CN114997546B - 基于多源数据的监测井综合调查评价方法、***及介质 - Google Patents
基于多源数据的监测井综合调查评价方法、***及介质 Download PDFInfo
- Publication number
- CN114997546B CN114997546B CN202210934998.7A CN202210934998A CN114997546B CN 114997546 B CN114997546 B CN 114997546B CN 202210934998 A CN202210934998 A CN 202210934998A CN 114997546 B CN114997546 B CN 114997546B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- well
- wells
- monitoring well
- evaluation
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 541
- 238000011156 evaluation Methods 0.000 title claims abstract description 232
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 238000012423 maintenance Methods 0.000 claims abstract description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000011835 investigation Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 48
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000008439 repair process Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 14
- 230000002776 aggregation Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 239000003344 environmental pollutant Substances 0.000 description 19
- 231100000719 pollutant Toxicity 0.000 description 19
- 239000003673 groundwater Substances 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的一种基于多源数据的监测井综合调查评价方法、***及介质，包括：通过大数据检索获取监测井的地下水环境监测精度的影响因素，对影响因素进行筛选，通过筛选后的影响因素选取数据来源获取监测井调查数据，将调查数据结合监测井基本信息通过模糊综合评价方法进行监测井综合评价；根据监测井综合评价判断监测井的监测性能并根据各监测井的监测性能生成维护建议；基于目标区域内单个监测井的综合评价结果根据是否具备监测功能对监测井进行筛选，根据筛选后的监测井的分布结合污染源信息进行监测井的布点优化。本发明通过选取适配的评价指标对监测井的监测性能及结合基本状况及分布特征进行评估生成维护依据，节约了监测井建设及维护成本。
Description
技术领域
本发明涉及监测井调查评估技术领域，更具体的，涉及一种基于多源数据的监测井综合调查评价方法、***及介质。
背景技术
地下水环境监测井作为开展地下水环境监测工作的重要依托，其健康状况直接影响到监测结果的准确性。由于缺乏专业知识，且管理部门尚未制定***的维护及管理办法，部分监测井存在后期维护管理工作不到位、监测功能丧失等现象，甚至成为污染通道，对于仍在运行的监测井也急需进行评估判断是否能满足地下水监测工作要求，并根据评估结果加强巡检维护和统一管理。
对于长期监测井的持续运行中监测井容易出现井管破坏、滤水管堵塞、井管异物填塞、沉淀淤积过多等导致井内外水力联系差，采集的地下水样品没有代表性情况，而上述情况在地下水环境监测井评估中由于监测井的形式各异、保存状况不一导致无法进行标准化评判，又加上实际监测井评估工作，多数为人为经验判断，存在评价指标不全等问题。因此选择合适的评价指标，制定适用的评价方法为完善地下水环境监测体系、加强潜在污染源监控、提升地下水环境监测能力及地下水环境风险防控提供基础性技术支撑。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于多源数据的监测井综合调查评价方法、***及介质。
本发明第一方面提供了一种基于多源数据的监测井综合调查评价方法，包括：
通过大数据检索获取监测井的地下水环境监测精度的影响因素，对影响因素进行筛选，通过筛选后的影响因素选取数据来源；
根据所述数据来源获取监测井调查数据，将所述调查数据结合监测井基本信息通过模糊综合评价方法进行监测井综合评价；
根据监测井综合评价判断监测井的监测性能并根据各监测井的监测性能生成维护建议；
基于目标区域内单个监测井的综合评价结果根据是否具备监测功能对监测井进行筛选，根据筛选后的监测井的分布结合污染源信息进行监测井的布点优化。
本方案中，通过大数据检索获取监测井的地下水环境监测精度的影响因素，具体为：
通过地下水环境监测井及监测精度设置关键词信息，根据所述关键词信息通过大数据检索获取相关资源数据，通过相关资源数据选取与监测井状态相关的影响因素构建知识图谱；
根据知识图谱生成监测井监测精度与影响因素之间的无向异构图，通过图卷积神经网络对所述无向异构图进行编码学习；
获取监测精度与影响因素的低维向量作为初始特征向量，通过邻居节点聚合及注意力机制获取监测精度与影响因素的最终向量表示；
通过向量内积获取监测精度对影响因素的评分，根据所述评分生成倒序排序结果，通过所述倒序排序结果选取预设数量的影响因素，并获取各项影响因素的调查数据。
本方案中，将所述调查数据结合监测井基本信息通过模糊综合评价方法进行监测井综合评价，具体为：
根据筛选后的影响因素确定评价指标，并根据影响因素的评分生成评价指标的权重信息；
根据所述评价指标构成模糊综合评价的因子集，并设置监测井性能评价的评价集，通过监测井基本信息及调查数据获取各评价指标对评价集中各元素的隶属度，生成隶属度矩阵；
根据所述隶属度矩阵与所述权重信息获取模糊综合评价结果，根据目标区域内各个监测井的模糊综合评价结果对监测井进行分级；
根据分级结果获取目标区域内的报废监测井，并根据报废监测井的位置信息进行标记。
本方案中，根据监测井综合评价判断监测井的监测性能并根据各监测井的监测性能生成维护建议，具体为：
获取目标区域内各监测井的模糊综合评价结果及模糊综合评价中单个评价指标的评价结果；
获取所述模糊综合评价结果大于预设阈值的监测井进行判断，选取与监测井的监测性能相关的评价指标，预设相关评价指标的阈值范围及评分标准，判断目标区域内监测井的相关评价指标是否处于对应阈值范围；
若监测井存在至少一项评价指标不处于对应阈值范围，则生成监测井维护信息，获取监测井不达标评价指标集合；
通过不达标评价集合获取监测井的修复项目，根据评价指标所处阈值范围及对应评分标准获取修复项目的评分，根据所述评分判断修复项目的可修复性；
根据可修复性筛选能够修复的修复项目，并通过相似历史维修案例生成维护建议。
本方案中，基于目标区域内单个监测井的综合评价结果根据是否具备监测功能对监测井进行筛选，具体为：
根据目标区域内单个监测井的综合评价结果获取报废监测井信息，并判断各监测井不达标评价指标集合中不达标评价指标的数量是否大于预设数量阈值；
将报废监测井或不达标评价指标的数量大于预设数量阈值的监测井判断为不具备监测功能的监测井；
并根据监测井修复项目的可修复性表征预设时间内的监测井的监测性能预测值，将监测性能预测值小于预设预测阈值的监测井归为不具备监测功能的监测井；
将不具备监测功能的监测井在目标区域内进行标记。
本方案中，根据筛选后的监测井的分布结合污染源信息进行监测井的布点优化，具体为：
将目标区域内标记的监测井进行剔除，获取目标区域内污染源信息，根据污染源信息将目标区域分为若干子区域；
当子区域中的具备监测功能的监测井数量信息小于预设阈值时，则进行监测井的布点优化；
在子区域内计算监测井之间均方距离信息，基于遗传算法的神经网络构建监测井优化模型，将监测井之间均方距离作为适应度函数；
根据目标区域的水文地质信息及子区域中现有监测井的位置信息通过监测井优化模型生成新增监测井位置信息。
本发明第二方面还提供了一种基于多源数据的监测井综合调查评价***，该***包括：存储器、处理器，所述存储器中包括一种基于多源数据的监测井综合调查评价方法程序，所述一种基于多源数据的监测井综合调查评价方法程序被所述处理器执行时实现如下步骤：
通过大数据检索获取监测井的地下水环境监测精度的影响因素，对影响因素进行筛选，通过筛选后的影响因素选取数据来源；
根据所述数据来源获取监测井调查数据，将所述调查数据结合监测井基本信息通过模糊综合评价方法进行监测井综合评价；
根据监测井综合评价判断监测井的监测性能并根据各监测井的监测性能生成维护建议；
基于目标区域内单个监测井的综合评价结果根据是否具备监测功能对监测井进行筛选，根据筛选后的监测井的分布结合污染源信息进行监测井的布点优化。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于多源数据的监测井综合调查评价方法程序，所述一种基于多源数据的监测井综合调查评价方法程序被处理器执行时，实现如上述任一项所述的一种基于多源数据的监测井综合调查评价方法的步骤。
本发明公开的一种基于多源数据的监测井综合调查评价方法、***及介质，包括：通过大数据检索获取监测井的地下水环境监测精度的影响因素，对影响因素进行筛选，通过筛选后的影响因素选取数据来源获取监测井调查数据，将调查数据结合监测井基本信息通过模糊综合评价方法进行监测井综合评价；根据监测井综合评价判断监测井的监测性能并根据各监测井的监测性能生成维护建议；基于目标区域内单个监测井的综合评价结果根据是否具备监测功能对监测井进行筛选，根据筛选后的监测井的分布结合污染源信息进行监测井的布点优化。本发明通过选取适配的评价指标对监测井的监测性能及结合基本状况及分布特征进行评估生成维护依据，节约了监测井建设及维护成本。
附图说明
图1示出了本发明一种基于多源数据的监测井综合调查评价方法的流程图；
图2示出了本发明中确定评价指标的方法流程图；
图3示出了本发明中监测井综合评价的方法流程图；
图4示出了本发明一种基于多源数据的监测井综合调查评价***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于多源数据的监测井综合调查评价方法的流程图。
如图1所示，本发明第一方面提供了一种基于多源数据的监测井综合调查评价方法，包括：
S102，通过大数据检索获取监测井的地下水环境监测精度的影响因素，对影响因素进行筛选，通过筛选后的影响因素选取数据来源；
S104，根据所述数据来源获取监测井调查数据，将所述调查数据结合监测井基本信息通过模糊综合评价方法进行监测井综合评价；
S106，根据监测井综合评价判断监测井的监测性能并根据各监测井的监测性能生成维护建议；
S108，基于目标区域内单个监测井的综合评价结果根据是否具备监测功能对监测井进行筛选，根据筛选后的监测井的分布结合污染源信息进行监测井的布点优化。
地下水资源监测井的监测指标数量多信息量大，其中监测精度是判断监测井是否具备良好监测功能的关键指标，而监测井的自身结构状况信息是影响地下水资源检测精度的重要因素之一，但监测井的自身结构状况中也存在大量的冗余信息，通过对监测井自身结构状况的调查确定评价指标判定监测井的监测功能状况。
图2示出了本发明中确定评价指标的方法流程图。
根据本发明实施例，通过大数据检索获取监测井的地下水环境监测精度的影响因素，具体为：
S202，通过地下水环境监测井及监测精度设置关键词信息，根据所述关键词信息通过大数据检索获取相关资源数据，通过相关资源数据选取与监测井状态相关的影响因素构建知识图谱；
S204，根据知识图谱生成监测井监测精度与影响因素之间的无向异构图，通过图卷积神经网络对所述无向异构图进行编码学习；
S206，获取监测精度与影响因素的低维向量作为初始特征向量，通过邻居节点聚合及注意力机制获取监测精度与影响因素的最终向量表示；
S208，通过向量内积获取监测精度对影响因素的评分，根据所述评分生成倒序排序结果，通过所述倒序排序结果选取预设数量的影响因素，并获取各项影响因素的调查数据。
其中，在无向异构图中相连的一对节点
，将
作为初始特征向量，将
节点
及节点
之间关系表示为
,其中
表示权重矩阵，代表节点
对节点
的贡献度，Q表示特征变换的参数矩阵，权重矩阵通过注意力机制获取，其计算方式为：
其中，
表示节点
与节点
的注意力值，
表示激活函数，
表示向量映
射参数，将向量映射为实数，
表示向量拼接，则权重矩阵的计算方式为
，其中k表示影响因素的项数，N表示影响因素总数；
将节点
通过邻居节点聚合机制进行表示，具体为：
同理，生成节点
的向量表示
，通过邻居节点聚合及注意力机制生成监测精度与
影响因素的向量表示后，利用向量内积获取监测精度对影响因素的评分
，具体为：
图3示出了本发明中监测井综合评价的方法流程图。
根据本发明实施例，将调查数据结合监测井基本信息通过模糊综合评价方法进行监测井综合评价，具体为：
S302，根据筛选后的影响因素确定评价指标，并根据影响因素的评分生成评价指标的权重信息；
S304，根据所述评价指标构成模糊综合评价的因子集，并设置监测井性能评价的评价集，通过监测井基本信息及调查数据获取各评价指标对评价集中各元素的隶属度，生成隶属度矩阵；
S306，根据所述隶属度矩阵与所述权重信息获取模糊综合评价结果，根据目标区域内各个监测井的模糊综合评价结果对监测井进行分级；
S308，根据分级结果获取目标区域内的报废监测井，并根据报废监测井的位置信息进行标记。
需要说明的是，根据影响因素确定评价指标构成因子集，根据监测井状况差状况良好、状况一般、状况优秀构成评价集，采用三角形分布函数作为隶属度函数，将评价指标的调查数据带入隶属度计算公式，获取模糊评价矩阵，其中评价指标的调查数据通过井下电视、微水试验等方式进行获取，通过多源头数据构成评价指标的调查数据。
需要说明的是，根据监测井综合评价判断监测井的监测性能并根据各监测井的监测性能生成维护建议，具体为：获取目标区域内各监测井的模糊综合评价结果及模糊综合评价中单个评价指标的评价结果；获取所述模糊综合评价结果大于预设阈值的监测井进行判断，选取与监测井的监测性能相关的评价指标，预设相关评价指标的阈值范围及评分标准，判断目标区域内监测井的相关评价指标是否处于对应阈值范围；若监测井存在至少一项评价指标不处于对应阈值范围，则生成监测井维护信息，获取监测井不达标评价指标集合；通过不达标评价集合获取监测井的修复项目，根据评价指标所处阈值范围及对应评分标准获取修复项目的评分，根据所述评分判断修复项目的可修复性；根据可修复性筛选能够修复的修复项目，并通过相似历史维修案例生成维护建议。
需要说明的是，基于目标区域内单个监测井的综合评价结果根据是否具备监测功能对监测井进行筛选，具体为：根据目标区域内单个监测井的综合评价结果获取报废监测井信息，并判断各监测井不达标评价指标集合中不达标评价指标的数量是否大于预设数量阈值；将报废监测井或不达标评价指标的数量大于预设数量阈值的监测井判断为不具备监测功能的监测井；并根据监测井修复项目的可修复性表征预设时间内的监测井的监测性能预测值，将监测性能预测值小于预设预测阈值的监测井归为不具备监测功能的监测井；将不具备监测功能的监测井在目标区域内进行标记。
需要说明的是，根据筛选后的监测井的分布结合污染源信息进行监测井的布点优化，具体为：将目标区域内标记的监测井进行剔除，获取目标区域内污染源信息，根据污染源信息将目标区域分为若干子区域；当子区域中的具备监测功能的监测井数量信息小于预设阈值时，则进行监测井的布点优化；在子区域内计算监测井之间均方距离信息，基于遗传算法的神经网络构建监测井优化模型，神经网络由输入层、输出层和隐藏层组成，隐藏层通过设置一层或多层神经元进行数据的计算，每一层神经元可以有若干个节点；将监测井之间均方距离作为适应度函数；根据目标区域的水文地质信息、污染源位置信息子区域中现有监测井的污染物浓度信息，选取子区域内新增检测井的候选点，通过子区域中现有检测井的位置信息通过监测井优化模型对候选点进行优选确定新增监测井位置信息。
根据本发明实施例，根据地下水环境监测获取目标区域内污染物运移情况，具体为：
根据目标区域水文地质信息生成地下水流场模型，根据目标区域内污染物历史监测浓度变化通过卷积神经网络对污染物迁移进行预测；
获取预设时间后的污染物分布范围，通过预设时间后污染物分布范围与当前污染物分布范围生成范围差值；
当所述范围差值大于预设范围差阈值时，则根据污染物种类信息结合目标区域内的污染源信息对污染物进行溯源，根据溯源结果对污染源进行维护；
同时根据污染物分布范围结合目标区域中监测污染物浓度信息划定重点治理区域，根据重点治理区域的污染物类型及水文地质信息建立检索标签；
通过大数据方法获取与所述检索标签相似度符合预设范围的相关数据，根据相关数据获取其他区域的治理方案，并根据可实施性制定重点治理区域的地下水环境治理方案。
其中，通过GMS三维地下水运移软件模拟生成地下水流场模型，计算得到的目标区域含水层等水位线, 获取定期检测过程中各监测井的污染物浓度，根据监测井的监测数据生成污染物分布范围的时序变化，根据污染物分布范围的时序变化对卷积神经网络进行初始化训练，通过训练后的模型对污染物迁移进行预测。
图4示出了本发明一种基于多源数据的监测井综合调查评价***的框图。
本发明第二方面还提供了一种基于多源数据的监测井综合调查评价***4，该***包括：存储器41、处理器42，所述存储器中包括一种基于多源数据的监测井综合调查评价方法程序，所述一种基于多源数据的监测井综合调查评价方法程序被所述处理器执行时实现如下步骤：
通过大数据检索获取监测井的地下水环境监测精度的影响因素，对影响因素进行筛选，通过筛选后的影响因素选取数据来源；
根据所述数据来源获取监测井调查数据，将所述调查数据结合监测井基本信息通过模糊综合评价方法进行监测井综合评价；
根据监测井综合评价判断监测井的监测性能并根据各监测井的监测性能生成维护建议；
基于目标区域内单个监测井的综合评价结果根据是否具备监测功能对监测井进行筛选，根据筛选后的监测井的分布结合污染源信息进行监测井的布点优化。
地下水资源监测井的监测指标数量多信息量大，其中监测精度是判断监测井是否具备良好监测功能的关键指标，而监测井的自身结构状况信息是影响地下水资源检测精度的重要因素之一，但监测井的自身结构状况中也存在大量的冗余信息，通过对监测井自身结构状况的调查确定评价指标判定监测井的监测功能状况。
根据本发明实施例，通过大数据检索获取监测井的地下水环境监测精度的影响因素，具体为：
通过地下水环境监测井及监测精度设置关键词信息，根据所述关键词信息通过大数据检索获取相关资源数据，通过相关资源数据选取与监测井状态相关的影响因素构建知识图谱；
根据知识图谱生成监测井监测精度与影响因素之间的无向异构图，通过图卷积神经网络对所述无向异构图进行编码学习；
获取监测精度与影响因素的低维向量作为初始特征向量，通过邻居节点聚合及注意力机制获取监测精度与影响因素的最终向量表示；
通过向量内积获取监测精度对影响因素的评分，根据所述评分生成倒序排序结果，通过所述倒序排序结果选取预设数量的影响因素，并获取各项影响因素的调查数据。
其中，在无向异构图中相连的一对节点
，将
作为初始特征向量，将
节点
及节点
之间关系表示为
,其中
表示权重矩阵，代表节点
对节点
的贡献度，Q表示特征变换的参数矩阵，权重矩阵通过注意力机制获取，其计算方式为：
其中，
表示节点
与节点
的注意力值，
表示激活函数，
表示向量映
射参数，将向量映射为实数，
表示向量拼接，则权重矩阵的计算方式为
，其中k表示影响因素的项数，N表示影响因素总数；
将节点
通过邻居节点聚合机制进行表示，具体为：
同理，生成节点
的向量表示
，通过邻居节点聚合及注意力机制生成监测精度与
影响因素的向量表示后，利用向量内积获取监测精度对影响因素的评分
，具体为：
根据本发明实施例，将调查数据结合监测井基本信息通过模糊综合评价方法进行监测井综合评价，具体为：
根据筛选后的影响因素确定评价指标，并根据影响因素的评分生成评价指标的权重信息；
根据所述评价指标构成模糊综合评价的因子集，并设置监测井性能评价的评价集，通过监测井基本信息及调查数据获取各评价指标对评价集中各元素的隶属度，生成隶属度矩阵；
根据所述隶属度矩阵与所述权重信息获取模糊综合评价结果，根据目标区域内各个监测井的模糊综合评价结果对监测井进行分级；
根据分级结果获取目标区域内的报废监测井，并根据报废监测井的位置信息进行标记。
需要说明的是，根据影响因素确定评价指标构成因子集，根据监测井状况差状况良好、状况一般、状况优秀构成评价集，采用三角形分布函数作为隶属度函数，将评价指标的调查数据带入隶属度计算公式，获取模糊评价矩阵，其中评价指标的调查数据通过井下电视、微水试验等方式进行获取，通过多源头数据构成评价指标的调查数据。
需要说明的是，根据监测井综合评价判断监测井的监测性能并根据各监测井的监测性能生成维护建议，具体为：获取目标区域内各监测井的模糊综合评价结果及模糊综合评价中单个评价指标的评价结果；获取所述模糊综合评价结果大于预设阈值的监测井进行判断，选取与监测井的监测性能相关的评价指标，预设相关评价指标的阈值范围及评分标准，判断目标区域内监测井的相关评价指标是否处于对应阈值范围；若监测井存在至少一项评价指标不处于对应阈值范围，则生成监测井维护信息，获取监测井不达标评价指标集合；通过不达标评价集合获取监测井的修复项目，根据评价指标所处阈值范围及对应评分标准获取修复项目的评分，根据所述评分判断修复项目的可修复性；根据可修复性筛选能够修复的修复项目，并通过相似历史维修案例生成维护建议。
需要说明的是，基于目标区域内单个监测井的综合评价结果根据是否具备监测功能对监测井进行筛选，具体为：根据目标区域内单个监测井的综合评价结果获取报废监测井信息，并判断各监测井不达标评价指标集合中不达标评价指标的数量是否大于预设数量阈值；将报废监测井或不达标评价指标的数量大于预设数量阈值的监测井判断为不具备监测功能的监测井；并根据监测井修复项目的可修复性表征预设时间内的监测井的监测性能预测值，将监测性能预测值小于预设预测阈值的监测井归为不具备监测功能的监测井；将不具备监测功能的监测井在目标区域内进行标记。
需要说明的是，根据筛选后的监测井的分布结合污染源信息进行监测井的布点优化，具体为：将目标区域内标记的监测井进行剔除，获取目标区域内污染源信息，根据污染源信息将目标区域分为若干子区域；当子区域中的具备监测功能的监测井数量信息小于预设阈值时，则进行监测井的布点优化；在子区域内计算监测井之间均方距离信息，基于遗传算法的神经网络构建监测井优化模型，神经网络由输入层、输出层和隐藏层组成，隐藏层通过设置一层或多层神经元进行数据的计算，每一层神经元可以有若干个节点；将监测井之间均方距离作为适应度函数；根据目标区域的水文地质信息、污染源位置信息子区域中现有监测井的污染物浓度信息，选取子区域内新增检测井的候选点，通过子区域中现有检测井的位置信息通过监测井优化模型对候选点进行优选确定新增监测井位置信息。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于多源数据的监测井综合调查评价方法程序，所述一种基于多源数据的监测井综合调查评价方法程序被处理器执行时，实现如上述任一项所述的一种基于多源数据的监测井综合调查评价方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于多源数据的监测井综合调查评价方法，其特征在于，包括以下步骤：
通过大数据检索获取监测井的地下水环境监测精度的影响因素，对影响因素进行筛选，通过筛选后的影响因素选取数据来源；
根据所述数据来源获取监测井调查数据，将所述调查数据结合监测井基本信息通过模糊综合评价方法进行监测井综合评价；
根据监测井综合评价判断监测井的监测性能并根据各监测井的监测性能生成维护建议；
基于目标区域内单个监测井的综合评价结果根据是否具备监测功能对监测井进行筛选，根据筛选后的监测井的分布结合污染源信息进行监测井的布点优化；
基于目标区域内单个监测井的综合评价结果根据是否具备监测功能对监测井进行筛选，具体为：
根据目标区域内单个监测井的综合评价结果获取报废监测井信息，并判断各监测井不达标评价指标集合中不达标评价指标的数量是否大于预设数量阈值；
将报废监测井或不达标评价指标的数量大于预设数量阈值的监测井判断为不具备监测功能的监测井；
并根据监测井修复项目的可修复性表征预设时间内的监测井的监测性能预测值，将监测性能预测值小于预设预测阈值的监测井归为不具备监测功能的监测井；
将不具备监测功能的监测井在目标区域内进行标记；
根据筛选后的监测井的分布结合污染源信息进行监测井的布点优化，具体为：
将目标区域内标记的监测井进行剔除，获取目标区域内污染源信息，根据污染源信息将目标区域分为若干子区域；
当子区域中的具备监测功能的监测井数量信息小于预设阈值时，则进行监测井的布点优化；
在子区域内计算监测井之间均方距离信息，基于遗传算法的神经网络构建监测井优化模型，将监测井之间均方距离作为适应度函数；
根据目标区域的水文地质信息及子区域中现有监测井的位置信息通过监测井优化模型生成新增监测井位置信息。
2.根据权利要求1所述的一种基于多源数据的监测井综合调查评价方法，其特征在于，通过大数据检索获取监测井的地下水环境监测精度的影响因素，具体为：
通过地下水环境监测井及监测精度设置关键词信息，根据所述关键词信息通过大数据检索获取相关资源数据，通过相关资源数据选取与监测井状态相关的影响因素构建知识图谱；
根据知识图谱生成监测井监测精度与影响因素之间的无向异构图，通过图卷积神经网络对所述无向异构图进行编码学习；
获取监测精度与影响因素的低维向量作为初始特征向量，通过邻居节点聚合及注意力机制获取监测精度与影响因素的最终向量表示；
通过向量内积获取监测精度对影响因素的评分，根据所述评分生成倒序排序结果，通过所述倒序排序结果选取预设数量的影响因素，并获取各项影响因素的调查数据；
其中，在无向异构图中相连的一对节点
，将
作为初始特征向量，将节点
及节点
之间关系表示为
,其中
表示权重矩阵，代表节点
对节点
的贡献度，Q表示特征变换的参数矩阵，权重矩阵通过注意力机制获取，其计算方式为：
其中，
表示节点
与节点
的注意力值，
表示激活函数，
表示向量映射参数，将向量映射为实数，
表示向量拼接，则权重矩阵的计算方式为
，其中k表示影响因素的项数，N表示影响因素总数；
将节点
通过邻居节点聚合机制进行表示，具体为：
同理，生成节点
的向量表示
，通过邻居节点聚合及注意力机制生成监测精度与影响因素的向量表示后，利用向量内积获取监测精度对影响因素的评分
，具体为：
3.根据权利要求1所述的一种基于多源数据的监测井综合调查评价方法，其特征在于，将所述调查数据结合监测井基本信息通过模糊综合评价方法进行监测井综合评价，具体为：
根据筛选后的影响因素确定评价指标，并根据影响因素的评分生成评价指标的权重信息；
根据所述评价指标构成模糊综合评价的因子集，并设置监测井性能评价的评价集，通过监测井基本信息及调查数据获取各评价指标对评价集中各元素的隶属度，生成隶属度矩阵；
根据所述隶属度矩阵与所述权重信息获取模糊综合评价结果，根据目标区域内各个监测井的模糊综合评价结果对监测井进行分级；
根据分级结果获取目标区域内的报废监测井，并根据报废监测井的位置信息进行标记。
4.根据权利要求1所述的一种基于多源数据的监测井综合调查评价方法，其特征在于，根据监测井综合评价判断监测井的监测性能并根据各监测井的监测性能生成维护建议，具体为：
获取目标区域内各监测井的模糊综合评价结果及模糊综合评价中单个评价指标的评价结果；
获取所述模糊综合评价结果大于预设阈值的监测井进行判断，选取与监测井的监测性能相关的评价指标，预设相关评价指标的阈值范围及评分标准，判断目标区域内监测井的相关评价指标是否处于对应阈值范围；
若监测井存在至少一项评价指标不处于对应阈值范围，则生成监测井维护信息，获取监测井不达标评价指标集合；
通过不达标评价集合获取监测井的修复项目，根据评价指标所处阈值范围及对应评分标准获取修复项目的评分，根据所述评分判断修复项目的可修复性；
根据可修复性筛选能够修复的修复项目，并通过相似历史维修案例生成维护建议。
5.一种基于多源数据的监测井综合调查评价***，其特征在于，该***包括：存储器、处理器，所述存储器中包括一种基于多源数据的监测井综合调查评价方法程序，所述一种基于多源数据的监测井综合调查评价方法程序被所述处理器执行时实现如下步骤：
通过大数据检索获取监测井的地下水环境监测精度的影响因素，对影响因素进行筛选，通过筛选后的影响因素选取数据来源；
根据所述数据来源获取监测井调查数据，将所述调查数据结合监测井基本信息通过模糊综合评价方法进行监测井综合评价；
根据监测井综合评价判断监测井的监测性能并根据各监测井的监测性能生成维护建议；
基于目标区域内单个监测井的综合评价结果根据是否具备监测功能对监测井进行筛选，根据筛选后的监测井的分布结合污染源信息进行监测井的布点优化；
基于目标区域内单个监测井的综合评价结果根据是否具备监测功能对监测井进行筛选，具体为：
根据目标区域内单个监测井的综合评价结果获取报废监测井信息，并判断各监测井不达标评价指标集合中不达标评价指标的数量是否大于预设数量阈值；
将报废监测井或不达标评价指标的数量大于预设数量阈值的监测井判断为不具备监测功能的监测井；
并根据监测井修复项目的可修复性表征预设时间内的监测井的监测性能预测值，将监测性能预测值小于预设预测阈值的监测井归为不具备监测功能的监测井；
将不具备监测功能的监测井在目标区域内进行标记；
根据筛选后的监测井的分布结合污染源信息进行监测井的布点优化，具体为：
将目标区域内标记的监测井进行剔除，获取目标区域内污染源信息，根据污染源信息将目标区域分为若干子区域；
当子区域中的具备监测功能的监测井数量信息小于预设阈值时，则进行监测井的布点优化；
在子区域内计算监测井之间均方距离信息，基于遗传算法的神经网络构建监测井优化模型，将监测井之间均方距离作为适应度函数；
根据目标区域的水文地质信息及子区域中现有监测井的位置信息通过监测井优化模型生成新增监测井位置信息。
6.根据权利要求5所述的一种基于多源数据的监测井综合调查评价***，其特征在于，通过大数据检索获取监测井的地下水环境监测精度的影响因素，具体为：
通过地下水环境监测井及监测精度设置关键词信息，根据所述关键词信息通过大数据检索获取相关资源数据，通过相关资源数据选取与监测井状态相关的影响因素构建知识图谱；
根据知识图谱生成监测井监测精度与影响因素之间的无向异构图，通过图卷积神经网络对所述无向异构图进行编码学习；
获取监测精度与影响因素的低维向量作为初始特征向量，通过邻居节点聚合及注意力机制获取监测精度与影响因素的最终向量表示；
通过向量内积获取监测精度对影响因素的评分，根据所述评分生成倒序排序结果，通过所述倒序排序结果选取预设数量的影响因素，并获取各项影响因素的调查数据；
其中，在无向异构图中相连的一对节点
，将
作为初始特征向量，将节点
及节点
之间关系表示为
,其中
表示权重矩阵，代表节点
对节点
的贡献度，Q表示特征变换的参数矩阵，权重矩阵通过注意力机制获取，其计算方式为：
其中，
表示节点
与节点
的注意力值，
表示激活函数，
表示向量映射参数，将向量映射为实数，
表示向量拼接，则权重矩阵的计算方式为
，其中k表示影响因素的项数，N表示影响因素总数；
将节点
通过邻居节点聚合机制进行表示，具体为：
同理，生成节点
的向量表示
，通过邻居节点聚合及注意力机制生成监测精度与影响因素的向量表示后，利用向量内积获取监测精度对影响因素的评分
，具体为：
7.根据权利要求5所述的一种基于多源数据的监测井综合调查评价***，其特征在于，根据监测井综合评价判断监测井的监测性能并根据各监测井的监测性能生成维护建议，具体为：
获取目标区域内各监测井的模糊综合评价结果及模糊综合评价中单个评价指标的评价结果；
获取所述模糊综合评价结果大于预设阈值的监测井进行判断，选取与监测井的监测性能相关的评价指标，预设相关评价指标的阈值范围及评分标准，判断目标区域内监测井的相关评价指标是否处于对应阈值范围；
若监测井存在至少一项评价指标不处于对应阈值范围，则生成监测井维护信息，获取监测井不达标评价指标集合；
通过不达标评价集合获取监测井的修复项目，根据评价指标所处阈值范围及对应评分标准获取修复项目的评分，根据所述评分判断修复项目的可修复性；
根据可修复性筛选能够修复的修复项目，并通过相似历史维修案例生成维护建议。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种基于多源数据的监测井综合调查评价方法程序，所述一种基于多源数据的监测井综合调查评价方法程序被处理器执行时，实现如权利要求1至4中任一项所述的基于多源数据的监测井综合调查评价方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210934998.7A CN114997546B (zh) | 2022-08-05 | 2022-08-05 | 基于多源数据的监测井综合调查评价方法、***及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210934998.7A CN114997546B (zh) | 2022-08-05 | 2022-08-05 | 基于多源数据的监测井综合调查评价方法、***及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114997546A CN114997546A (zh) | 2022-09-02 |
| CN114997546B true CN114997546B (zh) | 2022-10-25 |
Family
ID=83023124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210934998.7A Active CN114997546B (zh) | 2022-08-05 | 2022-08-05 | 基于多源数据的监测井综合调查评价方法、***及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114997546B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115578015B (zh) * | 2022-12-07 | 2023-05-23 | 华南理工大学 | 基于物联网的污水处理全过程监管方法、***及存储介质 |
| CN115828771B (zh) * | 2023-02-13 | 2023-04-28 | 深圳市仕瑞达自动化设备有限公司 | 一种机械传动元件的性能评估方法、***及介质 |
| CN115982646B (zh) * | 2023-03-20 | 2023-07-18 | 西安弘捷电子技术有限公司 | 一种基于云平台的多源测试数据的管理方法及*** |
| CN116233865B (zh) * | 2023-05-09 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种新污染物监测设备的布点方法及*** |
| CN118134120B (zh) * | 2024-05-08 | 2024-07-12 | 河北省地质环境监测院 | 一种区域地下水环境质量空时变化的定量评价方法及*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107525907A (zh) * | 2017-10-16 | 2017-12-29 | 中国环境科学研究院 | 地下水污染监测网多目标优化方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106560820A (zh) * | 2016-10-09 | 2017-04-12 | 钦州学院 | 一种页岩气储层的测井评价方法 |
| CN109102171A (zh) * | 2018-07-24 | 2018-12-28 | 上海欣影电力科技股份有限公司 | 一种基于大数据的变电站设备状态智能化评价***及方法 |
| CN112801460B (zh) * | 2021-01-06 | 2022-07-05 | 武汉大学 | 基于两步topsis法的地下水污染监测网优化方法 |
| CN113268922A (zh) * | 2021-05-14 | 2021-08-17 | 深圳市懿水淘科技有限公司 | 一种基于数值模拟与遗传算法的地下水污染溯源计算方法 |
| CN114280244A (zh) * | 2021-12-27 | 2022-04-05 | 清华大学合肥公共安全研究院 | 一种可燃气体监测仪环境适应性综合评估方法及*** |
-
2022
- 2022-08-05 CN CN202210934998.7A patent/CN114997546B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107525907A (zh) * | 2017-10-16 | 2017-12-29 | 中国环境科学研究院 | 地下水污染监测网多目标优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Groundwater monitoring strategies for variable contaminant migration boundaries";PAUL F. HUDAK;《Hydrological Sciences Journal》;20100119;全文 * |
| 基于水生态功能分区的流域水环境监测与评价研究;李博等;《环境科学与管理》;20171215(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114997546A (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114997546B (zh) | 基于多源数据的监测井综合调查评价方法、***及介质 | |
| CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、***及存储介质 | |
| CN116186566B (zh) | 基于深度学习的扩散预测方法及*** | |
| CN116385689B (zh) | 一种场地污染数据的可视化信息管理方法、***及介质 | |
| Chen et al. | Design of Deep Belief Networks for Short‐Term Prediction of Drought Index Using Data in the Huaihe River Basin | |
| Carmona et al. | Overview on evolutionary subgroup discovery: analysis of the suitability and potential of the search performed by evolutionary algorithms | |
| CN116629619B (zh) | 一种土壤新污染物赋存状况预测方法及*** | |
| CN116384754B (zh) | 一种基于深度学习的在产化工园区环境污染风险评估方法 | |
| Liao | Classification and coding approaches to part family formation under a fuzzy environment | |
| CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
| CN117809439B (zh) | 一种基于多种环境因素中河流流量异常预警*** | |
| CN116362569B (zh) | 一种场地污染的多维度评估方法及*** | |
| Liu et al. | Predicting urban water quality with ubiquitous data-a data-driven approach | |
| CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及*** | |
| CN113269352A (zh) | 基于移动互联网的城市内涝监测预警方法、***及介质 | |
| Sheng et al. | Personalized recommendation of location-based services using spatio-temporal-aware long and short term neural network | |
| CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
| CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 | |
| Fewster et al. | Similarity indices for spatia I ecological data | |
| CN113807027A (zh) | 一种风电机组健康状态评估模型、方法及*** | |
| CN118134120B (zh) | 一种区域地下水环境质量空时变化的定量评价方法及*** | |
| CN117726081B (zh) | 基于多模态ai大模型的cim智能决策方法及*** | |
| KR102288682B1 (ko) | 유해물질 유출시 수환경내 유해물질거동에 대한 신속예측방법 및 그 장치 | |
| CN116796845A (zh) | 一种嵌入决策树的知识图谱可解释推理方法、***及设备 | |
| You et al. | GCN-Based Pollution Source Screening Algorithm and Optimization for Underground Drainage Pipe Network |
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 |