CN115876409B - 一种污水管道渗漏监控与分析***及方法 - Google Patents
一种污水管道渗漏监控与分析***及方法 Download PDFInfo
- Publication number
- CN115876409B CN115876409B CN202310119877.1A CN202310119877A CN115876409B CN 115876409 B CN115876409 B CN 115876409B CN 202310119877 A CN202310119877 A CN 202310119877A CN 115876409 B CN115876409 B CN 115876409B
- Authority
- CN
- China
- Prior art keywords
- pipeline
- leakage
- monitoring
- sewage
- events
- 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
Images
Landscapes
- Examining Or Testing Airtightness (AREA)
Abstract
本申请公开了一种污水管道渗漏监控与分析***及方法,涉及管道监测技术领域。该***包括:管网监测模块,其用于对管道上的监测点的污水流量进行统计,监测污水流量变化情况;处理预警模块,其用于采集管道的污水渗漏数据,并计算评估管道污水日平均入渗率,根据入渗程度进行预警;分析模块,其用于分析管道发生渗漏的原因。本申请能够有效监控污水管道的渗漏情况,节省大量人力物力成本,提高污水管网的运维效率。
Description
技术领域
本申请属于管道监测技术领域,具体涉及一种污水管道渗漏监控与分析***及方法。
背景技术
污水管道是城镇赖以生存和发展的生命线,但随着污水管道服役时间的增加,管道会出现腐蚀、老化等状况以及受到自然环境的影响,导致管道产生不同程度的渗漏。
另外,由于城市地下管网不断延伸并且趋于复杂化,且污水管网重建设、轻管理,导致污水管网运行管理效率低下。因此,如何准确有效监控污水管道的渗漏,并能够快速辨识管道渗漏及朔源分析,为污水管道渗漏应急处理、渗漏排查提供有效的参考意见,成为目前亟需解决的技术问题。
发明内容
本申请实施例的目的是提供一种污水管道渗漏监控与分析***及方法,其能够有效监控污水管道的渗漏情况,节省大量人力物力成本,提高污水管网的运维效率,进而可以解决背景技术中涉及的至少一个技术问题。
为了解决上述技术问题,本申请是这样实现的:
本申请实施例提供了一种污水管道渗漏监控与分析***,包括:
管网监测模块,其用于对管道上的监测点的污水流量进行统计,监测污水流量变化情况;
处理预警模块,其用于采集管道的污水渗漏数据,并计算评估管道污水日平均入渗率,根据入渗程度进行预警;以及
分析模块,其用于分析管道发生渗漏的原因。
可选的,所述管网监测模块包括:
数据监测单元,其用于根据管道历史渗漏数据,结合管道节点和穿河管水质采样点确定监测点位,然后采用传感式液位监测仪对管道内部污水流量进行监控,得到流量数据;
数据共享单元,其用于传输流量数据。
可选的,所述管道包括主干管和截污干管;所述管道节点包括主干管交汇点、中间节点,主要支管节点以及截污干管关键节点。
可选的,所述处理预警模块包括:
入渗计算模块,其采用夜间最小流量法对管道渗漏情况进行评估,并计算管道日平均入渗率;
预警模块,其根据日平均入渗率对入渗程度进行分级,并根据入渗程度发出警告。
可选的,所述入渗程度包括正常、一般、严重以及非常严重四级。
可选的,所述分析模块包括:
渗漏分析模块,其应用GeNIe软件基于事故树改进的动态贝叶斯网络进行分析,研究渗漏的主要原因;
数据存储模块,其用于存储管道渗漏信息与管道渗漏原因分析结果。
本申请实施例还提供了一种基于所述的污水管道渗漏监控与分析***的污水管道渗漏监控与分析方法,包括:
以管道发生渗漏事件为目标建立事故树;
将事故树转换为动态贝叶斯网络进行分析;
按照渗漏真实场景综合多源信息进行状态调整,对动态贝叶斯网络进行参数修正;
通过GeNIe软件计算出事故树各基本事件的后验概率,并分析管道渗漏的主要原因;
利用GeNIe软件进行灵敏度及影响力分析。
可选的,所述以管道发生渗漏事件为目标建立事故树,包括:
确定顶事件“管道渗漏”,以及各中间事件、基本事件及事件间逻辑关系;
对顶事件“管道渗漏”进行可能性分析,建立事故树。
可选的,将事故树转换为动态贝叶斯网络,包括:
根据事故树与动态贝叶斯网络之间的映射关系,将事故树转换为动态贝叶斯网络,具体转化过程为:
对于事故树中的基本事件和中间事件,在动态贝叶斯网络中建立1个根节点,并根据该事件名称命名,重复事件只需建立1个节点;
按照事故树中基本事件或中间事件的失效概率确定动态贝叶斯网络中根节点的先验分布;
按照事故树中顶事件、中间事件及基本事件之间的连接关系建立动态贝叶斯网络中节点之间的连接;
对于事故树中的逻辑门,在动态贝叶斯网络中按照逻辑关系将其转换为对应的条件概率分布。
可选的,所述通过GeNIe软件计算出事故树各基本事件的后验概率,包括:
将通过历史数据和专家打分得到的先验概率值,以及条件概率表中的数值添加到GeNIe软件中,通过GeNIe软件计算出事故树各基本事件的后验概率。
本申请实施例提供了一种电子设备,该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现所述的方法的步骤。
本申请实施例提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现所述的方法的步骤。
本申请的有益效果如下:
能够有效监控污水管道的渗漏情况,节省大量人力物力成本,提高污水管网的运维效率。
附图说明
图1是本申请实施例提供的一种污水管道渗漏监控与分析***的结构框架图;
图2是本申请实施例提供的污水管道渗漏监控与分析方法的流程示意图;
图3是本申请实施例提供的基本事件图;
图4是本申请实施例提供的事故树中与门对应的贝叶斯网络拓扑结构及条件概率分布图;
图5是本申请实施例提供的事故树中或门对应的贝叶斯网络拓扑结构及条件概率分布图。
实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的基于家庭物品语义知识的服务意图识别方法进行详细地说明。
请参见图1,是本申请实施例提供的一种污水管道渗漏监控与分析***,包括管网监测模块1、处理预警模块2以及分析模块3。
所述管网监测模块1用于对管道上的监测点的污水流量进行统计,监测污水流量变化情况。具体的,所述管道包括主干管和截污干管。
所述管网监测模块1包括数据监测单元11和数据共享单元12。
所述数据监测单元11用于根据管道历史渗漏数据,结合管道节点和穿河管水质采样点确定监测点位,然后采用传感式液位监测仪对管道内部污水流量进行监控,得到流量数据。
具体的,所述管网监测模块1采用超声波与压力(雷达)组合的传感式液位监测仪对管道内部流量进行监控。所述管道节点包括主干管交汇点、中间节点,主要支管节点以及截污干管关键节点。
所述数据共享单元12用于传输流量数据。具体的,所述数据共享单元12采用无线传输的方式进行数据传输,从而将流量数据传输给所述处理预警模块2。
所述处理预警模块2用于采集管道的污水渗漏数据,并计算评估管道污水日平均入渗率,根据入渗程度进行预警。
所述处理预警模块2包括入渗计算模块21和预警模块22。
所述入渗计算模块21采用夜间最小流量法对管道渗漏情况进行评估,并计算管道日平均入渗率。
所述预警模块22根据日平均入渗率对入渗程度进行分级,并根据入渗程度发出警告,这样,市政相关部门根据警告情况采取对应措施。具体的 ,所述入渗程度包括正常、一般、严重以及非常严重四级。
所述分析模块3用于分析管道发生渗漏的原因。
所述分析模块3包括渗漏分析模块31和数据存储模块32。
所述渗漏分析模块31应用GeNIe软件基于事故树改进的动态贝叶斯网络进行分析,研究渗漏的主要原因。
所述数据存储模块32用于存储管道渗漏信息与管道渗漏原因分析结果,供技术人员调用。
请结合图2所示,本申请实施例还提供了一种基于所述的污水管道渗漏监控与分析***的污水管道渗漏监控与分析方法,包括如下步骤:
S1、以管道发生渗漏事件为目标建立事故树,包括:
确定顶事件“管道渗漏”,以及各中间事件,基本事件及事件间逻辑关系,并根据专家打分及工程经验确定各基本事件的先验概率。如表1所示:
表1 管道失效泄漏故障树
再结合图3所示,通过以“管道泄漏”为顶事件进行可能性分析,构建了该事故的事故树,共找出包含“管道腐蚀”,“外力作用”,“管道缺陷”,“设计不合理”,“维护不当”等16个中间事件,包含“沿线荷载较重X1”,“违章施工X4”,“管壁有伤痕X13”、“pH值低X23”等28个基本事件。
S2、将事故树转换为动态贝叶斯网络进行分析,包括:
根据事故树与动态贝叶斯网络之间的映射关系:事件-节点、逻辑门-条件概率,将事故树转换为动态贝叶斯网络,具体转化过程为:
对于事故树中的基本事件和中间事件,在动态贝叶斯网络中建立1个根节点,并根据该事件名称命名,重复事件只需建立1个节点;
按照事故树中基本事件或中间事件的失效概率确定动态贝叶斯网络中根节点的先验分布;
按照事故树中顶事件、中间事件及基本事件之间的连接关系建立动态贝叶斯网络中节点之间的连接;
对于事故树中的逻辑门,在动态贝叶斯网络中按照逻辑关系将其转换为对应的条件概率分布。
S3、按照渗漏真实场景综合多源信息进行状态调整,对动态贝叶斯网络进行参数修正,包括:
在事故树分析中,逻辑门表达的是一种确定性的关系,且为二值性。例如含有顶事件
T,子事件
X 1,子事件
X 2的或门逻辑关系中,任意一个子事件发生
X 1,
X 2发生,则顶事件T必然会发生。这与实际情况并不相符,实际情况下多数处于一种模糊状态,即有一定的可能性发生或不发生,假如事件
X 1和事件
X 2都发生,顶事件T也有可能不发生。相应地,在事件
X 1和事件
X 2都不发生的情况下,事件T也有可能发生。而在动态贝叶斯网络分析中只需调整条件概率分布即可表达这种不确定性的逻辑关系。
以含有顶事件
T,子事件
X 1,子事件
X 2的与/或门逻辑关系为例,将该事故树的与/或门转化为动态贝叶斯网络拓扑结构的条件概率分布图,如图4和5所示。
对贝叶斯网络进行参数修正,包括:
通过专家打分、历史数据等方式来对概率值进行修订,以含有顶事件
T,子事件
X 1,子事件
X 2的与/或门逻辑关系为例,改进后与/或门条件概率,参见表2所示:
表2 动态贝叶斯网络改进后的与或门条件概率
附图4为事故树中与门对应的贝叶斯网络拓扑结构,当子事件
X 1、
X 2同时发生,顶事件T发生(即T=1)的条件概率为1,即P(T=1/
X 1=1,
X 2=1)=1;当子事件
X 1、
X 2不同时发生,顶事件T发生(即T=1)的条件概率为0,即P(T=1/其他)=0。
附图5为事故树中或门对应的贝叶斯网络拓扑结构,当子事件
X 1、
X 2同时不发生,顶事件T发生(即T=1)的条件概率为0,即P(T=1/
X 1=0,
X 2=0)=0;当子事件
X 1、
X 2至少有一个发生,顶事件T发生(即T=1)的条件概率为1,即P(T=1/其他)=1。
S4、通过GeNIe软件计算出事故树各基本事件的后验概率,并分析管道渗漏的主要原因,包括:
将通过历史数据和专家打分得到的先验概率值,以及条件概率表中的数值添加到GeNIe软件中,通过GeNIe软件计算出事故树各基本事件的后验概率,进一步包括:
在GeNIe软件中假定管道渗漏事故状态为未发生/已发生,即“state=0”(对应入渗率小于或等于10%),“state=1”(对应入渗率大于10%)。利用反向推理,求出各基事件的后验概率。
S5、利用GeNIe软件进行灵敏度及影响力分析,包括:
贝叶斯网络的灵敏性分析是研究模型局部参数或证据微小变化对于目标结点所产生的影响,以发现复杂***的重要参数和结构。贝叶斯网络的影响力分析是研究节点间的相互影响程度。与贝叶斯网络结构和先验概率有关。目的在于找出导致事故发生的最可能途径。
下面以具体实施例1对本申请提供的基于所述的污水管道渗漏监控与分析方法进行详细说明。
实施例
本申请采用夜间最小流量法对排水管道地下水入渗量进行研究。
本次研究监测所得数据,需满足源头为小区地块、地下水位高于敷管深度、排水规律性较强、非降雨时段地下水入渗量全天为恒定值、在凌晨03:00—05: 00排水***内污废水流入量较少、管道充满度小于0.1的数据分析需要。
通过实测掌握夜间(凌晨03:00—05: 00)最小用水量数据
A 1/(m3),将其从夜间最小流量
A 2 /(m3)中扣除,可得到污水***的日均地下水入渗量
D/(m3·d-1),即
D=(
A 2 -
A 1)*12。
收集日均累计流量数据A/(m3·d-1)并计算日均入渗率
ψ/%,即
Ψ=(
D/
A)*100%。
根据日平均入渗率对入渗程度进行划分,其中
ψ<10%,入渗程度正常;
ψ=10%~30%,入渗程度一般;
ψ=30%~50% ,入渗程度严重; ψ>50%,入渗程度非常严重。
处理预警模块中的入渗计算模块根据管网监测模块传输的数据自动计算入渗率,并根据入渗程度进行上报预警。当入渗率小于10%,预警模块不发出警报;当入渗率介于10%~30%之间,预警模块发出警报并将报警信息传送到管理人员的通讯设备中;当入渗率介于30%~50%之间,预警模块发出警报并于入渗率每上升5%发出一次报警;当入渗率达到50%,预警模块处于持续报警状态。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (8)
1.一种污水管道渗漏监控与分析方法,其特征在于,基于污水管道渗漏监控与分析***实现,该***包括:管网监测模块,其用于对管道上的监测点的污水流量进行统计,监测污水流量变化情况;
处理预警模块,其用于采集管道的污水渗漏数据,并计算评估管道污水日平均入渗率,根据入渗程度进行预警;以及
分析模块,其用于分析管道发生渗漏的原因;
该方法包括:
以管道发生渗漏事件为目标建立事故树;
将事故树转换为动态贝叶斯网络进行分析,包括:
根据事故树与动态贝叶斯网络之间的映射关系,将事故树转换为动态贝叶斯网络,具体转化过程为:
对于事故树中的基本事件和中间事件,在动态贝叶斯网络中建立1个根节点,并根据事件名称命名,重复事件只需建立1个节点;
按照事故树中基本事件或中间事件的失效概率确定动态贝叶斯网络中根节点的先验分布;
按照事故树中顶事件、中间事件及基本事件之间的连接关系建立动态贝叶斯网络中节点之间的连接;
对于事故树中的逻辑门,在动态贝叶斯网络中按照逻辑关系将其转换为对应的条件概率分布;
按照渗漏真实场景综合多源信息进行状态调整,对动态贝叶斯网络进行参数修正;
通过GeNIe软件计算出事故树各基本事件的后验概率,并分析管道渗漏的主要原因;
利用GeNIe软件进行灵敏度及影响力分析。
2.根据权利要求1所述的方法,其特征在于,所述以管道发生渗漏事件为目标建立事故树,包括:
确定顶事件“管道渗漏”,以及各中间事件、基本事件及事件间逻辑关系;
对顶事件“管道渗漏”进行可能性分析,建立事故树。
3.根据权利要求1所述的方法,其特征在于,所述通过GeNIe软件计算出事故树各基本事件的后验概率,包括:
将通过历史数据和专家打分得到的先验概率值,以及条件概率表中的数值添加到GeNIe软件中,通过GeNIe软件计算出事故树各基本事件的后验概率。
4.根据权利要求1所述的方法,其特征在于,所述管网监测模块包括:
数据监测单元,其用于根据管道历史渗漏数据,结合管道节点和穿河管水质采样点确定监测点位,然后采用传感式液位监测仪对管道内部污水流量进行监控,得到流量数据;
数据共享单元,其用于传输流量数据。
5.根据权利要求1所述的方法,其特征在于,所述管道包括主干管和截污干管;所述管道节点包括主干管交汇点、中间节点,主要支管节点以及截污干管关键节点。
6.根据权利要求1所述的方法,其特征在于,所述处理预警模块包括:
入渗计算模块,其采用夜间最小流量法对管道渗漏情况进行评估,并计算管道日平均入渗率;
预警模块,其根据日平均入渗率对入渗程度进行分级,并根据入渗程度发出警告。
7.根据权利要求1所述的方法,其特征在于,所述入渗程度包括正常、一般、严重以及非常严重四级。
8.根据权利要求1所述的方法,其特征在于,所述分析模块包括:
渗漏分析模块,其应用GeNIe软件基于事故树改进的动态贝叶斯网络进行分析,研究渗漏的主要原因;
数据存储模块,其用于存储管道渗漏信息与管道渗漏原因分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310119877.1A CN115876409B (zh) | 2023-02-16 | 2023-02-16 | 一种污水管道渗漏监控与分析***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310119877.1A CN115876409B (zh) | 2023-02-16 | 2023-02-16 | 一种污水管道渗漏监控与分析***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115876409A CN115876409A (zh) | 2023-03-31 |
CN115876409B true CN115876409B (zh) | 2023-05-16 |
Family
ID=85761174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310119877.1A Active CN115876409B (zh) | 2023-02-16 | 2023-02-16 | 一种污水管道渗漏监控与分析***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115876409B (zh) |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7158958B2 (en) * | 2003-12-24 | 2007-01-02 | The Boeing Company | Automatic generation of baysian diagnostics from fault trees |
CN108871463A (zh) * | 2018-05-01 | 2018-11-23 | 天津格瑞安环保科技有限公司 | 污水管网地下水入渗量分析方法 |
WO2020041956A1 (zh) * | 2018-08-28 | 2020-03-05 | 大连理工大学 | 一种基于贝叶斯与故障树的数控机床可靠性评价方法 |
CN111667168B (zh) * | 2020-06-04 | 2024-01-23 | 同济大学 | 一种基于液位监测诊断排水***运行状态的方法 |
CN212620879U (zh) * | 2020-08-21 | 2021-02-26 | 北控水务(中国)投资有限公司 | 一种市政污水管网健康状况的监控设备 |
CN112330161A (zh) * | 2020-11-09 | 2021-02-05 | 中国民航大学 | 一种基于贝叶斯网络的物流无人机失效风险评估方法 |
CN113111478B (zh) * | 2021-05-13 | 2024-02-20 | 北控水务(中国)投资有限公司 | 排水***管网混接与入流、入渗程度的评估方法及设备 |
CN113392523B (zh) * | 2021-06-14 | 2022-08-16 | 云南省设计院集团有限公司 | 一种基于长历时多测点的污水管网健康状况诊断方法 |
WO2023284060A1 (zh) * | 2021-07-12 | 2023-01-19 | 浙江大学 | 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 |
CN113803646B (zh) * | 2021-09-01 | 2023-04-07 | 长江生态环保集团有限公司 | 适用于缺陷管道排查的排水管网监测布点方法 |
CN114219334A (zh) * | 2021-12-20 | 2022-03-22 | 中国石油天然气股份有限公司 | 一种基于遗传算法的贝叶斯网络天然气管道泄漏概率计算方法 |
CN115525691A (zh) * | 2022-03-14 | 2022-12-27 | 上海上实龙创智能科技股份有限公司 | 污水监控***及方法 |
CN115577506B (zh) * | 2022-09-22 | 2023-08-25 | 长江生态环保集团有限公司 | 污水管网问题预诊断及精准排查的方法 |
-
2023
- 2023-02-16 CN CN202310119877.1A patent/CN115876409B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115876409A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Benedetti et al. | Modelling and monitoring of integrated urban wastewater systems: review on status and perspectives | |
CN108376318B (zh) | 一种排水管网入流入渗评估方法及*** | |
CN115545678A (zh) | 一种基于水环境画像与污染物溯源的水质监测方法 | |
CN109114430A (zh) | 一种城市排水管网在线监测*** | |
CN105157756A (zh) | 一种污染源防偷排控制方法及装置 | |
CN111501953A (zh) | 排水管网的异常分析方法、***、介质及设备 | |
CN113985197B (zh) | 一种水务***设备故障的事件触发异步检测方法 | |
CN113011903A (zh) | 基于gis和水力模型的水污染精准溯源方法 | |
KR20100069397A (ko) | 유역의 물 순환관리 시스템 | |
CN113282577B (zh) | 污水管网的监测方法、装置、电子设备及存储介质 | |
CN112330491A (zh) | 一种基于智慧水务的供排水*** | |
CN109272254A (zh) | 一种污水零直排综合监测*** | |
CN116029460A (zh) | 一种基于大数据的市政建筑工程节水管理平台 | |
CN117072883A (zh) | 一种基于物联网技术的城市排水管网远程监测维护*** | |
Chughtai et al. | Sewer pipeline operational condition prediction using multiple regression | |
Flores et al. | Assessment of flood risk in Mediterranean catchments: an approach based on Bayesian networks | |
Ma et al. | A state-of-the-art review for the prediction of overflow in urban sewer systems | |
Liu et al. | Exploiting a real-time self-correcting digital twin model for the middle route of the south-to-north water diversion project of china | |
CN115876409B (zh) | 一种污水管道渗漏监控与分析***及方法 | |
Sempere-Payá et al. | ICT as an enabler to smart water management | |
Liu et al. | City pipe network intelligent service based on GIS and internet of things | |
CN212620879U (zh) | 一种市政污水管网健康状况的监控设备 | |
TWM607552U (zh) | 下水道智能監測暨控制系統 | |
Streftaris et al. | Modeling probability of blockage at culvert trash screens using Bayesian approach | |
KR101849681B1 (ko) | 비정상 상황을 고려한 sd 기반 다중수원 워터루프 수운영 시스템 |
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 |