CN115127037B - 一种供水管网漏损定位方法及*** - Google Patents
一种供水管网漏损定位方法及*** Download PDFInfo
- Publication number
- CN115127037B CN115127037B CN202211060852.0A CN202211060852A CN115127037B CN 115127037 B CN115127037 B CN 115127037B CN 202211060852 A CN202211060852 A CN 202211060852A CN 115127037 B CN115127037 B CN 115127037B
- Authority
- CN
- China
- Prior art keywords
- leakage
- water supply
- supply network
- positioning
- network
- 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 251
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000001965 increasing effect Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000004088 simulation Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000013316 zoning Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000015220 hamburgers Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
一种供水管网漏损定位方法及***,属于供水管网健康监测领域,包括步骤:建立供水管网***水力学模型;通过数值分析方法,计算供水管网各节点流量、压力;评估供水管网区域漏失水平,确定合适的漏失预警值;对供水管网新增漏损进行识别;识别出新增漏损时,选择适合的管网漏损定位方式;如果记录的真实漏损事件少于K件,则采用数值分析方法定位供水管网漏损点位置;如果记录的真实漏损事件大于等于K件,则采用人工智能方法定位供水管网漏损点位置。该方法及***采用有限个传感器在线监测数据,通过求解管网水力学方程组并结合人工智能模型,可在较短时间内高效识别复杂管网漏损状态,训练更快速且需求样本量大大减少。
Description
技术领域
本发明属于供水管网漏损监测技术领域,特别涉及一种供水管网漏损定位方法及***。
背景技术
我国的城市公共供水的漏损率基本在15%-35%之间;同时期德国汉堡、日本东京、美国的洛杉矶、芝加哥、旧金山等城市供水管网的漏损率在5%左右。我国供水管网漏损的控制水平亟需提高。
常用的漏损控制技术包括基于探漏仪器的漏损识别定位(音听检漏法、探地雷达、管道内窥检测等)、资产管理、管网优化设计、压力管理及DMA分区管理等方面。
基于探漏仪器的漏损识别与定位技术在实践中广泛使用,能够有效查找漏损点,降低管网漏损率。此方法准确度更高、直观性更强,但投入的人力物力也较大,当大范围应用时,效率较低。
声学检漏技术借助相关函数和安装在管道或消防栓上的声学传感器,对声波的传播时间进行测量。如果管道漏损点位于某两个传感器之间,传感器就会检测到由泄漏所发出的噪声,然后便可根据相关函数的计算结果来确定同一泄漏噪声传播到两个传感器所产生的时间差;当确定了管道中的声速后,就能相应测算出泄漏点的具***置。但此技术存在诸多不足:(1)非金属管道不适用;(2)传感器布置密度大,投资高;(3)易受环境噪音干扰以及附近埋设电缆干扰。
近年来,随着传感器技术和计算机技术的发展,智慧水务逐步兴起,然而对管网大量的工况信息数据并没有得到充分的利用和分析。目前,基于传统的传感器数据统计分析的水务管网监测技术,难以有效的识别漏损的发生,更不能精准的定位漏损的位置。如热门的独立计量区域(DMA)分区技术,按照一定的原则,在配水***中通过分区安装流量计或水表,关闭部分阀门,建立若干个相对独立的计量区域,并通过计量和测量的数据实行远程传输,对流量分析来定量区域泄漏水平。但此技术存在诸多不足:(1)对于大城市既有的给水管网,由于拓扑结构复杂且相互成环,目前想要实现真正的独立区域分区块供水,则管网改造的工程量巨大;(2)需更换电磁水表,投资高;(3)需要较强的维护管理能力,DMA计量漏损的精度与分区的精度相关,漏损定位不精确,检漏耗时长;(4)供水安全(水质、水压、供水可靠性)存在隐患。
现有技术中也有采用深度学***差软件获得待测给水管网所有节点在各用水期正常状态下的压力值或流量值;利用模糊C-均值聚类融合算法选取监测点;利用计算机管网平差软件确定模拟泄漏点与各监测点的距离,获得各监测点在各用水期模拟泄漏状态下的压力值或流量值;计算得到各监测点在各用水期模拟泄漏状态下的压力或流量变化率;构建深度神经网络模型,并对构建的深度神经网络模型进行训练;利用训练好的深度神经网络模型对待测给水管网中的泄漏点进行定位。该方法监测点为选取的代表节点,如果选取不恰当,则无法灵敏反映漏损状态监测变化;各用水期模拟泄漏状态需要选取大量样本,如样本量不足,则影响深度神经网络模型定位精度。该方法虽然采用EPANETH软件进行管网平差,但是并未考虑***基于质量守恒和能量守恒时,漏损点与各监测点的定量关系,模拟漏损样本无法有效涵盖不同季节,不同时间复杂多变的各种用水工况。
发明内容
本发明的目的在于解决现有技术中城市级复杂拓扑结构给水管网无法精准定位漏损点、大规模应用查漏效率低、易受环境干扰等问题,提供一种供水管网漏损定位方法及***。本发明的方法及***采用数值计算对漏损进行模拟,并采用数值模拟得到的数据对人工智能模型进行训练,对供水管网的漏损进行识别和定位;由于数值模拟计算结果精确,所以人工智能模型的精度也可以得到保证。此外,提供另外一种供水管网漏损定位方法及***,在供水管网漏损数量较少的情况下采用数值计算对漏损进行识别及定位、在积累了一定数量的漏损数据之后,采用人工智能的方式对漏损进行识别及定位,并且,在训练人工智能模型时,采用真实记录的供水管网漏损数据与数值模拟数据两部分作为训练集,可以保证在真实漏损数据较少时仍有足够数量的样本数据,保证人工智能模型的计算精度;本发明采用数值计算和人工智能两种方式相结合,可以在供水管网运行的各阶段对漏损进行快速、准确的定位。
本发明提供一种供水管网漏损定位方法,其特征在于,包括以下步骤:
步骤S1、建立供水管网***水力学模型;通过数值分析方法,计算供水管网各节点流量、压力;
步骤S2、采用步骤S1中所述供水管网***水力学模型,模拟漏损位置;
步骤S3、确定供水管网***漏损预警值,并识别管网新增漏损点;
步骤S4、训练人工智能供水管网漏损位置定位模型,并采用所述人工智能供水管网漏损位置定位模型定位供水管网漏损位置;
步骤S5、输出计算得到的所述供水管网漏损位置。
本发明提供另外一种供水管网漏损定位方法,其特征在于,包括以下步骤:
步骤S1、建立供水管网***水力学模型;通过数值分析方法,计算供水管网各节点流量、压力;
步骤S2、采用步骤S1中所述供水管网***水力学模型,模拟漏损位置;
步骤S3、确定供水管网***漏损预警值,并识别管网新增漏损点;
步骤S4、选择适合的管网漏损定位方式,如果记录的真实漏损事件少于K件,则采用步骤S5的水力学计算方式定位漏损位置;如果记录的真实漏损事件大于等于K件,则采用步骤S6的人工智能计算方式定位漏损位置;
步骤S5、采用步骤S1中所述供水管网***水力学模型,定位供水管网漏损位置;具体而言,包括:
步骤S501、将新增漏损水量依次假定在供水管网***水力学模型中全部管段剖分的计算单元两端节点上,遍历所述水力学模型中的所有计算单元,求得供水管网各节点流量、压力;
步骤S502、将每次节点压力计算值与供水管网内传感器测得的压力实测值进行对比,吻合度最高的当次计算所假定的节点位置作为自动定位的漏损点位置。
步骤S6、训练人工智能供水管网漏损位置定位模型,并采用所述人工智能供水管网漏损位置定位模型定位供水管网漏损位置;
步骤S7、输出计算得到的所述供水管网漏损位置。
进一步地,所述步骤S1中,具体包括步骤:
步骤S101、建立供水管网***水力学模型;通过读取物理层信息,建立供水管网***水力学模型;
步骤S102、通过数值分析方法,在所述供水管网***水力学模型中求解水力学方程组,求得供水管网各节点流量、压力:
(1)建立仿真分析的管网***拓扑结构图,划分计算单元管段;
(2)假定计算单元管段中无流量流出,只在管段两端节点有流量流出,按照下式分别计算所述计算单元管段两端节点的流量值和压力值:
其中,Q i为节点i的节点流量;q ij为节点i相接的管段流量,流量离开节点为正,流向节点为负;H i、H j为相对某一基准点的节点i、节点j压力值;s ij为节点i到节点j管段的摩阻; q ij(0)为节点i到节点j管段的初步假设流量;n为指数。
进一步地,所述步骤S1中,还包括:利用供水管网***内的传感器监测流量及压力数据,对所述供水管网***水力学模型进行修正。
进一步地,所述步骤S3中,对供水管网新增漏损进行识别具体为:
步骤S301、评估供水管网区域漏失水平,确定合适的漏失预警值,所述漏失预警值可根据下式计算:
其中, Q La为区域漏失预警值(L/d);L 1为区域干管总长度(m);M为用户连接管数量;L 2为区域用户连接管总长度(m);P为供水压力(m);a为系数,取值范围为18~20;b为系数,取值范围为0.8~1.25;c为系数,取值范围为25~33;d为指数,取值范围为1~1.5;e为管材修正系数;f为管龄修正系数;
步骤S302、管网漏损识别:以一定周期,采集供水管网***内出、入口及用户节点处设置的传感器的流量监测数据,计算区域供水与用水的差值Q L,当差值Q L大于Q La,即判断出现新增漏损点。
进一步地,所述人工智能供水管网漏损位置定位模型的训练包括如下步骤:
在时间段T内,以一定的采样频率对供水管网传感器监测的流量、压力数据进行采集,得到漏损情况下管网传感器监测的流量、压力实测数据,并记录漏损位置;
随机选出实测的上述漏损位置及步骤S2中获得的所述模拟漏损位置中数据合集的80%作为原始训练集,剩余20%的数据作为测试集;
利用所述训练集与测试集,采用深度学习算法,获得人工智能供水管网漏损位置定位模型。
进一步地,所述深度学习算法选择随机森林算法,具体步骤为:
步骤1、对于n个训练集,分别训练n个决策树模型,层数为p;
步骤2、对于单个决策树模型,假设训练样本特征的个数为m,那么每次***时根据信息增益比选择最好的特征进行***;
步骤3、每棵树依据以上步骤进行***,直到该节点的所有训练样例都属于同一类;
步骤4、将生成的多棵决策树组成随机森林,由多棵树预测的均值决定预测漏损位置;
步骤5、采用所述测试集中的数据对所述模型进行测试,将预测漏损位置与已知漏损位置做对比:
(1)偏差度≤L’(米),即认为测试合格;
(2)若偏差度>L’(米),则增加层数p,重复步骤2-步骤4;
若测试合格,即认为测试合格;
若测试不合格,则将决策树模型层数p与决策树模型层数py进行比较,若p≤py则增加层数p,重复步骤2-步骤4,直至测试合格;若p>py则延长采集时间段T,重复步骤1-4,直至测试合格。
进一步地,将新发现漏损点的位置反馈至训练集或测试集,使得人工智能模型随着样本数据量的增长自动提升精度和适应新数据。
本发明提供一种供水管网漏损定位***,包括:感知***、数据传输***、以及漏损定位***,其中,
所述感知***为供水管网***内设置的压力传感器或流量传感器,用于对供水管网出入口、用户节点及重点非用户节点处的压力或流量进行实时监测;
所述数据传输***用于将所述感知***测得的压力或流量数据传输到所述漏损定位***;
所述漏损定位***包括:
数据存储模块,用于存储所述感知***中测得的压力、流量数据,漏损点位置数据;
数值仿真模块,用于构建供水管网水力学模型,并通过数值分析方法求得供水管网各节点流量、压力;
漏损识别模块,用于利用所述感知***中获得的供水管网流量及压力数据,确定供水管网的漏失预警值,并依据所述漏失预警值及供水管网***内出入口及用户节点处实时流量监测数据,实现新增漏损点识别;
漏损点位置人工智能定位模块,利用所述感知***测得的压力或流量数据、供水管网历史漏损点位置数据,以及由所述漏损点位置数值仿真模块获得的模拟漏损点位置数据,其中随机选取80%的数据作为训练集,20%的数据作为测试集,训练人工智能模型,获得人工智能供水管网漏损点位置定位模型,并采用所述人工智能供水管网漏损点位置定位模型确定供水管网漏损点位置;
漏损点位置输出模块,输出供水管网漏损点位置。
进一步地,还包括模型校正模块,用于利用所述感知***中获得的供水管网流量及压力数据,对所述供水管网***水力学模型进行实时校正。
进一步地,还包括:漏损点定位方法选择模块,用于依据记录的真实漏损事件数量,选择采用漏损点位置数值定位模块或漏损点位置人工智能定位模块进行漏损点定位;
漏损点位置数值定位模块,用于采用数值仿真模块中的模型,并采用数值分析方法定位供水管网漏损点位置。
进一步地,所述***与供水管网SCADA***相连接,获得供水管网的漏损情况与漏损点定位后,通过SCADA***远程调节供水管网自控设备。
进一步地,所述***用以实现本发明所述的供水管网漏损定位方法。
本发明提供的供水管网漏损定位方法及***实现了供水管网漏损自动定位及压力自动调节。该方法及***具有如下有益效果:
1.可自动定位漏损位置,加速供水管网漏损的抢修,降低漏损导致的水资源损失和水质污染;
2.采用有限个传感器在线监测数据,通过求解管网水力学方程组并结合人工智能模型训练,可在较短时间内高效识别复杂管网漏损状态,相较于其它对漏损样本数据进行人工智能训练更快速且需求样本量大大减少;
3.适合各种拓扑结构及各种规模的管网,可适应给水管网不断扩展,用水量布局、节点流量不断变化的发展现状;
4.随着持续应用和数据的不断积累,***可进行自我学习,提升漏损识别准确率及漏损定位精度,增强抗干扰能力;
5.区别于DMA分区管理技术,***的应用不需要对环状管网拓扑结构进行大规模改造;
6.区别于声学检漏技术,***适用于金属管道,及塑料管、混凝土管等各种材质管道;
7.极大的节省日常运维巡检人员工作量,降低运维成本,提高日常巡检工作效率;
8.可以和运维部门进行协同作业,及时发现潜在威胁,有效防止爆管等安全事故的发生,为城市供水突发事件应急预案提供快速可靠的科学依据。
附图说明
为了更完整地理解本发明,现在将参考结合附图的以下描述,其中:
图1为本发明实施例一供水管网漏损定位方法流程图;
图2为本发明采用人工智能方法定位供水管网漏损点位置流程图;
图3为本发明实施例二供水管网漏损定位方法流程图;
图4为本发明计算单元节点及漏损点示意图;
图5为本发明的漏损识别预测位置与实际漏损位置对比图;
图6为漏损点定位精度统计图;
图7为本发明供水管网漏损定位***的结构示意图;
图8为本发明供水管网漏损定位***传感器布置图。
具体实施方式
为说明清楚本发明的目的、技术细节及有效应用,使之便于本领域普通技术人员理解与实施,下面将结合本发明实施例及附图作进一步的详细阐述。显然,此处描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种供水管网漏损定位方法,该方法将供水管网物理层、感知层、控制层、数据层、模型层、应用层等各***相互关联,核心为管网水力学模型及人工智能模型:管网水力学模型对管网进行剖分,并采用穷举法对漏损点位置进行假定并计算各节点流量、压力,将每次节点压力计算值与压力实测值进行对比,吻合度最高的当次计算所假定的节点位置即为***自动定位的漏损点位置;人工智能模型通过一段时间的漏损样本数据采集,利用水力学模型模拟漏损数据和实际漏损数据进行训练,并自动定位漏损点。当漏损事件较少时,以管网水力学模型为主计算漏损点位置;当漏损事件足够时,以人工智能模型为主计算漏损点位置。该方法利用有限个传感器在线监测数据,可在投入应用的较短时间内高效识别复杂管网漏损状态,相较于其它对漏损样本数据进行人工智能训练更快速且需求样本量大大减少,可自动定位漏损位置,加速供水管网漏损的抢修,降低漏损导致的水资源损失和水质污染。
参考说明书附图图1,本发明所述供水管网漏损定位方法主要包括以下步骤:
步骤S1、建立供水管网水力学模型。
步骤S101、建立供水管网***水力学模型;通过读取物理层信息,包括地理信息、管网基础信息(包含管道平面及竖向信息、管径、管材、阀门)、水源、水塔、泵站等信息,建立供水管网***水力学模型。
步骤S102、通过数值分析方法,在所述供水管网***水力学模型中求解水力学方程组,求得供水管网各节点流量、压力;具体包括:
建立仿真分析的管网***拓扑结构图,根据用户节点分布情况及漏损点定位精度需求,将全部管段剖分为长度≤L(例如1-10米)米的计算单元管段。
无论是枝状网还是环状网,都遵循能量守恒和质量守恒,基于上述守恒定律进行非线性方程组的求解。
假定计算单元管段中无流量流出,只在管段两端节点有流量流出,则按照下式分别计算所述计算单元管段两端节点(包含用户及非用户)的流量值和压力值:
其中,Q i为节点i的节点流量;q ij为节点i相接的管段流量,流量离开节点为正,流向节点为负;H i、H j为相对某一基准点的节点i、节点j压力值;s ij为节点i到节点j管段的摩阻; q ij(0)为节点i到节点j管段的初步假设流量;n为指数。
在管网未漏损时:管网总入口压力值H 0已知,管网用户节点Q i已知,管网非用户节点Q i=0,q ij(0)取1(L/s),根据管道材质、管径、计算单元长度推求s ij,进而求得各未知节点试算压力值H i,再由H i -H j求解未知管段流量q ij,如此反复迭代,直至,停止迭代;q x为允许流量差值(例如0.01(L/s))。根据确定的q ij,确定各位置节点压力计算值H i。
步骤S103、利用供水管网***内的传感器监测流量及压力数据,对所述供水管网***水力学模型进行修正。
管网运行一段时间后,由于管道内部污垢累积、管网腐蚀等因素,会造成管道摩阻系数s ij的改变,因此,需要对理论摩阻值s ij进行修正,以使管网模型更贴近实际的运行状态,保障模型精度。
所述模型修正的方式如下:
初始建立模型后,在管网未漏损的状态下(低于漏失预警值时),采集供水管网***内设置的传感器的流量及压力监测数据,将各用户节点对应时间点的压力监测值H mi与该时间点的压力计算值H i进行对比,根据偏差对各用户节点间管段的s ij进行修正。修正后的s mij作为后续步骤模型计算采用的s ij。
步骤S2、采用步骤S1中所述供水管网***水力学模型,模拟漏损位置。
将步骤S1中所述供水管网***水力学模型中的计算单元管段某节点假定为漏损节点,并赋以不同的漏损量后,求解管网水力学方程组,得到漏损状态下监测点节点流量、压力模拟数值,并记录模拟漏损位置。
步骤S3、确定供水管网***漏损预警值,并识别管网新增漏损点。
步骤S301、通过对供水管网***内的传感器对供水区域出入口及用户节点处流量、压力数据的监测数据进行分析,评估区域漏失水平,确定合适的漏失预警值。
供水管网在运行过程中,即使不发生较大规模的漏损,由于供水管网设备本身的局限性,难免出现可接受的渗漏,例如,用户节点水龙头渗水等情况;这样的渗漏处于相关设计规范允许的范围内,但是与理想的无渗漏状态仍有差距,因此,需要通过对供水管网的实时的流量、压力监测数据的分析,获取供水管网实际工作状态下***的整体情况,如流量、压力损失等,评估区域漏失水平,从而确定出合适的漏失预警值,以便快速识别管网新增漏损。
漏失预警值可根据下式计算:
其中,Q La为区域漏失预警值(L/d);L 1为区域干管总长度(m);M为用户连接管数量;L 2为区域用户连接管总长度(m);P为供水压力(m);a为系数,取值范围为18~20;b为系数,取值范围为0.8~1.25;c为系数,取值范围为25~33;d为指数,取值范围为1~1.5;e为管材修正系数;f为管龄修正系数;
步骤S302、管网漏损识别:以一定周期(如5分钟一次),采集供水管网***内出、入口及用户节点处设置的传感器的流量监测数据,计算区域供水与用水的差值Q L,当差值Q L大于Q La,即判断出现新增漏损点。
步骤S4、训练人工智能供水管网漏损位置定位模型,并采用所述人工智能供水管网漏损位置定位模型定位供水管网漏损位置。所述人工智能方法可以采用常用的人工智能计算方法,例如随机森林算法、神经网络等等,以下以随机森林算法为例进行说明,具体流程参见说明书附图图2。
步骤S401、在时间段T内,以一定的采样频率对传感器监测的流量、压力数据进行采集,得到漏损情况下管网传感器监测的流量、压力实测数据,并记录漏损位置。
步骤S402、使用Bootstraping方法随机选出步骤S401及步骤S2中数据合集的80%作为原始训练集,剩余20%的数据作为测试集。
步骤S403、利用步骤S402中的所述训练集与测试集,采用深度学习算法,获得人工智能供水管网漏损点位置定位模型。
以随机森林算法为例,具体方法如下:
步骤4031、对于n个训练集,分别训练n个决策树模型,层数为p。
步骤4032、对于单个决策树模型,假设训练样本特征的个数为m,那么每次***时根据信息增益比选择最好的特征进行***。
步骤4033、每棵树依据以上步骤进行***,直到该节点的所有训练样例都属于同一类。 步骤4034、将生成的多棵决策树组成随机森林,由多棵树预测的均值决定预测漏损点位置。
步骤4035、采用所述测试集中的数据对所述模型进行测试,将预测漏损点位置与已知漏损点位置做对比:
(1)偏差度≤L’(米),即认为测试合格;
(2)若偏差度>L’(米),则增加层数p,重复步骤4032-步骤4034。
若测试合格,即认为测试合格;
若测试不合格,则将决策树模型层数p与决策树模型层数py(限定的最高层数)进行比较,若p≤py则增加层数p,重复步骤4032-步骤4034,直至测试合格;若p>py则延长步骤S401中的采集时间段T,重复步骤S401-步骤S403,直至测试合格。
步骤S404、采用测试合格的所述人工智能供水管网漏损点位置定位模型确定漏损点位置。
步骤S5、输出计算得到的供水管网漏损点位置。例如,可以展示在供水管网数字孪生模型上,并将漏损点具体定位信息发送至水务公司运维管理中心,实现漏损的自动识别与定位。
为了提高供水管网的漏损定位精度,可以在步骤S5结束后,进一步将新发现漏损点的位置反馈至步骤S401,以增加样本数量,使得人工智能模型随着样本数据量的增长自动提升精度和适应新数据。
此外,可以根据管网***拓扑结构中最不利用户点最低供水压力值Hmin(例如28米水头),推求供水区域出入口、重要节点及用户处最小压力值,并根据阀门开度与压力损失的关系,输出关联管段阀门、泵站调节建议。例如,一周以上,监测到最不利用户点最低供水压力值连续高于规范取值,即判断***压力过高,存在调压空间。
此外,考虑到在供水管网运行初期,漏损发生的情况较少,人工智能模型训练时的样本数量较少,可能会导致人工智能模型精度不够高,因此,本发明提出基于力学计算和人工智能的供水管网漏损定位方法,该方法在本发明实施例一的定位方法的基础上,增加了漏损定位方法的选择步骤,以及采用数值方法计算漏损位置的步骤,参考说明书附图图3,具体步骤如下:
步骤S1、建立供水管网水力学模型。
步骤S2、采用步骤S1中所述供水管网***水力学模型,模拟漏损位置。
步骤S3、确定供水管网***漏损预警值,并识别管网新增漏损点。
以上步骤S1-S3与本发明实施例一中的相应步骤相同,在此不赘述。
步骤S4、选择适合的管网漏损定位方式。
采集管网运行时实时传输的节点流量、压力传感器数据,当步骤S3识别出管网出现新增漏损点后,如果记录的真实漏损事件少于K件(如100件),则采用步骤S5的水力学计算方式定位漏损点位置;如果记录的真实漏损事件大于等于K件,则采用步骤S6的人工智能计算方式定位漏损点位置。
步骤S5、采用步骤S1中所述供水管网***水力学模型,定位供水管网漏损位置。具体步骤如下:
步骤S501、将新增漏损水量Q L依次假定在供水管网***水力学模型中全部管段剖分的计算单元两端节点上,遍历所述水力学模型中的所有计算单元,求解管网水力学方程组,求得供水管网各节点流量、压力。其中,求解方式与步骤S102的计算方式相同;
步骤S502、将每次节点压力计算值与供水管网内传感器测得的压力实测值进行对比,吻合度最高的当次计算所假定的节点位置(如X,Y坐标、所在管段及附近地理信息等)作为自动定位的漏损点位置。
在实际的供水管网中,漏损点可能在管道任意位置,但考虑到计算成本,计算机数值计算无法剖分无限个计算管段,使得管段两端节点覆盖所有漏损点位置;因此,只能根据定位精度需求对管网的计算管段进行划分。如将管网划分为计算单元为10米管段,参见说明书附图图4,真实漏损点在此10米管段中某一位置C点(相比B点更靠近A点,如图4中所示),则当将漏损点假定在节点A处进行计算时,下游各节点压力计算值与压力实测值对比结果误差最小,则将A点自动定位为漏损点,并产生一定的误差即AC之间的长度(不超过5米)。同理,计算单元为10米管段,而真实漏损点在此10米管段中某一位置C点(相比A点更靠近B点),则当将漏损点假定在节点B处进行计算时,下游各节点压力计算值与压力实测值对比结果误差最小,则***会将B点自动定位为漏损点,并产生一定的误差即BC之间的长度(不超过5米)。
步骤S6、训练人工智能供水管网漏损位置定位模型,并采用所述人工智能供水管网漏损位置定位模型定位供水管网漏损位置。
该步骤与本发明实施例一中的步骤S4相同,在此不赘述。
步骤S7、输出计算得到的所述供水管网漏损位置。
为了验证本发明的上述供水管网漏水定位方法,对上述方法进行实验验证。在实验中,将一段100米的管道,通过在管段不同位置安装泄水口,打开不同位置的泄水口制造漏损事件。说明书附图图5为漏损识别预测位置与实际漏损位置对比图,横坐标表示识别漏损节点编号,纵坐标表示实际漏损节点编号,数字表示漏损次数。例如识别1节点漏损,实际1节点发生漏损31次(即预测准确),识别1节点漏损,实际2节点漏损3次(预测发生偏差,但仍落在1节点附近)。从图5中可以看到,本发明方法漏损识别及漏损点定位效果良好。
说明书附图图6为统计不同漏损率水平,本发明方法漏损定位精度,可以看出,漏损水量越大,本发明所述的方法漏损识别精度越高,漏损识别精度达97%以上,定位偏差在3米之内。
本发明提供一种供水管网漏损定位***,参考说明书附图图7,包括:感知***100,数据传输***200,以及漏损定位***300。
其中,所述感知***100为供水管网***内设置的压力传感器或流量传感器,参见说明书附图图8,在区域所有入口、出口、重要节点均安装流量、压力传感器,用于对供水管网出入口、用户节点及重点非用户节点等处的压力或流量进行实时监测。
所述数据传输***200用于将所述感知***100测得的压力或流量数据传输到所述漏损定位***300。其中,所述数据传输***200的数据传输可以采用本领域常用的无线或有线传输方式;所述数据传输***200可以包括网线,光纤,路由器等。
所述漏损定位***300包括:
数据存储模块301,用于存储所述感知***100中测得的压力、流量数据,漏损点位置数据;
数值仿真模块302,用于构建供水管网水力学模型,并通过数值分析方法求得供水管网各节点流量、压力;
漏损识别模块303,用于利用所述感知***100中获得的供水管网流量及压力数据,确定供水管网的漏失预警值,并依据所述漏失预警值及供水管网***内出入口及用户节点处实时流量监测数据,实现新增漏损点识别;
漏损点位置人工智能定位模块304,利用所述感知***测得的压力或流量数据、供水管网历史漏损点位置数据,以及由所述数值仿真模块302获得的模拟漏损点位置数据,其中随机选取80%的数据作为训练集,20%的数据作为测试集,训练人工智能模型,获得人工智能供水管网漏损点位置定位模型,并采用所述人工智能供水管网漏损点位置定位模型确定供水管网漏损点位置;
漏损点位置输出模块305,输出供水管网漏损点位置。
可选的,所述漏损定位***300还可以包括:
模型校正模块306,利用所述感知***100中获得的供水管网流量及压力数据,对所述供水管网***水力学模型进行实时校正;
漏损点定位方法选择模块307,用于依据记录的真实漏损事件数量,选择采用漏损点位置数值定位模块308或漏损点位置人工智能定位模块304进行漏损点定位;
漏损点位置数值定位模块308,用于采用数值仿真模块302中的模型,并采用数值分析方法定位供水管网漏损点位置。
此外,所述供水管网漏损定位***可以与数据采集与监视控制***(SCADA***)相连接,获得供水管网的漏损情况与定位之后,可通过SCADA***远程调节自控设备如控制水泵运行参数、电动阀门开度等。
所述供水管网漏损定位***可以连接应用模块,将定位***中获得的原始数据、漏损识别、漏损定位、压力预测等,通过云图等方式显示,实现漏损定位、智慧调压、流量仿真云图、压力仿真云图、实时监控、信息集成、运维反馈、更新决策等。
所述供水管网漏损定位***用以实现本发明的所述供水管网漏损定位方法。
Claims (11)
1.一种供水管网漏损定位方法,其特征在于,包括以下步骤:
步骤S1、建立供水管网***水力学模型;通过数值分析方法,计算供水管网各节点流量、压力;具体包括步骤:
步骤S101、通过读取物理层信息,建立供水管网***水力学模型;
步骤S102、通过数值分析方法,在所述供水管网***水力学模型中求解水力学方程组,求得供水管网各节点流量、压力:
(1)建立仿真分析的管网***拓扑结构图,划分计算单元管段;
(2)假定计算单元管段中无流量流出,只在管段两端节点有流量流出,按照下式分别计算所述计算单元管段两端节点的流量值和压力值:
其中,Q i为节点i的节点流量;q ij为节点i相接的管段流量,流量离开节点为正,流向节点为负;H i、H j为相对某一基准点的节点i、节点j压力值;s ij为节点i到节点j管段的摩阻;q ij(0)为节点i到节点j管段的初步假设流量;n为指数;
步骤S2、采用步骤S1中所述供水管网***水力学模型,模拟漏损位置;
步骤S3、确定供水管网***漏损预警值,并识别管网新增漏损点;
步骤S4、选择适合的管网漏损定位方式,如果记录的真实漏损事件少于K件,则采用步骤S5的水力学计算方式定位漏损位置;如果记录的真实漏损事件大于等于K件,则采用步骤S6的人工智能计算方式定位漏损位置;
步骤S5、采用步骤S1中所述供水管网***水力学模型,定位供水管网漏损位置;
步骤S6、训练人工智能供水管网漏损位置定位模型,并采用所述人工智能供水管网漏损位置定位模型定位供水管网漏损位置;
所述人工智能供水管网漏损位置定位模型的训练包括如下步骤:
在时间段T内,以一定的采样频率对供水管网传感器监测的流量、压力数据进行采集,得到漏损情况下管网传感器监测的流量、压力实测数据,并记录漏损位置;
随机选出实测的上述漏损位置及步骤S2中获得的所述模拟漏损位置中数据合集的80%作为原始训练集,剩余20%的数据作为测试集;
利用所述训练集与测试集,采用深度学习算法,获得人工智能供水管网漏损位置定位模型;
步骤S7、输出计算得到的所述供水管网漏损位置。
2.根据权利要求1所述的方法,其特征在于,步骤S5包括以下步骤:
步骤S501、将新增漏损水量依次假定在供水管网***水力学模型中全部管段剖分的计算单元两端节点上,遍历所述水力学模型中的所有计算单元,求得供水管网各节点流量、压力;
步骤S502、将每次节点压力计算值与供水管网内传感器测得的压力实测值进行对比,吻合度最高的当次计算所假定的节点位置作为自动定位的漏损点位置。
3.根据权利要求1所述的方法,其特征在于,所述步骤S1中,还包括:利用供水管网***内的传感器监测流量及压力数据,对所述供水管网***水力学模型进行修正。
4.根据权利要求1所述的方法,其特征在于,所述步骤S3中,对供水管网新增漏损进行识别具体为:
步骤S301、评估供水管网区域漏失水平,确定合适的漏失预警值,所述漏失预警值可根据下式计算:
其中, Q La 为区域漏失预警值(L/d);L 1为区域干管总长度(m);M为用户连接管数量;L 2为区域用户连接管总长度(m);P为供水压力(m);a为系数,取值范围为18~20;b为系数,取值范围为0.8~1.25;c为系数,取值范围为25~33;d为指数,取值范围为1~1.5;e为管材修正系数;f为管龄修正系数;
步骤S302、管网漏损识别:以一定周期,采集供水管网***内出入口及用户节点处设置的传感器的流量监测数据,计算区域供水与用水的差值Q L,当差值Q L大于Q La,即判断出现新增漏损点。
5.根据权利要求1所述的方法,其特征在于,所述深度学习算法选择随机森林算法,具体步骤为:
步骤1、对于n个训练集,分别训练n个决策树模型,层数为p;
步骤2、对于单个决策树模型,假设训练样本特征的个数为m,那么每次***时根据信息增益比选择最好的特征进行***;
步骤3、每棵树依据以上步骤进行***,直到该节点的所有训练样例都属于同一类;
步骤4、将生成的多棵决策树组成随机森林,由多棵树预测的均值决定预测漏损位置;
步骤5、采用所述测试集中的数据对所述模型进行测试,将预测漏损位置与已知漏损位置做对比:
(1)偏差度≤L’(米),即认为测试合格;
(2)若偏差度>L’(米),则增加层数p,重复步骤2-步骤4;
若测试合格,即认为测试合格;
若测试不合格,则将决策树模型层数p与决策树模型层数py进行比较,若p≤py则增加层数p,重复步骤2-步骤4,直至测试合格;若p>py则延长采集时间段T,重复步骤1-4,直至测试合格。
6.根据权利要求1所述的方法,其特征在于,将新发现漏损点的位置反馈至训练集或测试集,使得人工智能模型随着样本数据量的增长自动提升精度和适应新数据。
7.一种供水管网漏损定位***,包括:感知***、数据传输***、以及漏损定位***,其中,
所述感知***为供水管网***内设置的压力传感器或流量传感器,用于对供水管网出入口、用户节点及重点非用户节点处的压力或流量进行实时监测;
所述数据传输***用于将所述感知***测得的压力或流量数据传输到所述漏损定位***;
所述漏损定位***包括:
数据存储模块,用于存储所述感知***中测得的压力、流量数据,漏损点位置数据;
数值仿真模块,用于构建供水管网***水力学模型,并通过数值分析方法求得供水管网各节点流量、压力;
漏损识别模块,用于利用所述感知***中获得的供水管网流量及压力数据,确定供水管网的漏失预警值,并依据所述漏失预警值及供水管网***内出入口及用户节点处实时流量监测数据,实现新增漏损点识别;
漏损点位置人工智能定位模块,利用所述感知***测得的压力或流量数据、供水管网历史漏损点位置数据,以及由所述数值仿真模块获得的模拟漏损点位置数据,其中随机选取部分数据作为训练集,其余部分的数据作为测试集,训练人工智能模型,获得人工智能供水管网漏损点位置定位模型,并采用所述人工智能供水管网漏损点位置定位模型确定供水管网漏损点位置;
漏损点位置输出模块,输出供水管网漏损点位置。
8.根据权利要求7所述的***,其特征在于,还包括模型校正模块,用于利用所述感知***中获得的供水管网流量及压力数据,对所述供水管网***水力学模型进行实时校正。
9.根据权利要求7所述的***,其特征在于,还包括:
漏损点定位方法选择模块,用于依据记录的真实漏损事件数量,选择采用漏损点位置数值定位模块或漏损点位置人工智能定位模块进行漏损点定位;
漏损点位置数值定位模块,用于采用数值仿真模块中的模型,并采用数值分析方法定位供水管网漏损点位置。
10.根据权利要求7所述的***,所述***与供水管网SCADA***相连接,获得供水管网的漏损情况与漏损点定位后,通过SCADA***远程调节供水管网自控设备。
11.根据权利要求7-10任意一项所述的***,所述***用以实现权利要求1-6中任意一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211060852.0A CN115127037B (zh) | 2022-09-01 | 2022-09-01 | 一种供水管网漏损定位方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211060852.0A CN115127037B (zh) | 2022-09-01 | 2022-09-01 | 一种供水管网漏损定位方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115127037A CN115127037A (zh) | 2022-09-30 |
CN115127037B true CN115127037B (zh) | 2022-11-11 |
Family
ID=83387437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211060852.0A Active CN115127037B (zh) | 2022-09-01 | 2022-09-01 | 一种供水管网漏损定位方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115127037B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114198644B (zh) * | 2021-12-02 | 2024-03-12 | 武汉三环科普睿科技有限公司 | 一种基于dma监测相关流量数据的供水管网探漏管控方法 |
CN117216949B (zh) * | 2023-08-21 | 2024-05-10 | 长江生态环保集团有限公司 | 一种基于深度学习的跨传感器爆管定位域自适应方法 |
CN117369548A (zh) * | 2023-11-03 | 2024-01-09 | 华北水利水电大学 | 智能供水控制***和供水控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BRPI1002159A8 (pt) * | 2010-04-15 | 2021-10-26 | Asel Tech Tecnologia E Automacao Ltda | Sistema integrado com a tecnologia acústica, balanço de massa e rede neural para detecção, localização e quantificação de vazamentos em dutos |
CN102174994B (zh) * | 2011-03-11 | 2012-11-07 | 天津大学 | 城市供水管网事故爆管在线定位*** |
WO2018097746A1 (en) * | 2016-11-28 | 2018-05-31 | Siemens Aktiengesellschaft | Method for detecting abnormal state of a fluid supply network based on pressure pattern analysis |
CN111520615B (zh) * | 2020-04-28 | 2021-03-16 | 清华大学 | 基于线谱对和三次插值搜索的管网漏损识别与定位方法 |
FR3114648B1 (fr) * | 2020-09-25 | 2023-06-23 | Veolia Environnement | Procédé de caractérisation de fuite |
CN112610903A (zh) * | 2020-12-10 | 2021-04-06 | 合肥学院 | 一种基于深度神经网络模型的给水管网泄漏定位方法 |
CN113775939B (zh) * | 2021-07-29 | 2022-12-23 | 河海大学 | 一种供水管网新增漏损的在线识别与定位方法 |
CN114048694B (zh) * | 2021-11-09 | 2024-03-29 | 中船第九设计研究院工程有限公司 | 一种基于物联网和水力模型的漏损定位方法 |
-
2022
- 2022-09-01 CN CN202211060852.0A patent/CN115127037B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115127037A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115127037B (zh) | 一种供水管网漏损定位方法及*** | |
CN109555979B (zh) | 一种供水管网漏损监测方法 | |
CN115545678A (zh) | 一种基于水环境画像与污染物溯源的水质监测方法 | |
CN108320060B (zh) | 一种基于城市供水管网人工水质监测点选址方法 | |
CN101539241B (zh) | 一种管道泄漏监测网络的层级式多源数据融合方法 | |
CN102235575A (zh) | 用于检查管道泄露的数据处理方法及*** | |
CN109376925B (zh) | 供水管网节点流量动态自适应优化方法 | |
US11326977B2 (en) | Efficient method for localizing leaks in water supply pipe network based on valve operations and online water metering | |
CN115127036B (zh) | 一种市政燃气管网漏损定位方法及*** | |
CN102072409B (zh) | 一种结合漏失概率计算与记录仪监测的管网漏失监测方法 | |
WO2023284060A1 (zh) | 一种基于地理三维信息的污水管网流量不确定性分析方法 | |
CN113128709B (zh) | 一种供水管网漏损管理*** | |
CN104930355A (zh) | 适用于城市供水管道***的在线无损检测方法及其装置 | |
CN110929359A (zh) | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 | |
CN115899595B (zh) | 一种智慧燃气管道防腐优化方法、物联网***及存储介质 | |
CN109886506B (zh) | 一种供水管网爆管风险分析方法 | |
CN112097125B (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 | |
CN114048694B (zh) | 一种基于物联网和水力模型的漏损定位方法 | |
CN112985713A (zh) | 基于边缘计算的管网漏损监测方法及*** | |
Liu et al. | Computational intelligence for urban infrastructure condition assessment: Water transmission and distribution systems | |
Kutyłowska | Prediction of failure frequency of water-pipe network in the selected city | |
CN117540329B (zh) | 基于机器学习的排水管网缺陷在线预警方法及*** | |
CN114936505A (zh) | 一种城市雨水井多点位水深快速预报的方法 | |
Jun et al. | Convolutional neural network for burst detection in smart water distribution systems | |
Kizilöz | Prediction of daily failure rate using the serial triple diagram model and artificial neural 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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A leakage location method and system for water supply network Granted publication date: 20221111 Pledgee: Shijiazhuang Luquan Rural Commercial Bank Co.,Ltd. Pledgor: BEIJING YUNLU TECHNOLOGY CO.,LTD. Registration number: Y2024980015341 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |