu为管材极限强度。
管材极限强度的计算公式为：
其中，Kq为断裂系数，c为腐蚀宽度，d为腐蚀深度，d满足：
d＝AT+B[1-exp(-CT)]
其中，T为运行时间，A为腐蚀率，B为腐蚀放大系数，C为腐蚀抑制率。
事故预测步骤包括以下子步骤：
S31、根据研究区域内供水管网的基础属性数据，确定预测模型的输入参数。
S32、根据历史事故数据的完备情况，对运行时间域进行分区，确定预测模型的个数。
S33、计算每个运行时间域内的供水管道事故率，即每公里的管道事故次数。
S34、将每个运行时间域内的历史事故数据划分为训练集和测试集，对预测模型进行训练与校准。
S35、预测研究区域内每根供水管道未来不同运行年限下的事故率，确定未来具有较高事故率的供水管段。
在子步骤S32中，以10年为区间，构造的不同运行时间域内的多层神经网络模型如图1所示。
在子步骤S34中，构造的多层神经网络模型如图2所示。
下面根据具体实例，对本实施例提出的供水管网巡检、查漏和改造三阶段病害诊断方法作进一步详细的说明。
某诊断区域面积246平方公里，常住人口81万，下设9个街道和8个镇。该诊断区域的供水管网分布图，如图3所示。区域内的供水管网总长度为263公里，包括7类管材，分别为：PE管、PPR管、球墨铸铁管、钢塑管、钢管、铸铁管和稳态管；管径分布范围从DN 20到DN920，包括标准管径和非标准管径；接口类型有6类，分别为：承插柔性、丝扣、焊接、热熔、卡箍和抱箍；管压分布范围从0.37MPa到0.61MPa；埋设年代从上世纪90年代到2020年。
(一)供水管网初始健康体检：
根据研究区域内供水管网的基础属性数据和历史事故数据，确定指标评分法中的评价指标为6个，分别为：管材、管径、接口、管压、地理位置和管龄。其中，管材有7类属性，管径有6类属性，接口有6类属性，管压有5类属性，管龄有5类属性。
根据不同管材的力学性能，同时结合专家经验与实验室结果，确定球墨铸铁、钢、钢塑、PPR、铸铁、稳态、PE管材属性对应的分值分别为10、7、8、9、3、2和1。
根据研究区域供水管网的历史事故数据，首先计算每个管径区间的事故次数，然后用100减去占比，再归一到0-10，作为不同管径对应的分值，获得DN50以下、DN50-DN100、DN100-DN300、DN300-DN400、DN400-DN500和DN500以上管径对应的分值分别为：9.5、6.8、8.7、9.76、9.37和9.8。
考虑承插柔性接口具有良好的抗震性能，安装方便快捷，具有一定的变形补偿能力，但抗拉拔能力较低；抱箍接口结构简单，现场施工速度快，但普遍存在密封效果较差，容易漏水；焊接接口具有优良的连接强度和管道承压能力，施工方便，不会出现水漏斗，但受焊接工艺的限制，对于大口径管道无法保证其焊接质量，且在焊接过程中，受热膨胀影响，需要进行补偿；卡箍接口具有易于安装、易于拆卸的特点，但可拆卸性、密封性较差；热熔接口的连接强度高，密封性能好，承压能力大，但在热熔过程中，容易造成管道内部存在焊缝凸环，且热膨胀系数大；丝扣接口具有制造、使用简单，连接可靠、可装卸且重复使用等优点，但存在压力低、管径小和易滴漏等缺点，因此确定承插柔性、抱箍、焊接、卡箍、热熔和丝扣接口的分值分别为：7、6、10、6、9和4。
考虑随着管压的增大，发生泄漏和爆管事故的可能性越大，因此以0.5MPa为间隔，确定0.4MPa以下、0.4MPa–0.45MPa、0.45MPa–0.50MPa、0.50MPa–0.55MPa和0.55MPa以上不同管压的分值分别为：9、8、7、6和5分。
根据研究区域供水管网的历史事故分布特征，确定北温泉街道、天生街道、朝阳街道、龙凤桥街道、澄江镇街道和歇马镇街道的分值分别为：7.08、7.91、8.33、9.17、9.38和8.13。
由于管道的事故次数随使用寿命发生变化，呈“浴盆”形状，即：当管道刚敷设完成时，安装环境不稳定，容易发生破坏事故，因此事故率较高；当管龄大于10年后，安装环境趋于稳定，因此较少发生事故，事故率较低；当管龄大于20年后，外界腐蚀作用和管道老化因素对管道结构运行安全影响显著，因此事故率重新增加。因此，确定10年以下、10年-30年、30年-50年、50年-70年和大于70年管龄的分值分别为：2、4、8、4和2。
整理研究区域供水管网的历史事故数据，获得533条可用的记录，建立一个533×6的样本矩阵。采用主成分分析方法，获得各个评价指标的主成分贡献率，并将其作为权重，结果如下：管材贡献率为32％，管龄贡献率为25％，管径贡献率为20％，接口类型贡献率为16％，地理位置贡献率为5％，管压贡献率2％。
计算研究区域每根供水管道的“初始健康分”，结合当地的巡检能力，定义该供水管网的风险等级如下：若“初始健康分”为8分-10分，定义为安全；若“初始健康分”为7分-8分，定义为低风险；若“初始健康分”为6分-7分，定义为中风险；若“初始健康分”为5分-6分，定义为高风险；若“初始健康分”为小于5分，定义为极高风险。由此，识别获得该供水管网的初始高风险管段，如图4所示。可见，该地区的供水管网整体状况良好，大部分供水管道处于安全状态。处于高风险和极高风险状态的管道分别占管网总长度的0.36％和0.0042％，有0.187％的管道因数据不全无法判断其初始风险。因此，需要对上述管道加大巡检频次。
(二)供水管网运行安全实时评估：
根据研究区域供水管网的基础属性数据和日常运维数据，选取内压荷载作为力学分析模型中的动态参数，其他参数均为静态参数。
内压荷载的动态变化由SCADA监测***确定。首先，根据研究区域监测点的位置分布与实测压力数据，采用伽乐金插值方法，确定每根供水管道的实时压力。该供水管网在2019年2月10日0:09:00的压力分布，如图5所示。
然后，采用力学分析模型，计算每根管道的环向应力与轴向应力。最后，根据极限承载能力判断标准，评估管道的结构强度，判断当前时刻管道是否会发生破坏渗漏。该供水管网在2019年2月10日0:09:00的管道泄漏风险评估结果，如图6所示。可见，整个供水管网在该时刻的泄漏风险较小。大部分供水管道在运行过程中的等效应力不足材料极限强度的20％，最大的管道泄漏风险系数为0.39。
(三)供水管网未来事故次数预测：
根据研究区域供水管网的基础属性数据和历史事故数据，选取管材、管径和接口三个参数作为预测模型的输入参数。
由于历史事故数据不完备，因此以10年作为一个运行区间域，只建立4个模型，分别对应：0-10年、10年-20年、20年-30年、30年-40年。
计算每个运行时间域内供水管道的事故率，即每公里管道事故次数。
对每个运行时间域内的历史事故数据按照7:3的比例划分为训练集和测试集，建立多层神经网络模型进行训练与校准。
根据研究区域内每根供水管道的埋设时间和使用年限，预测未来0-10年、10年-20年、20年-30年、30年-40年的管道事故率，确定未来具有较高事故率的供水管段。该供水管网在未来0-10年内的事故次数预测结果，如图7所示。可见，未来10年内，大部分供水管道仍旧处于安全运行状态，但有14.3公里的管道事故次数较高(每年至少2次以上)，因此建议进行改造。
本实施例提出了一种供水管网巡检、查漏和改造三阶段病害诊断方法，面向市政供水管网的运维管理需求，充分利用不同类型的数据，融合不同的分析方法，从过去、现在和未来三个角度，构造了一种市政供水管网病害诊断框架，使得病害诊断结果不仅全面与完整，而且准确、可靠和实用，有利于降低市政供水管网的日常运维管理成本，降低管网***的漏损率，减少重大爆管事故的发生，对于市政供水管网的运维管理具有现实的指导意义和应用价值。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (6)
1.一种供水管网巡检、查漏和改造三阶段病害诊断方法，其特征在于，包括健康诊断步骤、安全评估步骤和事故预测步骤；
所述的健康诊断步骤包括：
根据供水管网的基础属性数据和历史事故数据，采用指标评分法计算每根供水管道的初始健康分，根据初始健康分确定供水管网的高风险管段，指导供水管网的巡检；
所述的安全评估步骤包括：
根据供水管网的基础属性数据和实时监测数据，建立供水管网在不同载荷下的力学模型，确定力学模型中的静态参数和动态参数取值，根据供水管网的基础属性数据和历史事故数据，确定静态参数和动态参数的取值，再通过力学模型判断每根管道是否达到极限承载能力，若是则生成预警信号，否则不生成预警信号，指导供水管网的查漏；
所述的供水管网在不同载荷下的力学模型表达式为：
其中，σx为管道轴向应力，σθ为管道环向应力，Km为抗弯系数，Cd为计算系数，Kd为变形系数，αP为热力系数，vp为管材泊松比，Ep为管材弹性模量，D为管道直径，t为管道壁厚，Ic为冲击系数，Ct为路面荷载系数，κ为管道有效长度，β为冰冻荷载系数，γs为土重，Q为轮压荷载，Pi为管道内部压力，ΔT为运行过程与初始埋设时的温差；
所述的通过力学模型判断每根管道是否达到极限承载能力的过程包括：
根据管道轴向应力σx和环向应力σθ，计算管道泄漏风险系数FS，并判断每根管道是否达到极限承载能力；
所述的极限承载能力的判断标准包括：
如果σx>0，且σθ>0：
如果σx>0，且σθ<0：
如果σx<0，且σθ>0：
如果σx<0，且σθ<0：
其中，nσ为管材强度修正系数，σu为管材极限强度；
所述的管材极限强度计算公式为：
其中，Kq为断裂系数，c为腐蚀宽度，d为腐蚀深度，d满足：
d＝AT+B[1-exp(-CT)]
其中，T为运行时间，A为腐蚀率，B为腐蚀放大系数，C为腐蚀抑制率；
所述的事故预测步骤包括：
根据供水管网的基础属性数据和历史事故数据，建立预测模型，预测每根管道未来不同年限内的事故率，指导供水管网的改造。
2.根据权利要求1所述的一种供水管网巡检、查漏和改造三阶段病害诊断方法，其特征在于，所述的指标评分法的具体过程包括：
根据供水管网的基础属性数据和历史事故数据，确定评价指标和属性类型；
确定每类评价指标不同属性类型的分值；
根据供水管网的历史事故数据，采用主成分分析法，获得每类评价指标的权重。
3.根据权利要求2所述的一种供水管网巡检、查漏和改造三阶段病害诊断方法，其特征在于，所述的主成分分析法的具体过程包括：
31)设有n个事故样本和p项评价指标，建立样本矩阵：
其中，xij表示第i个事故样本第j项评价指标的分值；
32)使用Z-score法对样本矩阵进行标准化变换，获得标准化矩阵；
33)计算标准化矩阵的协方差和协方差矩阵，计算公式为：
R＝(σij)p×p
其中，σij为标准化矩阵的协方差，R为协方差矩阵；
34)计算标准化矩阵的特征值，计算公式为：
|λE-R|＝0
其中，λ为标准化矩阵的特征值，E为标准化矩阵的特征向量；
35)计算每项评价指标的贡献率，并作为评价指标的权重，计算公式为：
其中，αi为第i项评价指标的贡献率；
36)计算每根管道的初始健康分，计算公式为：
其中，G为管道的初始健康分，Si为第i项评价指标的分值。
4.根据权利要求1所述的一种供水管网巡检、查漏和改造三阶段病害诊断方法，其特征在于，所述的静态参数和动态参数的取值确定过程包括：
基于供水管网的基础属性数据，结合已有研究结果或开展实验室试验，确定每根管道的静态参数；
基于供水管网的日常运维数据，采用伽乐金插值方法，确定每根管道的动态参数。
5.根据权利要求1所述的一种供水管网巡检、查漏和改造三阶段病害诊断方法，其特征在于，所述的每根管道未来不同年限内的事故率的预测过程包括：
将供水管网的运行时间域划分为若干个分区，每个分区建立一个不同运行时间域内的预测模型，基于历史事故数据训练预测模型，通过训练好的预测模型预测每根管道未来不同运行年限内的事故率。
6.根据权利要求1所述的一种供水管网巡检、查漏和改造三阶段病害诊断方法，其特征在于，所述的预测模型为多层神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111681736.6A CN114372411B (zh) | 2021-12-30 | 2021-12-30 | 一种供水管网巡检、查漏和改造三阶段病害诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111681736.6A CN114372411B (zh) | 2021-12-30 | 2021-12-30 | 一种供水管网巡检、查漏和改造三阶段病害诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114372411A CN114372411A (zh) | 2022-04-19 |
| CN114372411B true CN114372411B (zh) | 2024-05-31 |
Family
ID=81142283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111681736.6A Active CN114372411B (zh) | 2021-12-30 | 2021-12-30 | 一种供水管网巡检、查漏和改造三阶段病害诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114372411B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116227746B (zh) * | 2023-05-08 | 2023-07-18 | 青岛研博数据信息技术有限公司 | 一种管网风险预测*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110086425A (ko) * | 2010-01-22 | 2011-07-28 | 아이에스테크놀로지 주식회사 | 점수평가법을 이용한 상수도관망 최적관리시스템 |
| CN209296227U (zh) * | 2018-12-12 | 2019-08-23 | 辽河石油勘探局 | 一种油气集输管道完整性模拟检测装置 |
| CN113074324A (zh) * | 2021-04-09 | 2021-07-06 | 天津大学 | 基于城市供水管网运行安全动态预警的数据库及建立方法 |
| WO2021194590A1 (en) * | 2020-03-25 | 2021-09-30 | Intel Corporation | Dynamic contextual road occupancy map perception for vulnerable road user safety in intelligent transportation systems |
-
2021
- 2021-12-30 CN CN202111681736.6A patent/CN114372411B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110086425A (ko) * | 2010-01-22 | 2011-07-28 | 아이에스테크놀로지 주식회사 | 점수평가법을 이용한 상수도관망 최적관리시스템 |
| CN209296227U (zh) * | 2018-12-12 | 2019-08-23 | 辽河石油勘探局 | 一种油气集输管道完整性模拟检测装置 |
| WO2021194590A1 (en) * | 2020-03-25 | 2021-09-30 | Intel Corporation | Dynamic contextual road occupancy map perception for vulnerable road user safety in intelligent transportation systems |
| CN113074324A (zh) * | 2021-04-09 | 2021-07-06 | 天津大学 | 基于城市供水管网运行安全动态预警的数据库及建立方法 |
Non-Patent Citations (7)
| Title |
|---|
| An explicit solution for the effect of earthquake incidence angles on seismic ductility demand of structures using Bouc-Wen model;Chao-Lie Ning 等;Soil Dynamics and Earthquake Engineering 153 (2022) 107085;20211126;第1-18页 * |
| Automated Vision Systems for Condition Assessment of Sewer and Water Pipelines;Rakiba Rayhana 等;IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING;20211031;第18卷(第4期);第1861-1878页 * |
| HAZUS相容的钢筋混凝土框架结构地震易损性分析;于晓辉;吕大刚;;工程力学;20160325(第03期);第160-168页 * |
| 城市供水管网管道结构稳定性风险评估模型;王亚楠;汪瑞清;胡群芳;王飞;;净水技术;20180825(第08期);第110-116+121页 * |
| 基于主成分分析法的中国城市燃气利用综合评价;姜洪殿;董康银;牛亚群;朱;孙仁金;;油气储运;20171023(第02期);第13-20页 * |
| 基于水量平衡的供水管网独立计量分区漏损检测与定位方法研究;陈进玉;中国优秀硕士学位论文全文数据库 2021年第02期;20210215;C038-1963 * |
| 基于灰色模糊评价与变权理论的采空区管道风险评估;邓克飞;梁伟;张潇婷;梁晓斌;;油气田地面工程;20200611(第06期);第72-77+83页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114372411A (zh) | 2022-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022105340A1 (zh) | 一种基于声波的管道监测***及监测方法 | |
| KR101283828B1 (ko) | 상수관망 진단 시스템 | |
| Boxall et al. | Estimation of burst rates in water distribution mains | |
| US7043373B2 (en) | System and method for pipeline reliability management | |
| CN108984873B (zh) | 供水管网实时漏损检测方法、设备、***及存储介质 | |
| CN112883538B (zh) | 一种埋地原油管道的腐蚀预测***及方法 | |
| CN111765389A (zh) | 一种智能城市管网状态实时监测方法及*** | |
| CN113128709B (zh) | 一种供水管网漏损管理*** | |
| CN103063738A (zh) | 一种埋地燃气钢质管道外防腐层检测方法 | |
| CN114372411B (zh) | 一种供水管网巡检、查漏和改造三阶段病害诊断方法 | |
| CN113762796A (zh) | 一种铁路工程设施暴雨洪水动态风险图分析方法 | |
| CN112036734A (zh) | 一种隧道主体结构健康状态评价及养护对策确定方法 | |
| Makar et al. | Maintaining water pipeline integrity | |
| Loganathan et al. | Development of a decision support tool for inspection and monitoring of large-diameter steel and prestressed concrete cylinder water pipes | |
| CN112784425A (zh) | 一种管网分区关键管线的自动提取方法 | |
| Rathnayaka | A study of water pressure influence on failure of large diameter water pipelines | |
| Li et al. | Prediction model for maximum shear displacement of pipe joints with preexisting defects based on finite element–multiple nonlinear regression method | |
| Seica et al. | Simplified numerical method to evaluate the mechanical strength of cast iron water pipes | |
| Song et al. | Failure investigation of water distribution systems in a large city in China based on the pipe failure database | |
| RU2262634C1 (ru) | Способ выявления участков трубопровода, предрасположенных к коррозионному растрескиванию под напряжением | |
| Lu et al. | Inspection and assessment of urban gas pipeline based on risk analysis | |
| KR20030067305A (ko) | 매설배관 위험진단 평가방법 | |
| CN114110443B (zh) | 一种输流管道奇点特征智能检测方法 | |
| Wu et al. | Research on security assessment model of water supply system based on leakage control | |
| CN116071188A (zh) | 排水管段健康状况评估方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |