CN116628914B - 一种排水管网入流入渗分析方法、计算机设备及介质 - Google Patents
一种排水管网入流入渗分析方法、计算机设备及介质 Download PDFInfo
- Publication number
- CN116628914B CN116628914B CN202310906318.5A CN202310906318A CN116628914B CN 116628914 B CN116628914 B CN 116628914B CN 202310906318 A CN202310906318 A CN 202310906318A CN 116628914 B CN116628914 B CN 116628914B
- Authority
- CN
- China
- Prior art keywords
- inflow
- infiltration
- information
- pipe network
- drainage pipe
- 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
- 230000008595 infiltration Effects 0.000 title claims abstract description 383
- 238000001764 infiltration Methods 0.000 title claims abstract description 383
- 238000004458 analytical method Methods 0.000 title claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 132
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000012544 monitoring process Methods 0.000 claims abstract description 61
- 239000003673 groundwater Substances 0.000 claims abstract description 48
- 238000005192 partition Methods 0.000 claims abstract description 38
- 238000010586 diagram Methods 0.000 claims abstract description 36
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 31
- 231100000719 pollutant Toxicity 0.000 claims abstract description 31
- 239000010865 sewage Substances 0.000 claims description 66
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 40
- 238000004088 simulation Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 26
- 230000035515 penetration Effects 0.000 claims description 25
- 238000012216 screening Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 21
- 229910052757 nitrogen Inorganic materials 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 238000011144 upstream manufacturing Methods 0.000 claims description 14
- 238000012876 topography Methods 0.000 claims description 13
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 239000000356 contaminant Substances 0.000 claims description 10
- 241000588724 Escherichia coli Species 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000002550 fecal effect Effects 0.000 description 10
- 238000000342 Monte Carlo simulation Methods 0.000 description 9
- 230000005484 gravity Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000010842 industrial wastewater Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 241000495778 Escherichia faecalis Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006722 reduction reaction Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000003657 drainage water Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06F30/28—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fluid Mechanics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Sewage (AREA)
Abstract
本发明涉及水环境信息处理技术领域,提供了一种排水管网入流入渗分析方法、计算机设备及介质。其中,排水管网入流入渗分析方法,包括:获取排水管网的拓扑结构图和点云地形数据;根据拓扑结构图和点云地形数据,对排水管网划分,得到多个排水分区;根据各排水分区、排水管网中入流入渗数据,确定排水管网的关键监测节点;在关键监测节点,监测排水管网中入流污染物和入渗地下水的信息。通过本发明,准确划分排水分区,提高入流入渗分析效率。
Description
技术领域
本发明涉及水环境信息处理技术领域,尤其涉及一种排水管网入流入渗分析方法、计算机设备及介质。
背景技术
现有技术中,在对排水管网进行污染物入流入渗分析时,仅仅依赖管网信息或者GIS数据对排水管网进行划分。在利用管网信息进行划分时,没有结合地形、高程等信息,无法真实反映雨污水走向,造成排水分区不精确。在基于GIS数据进行排水分区时,只能表达全部地表低洼空间填满后(即最不利情景)的排水分区范围,无法反映城市下凹桥等积水易涝点在不同降雨条件下对于排水分区的影响,同样存在对排水分区划分不精准的缺陷。当排水分区不准确时,后续排水管网的入流入渗分析结果也会受到影响。
此外,在对排水管网进行污染物入流入渗分析过程中,还需要确定关键监测节点,相关技术中仅依据经验将排水管网的干管、次干管及其与支管相联结的地方确认为关键监测节点,这种方法会造成关键监测节点的多选或少选,影响入流入渗分析效率与精确度。同时,目前相关技术仅依据排水管网的液位和电导率数据判断管网入流入渗位置,难以全方位判断入流入渗强度、时间等信息,未达到污染物入流入渗预测分析效果。
发明内容
为准确划分排水分区,提高入流入渗分析效率,本发明提出了一种排水管网入流入渗分析方法、计算机设备及介质。
第一方面,本发明提供了一种排水管网入流入渗分析方法,方法包括:
获取排水管网的拓扑结构图和点云地形数据;
根据拓扑结构图和点云地形数据,对排水管网划分,得到多个排水分区;
根据各排水分区、排水管网中入流入渗的数据,确定排水管网的关键监测节点;
在关键监测节点,监测排水管网中入流污染物或入渗地下水的信息。
考虑到相关技术中,在划分排水分区时,仅仅依赖排水管网信息或者GIS数据,没有结合排水管网的地形等信息,无法真实反映雨污水走向,导致排水分区划分不准确,当排水分区不准确时,根据排水分区得到的关键监测节点也会受到影响,进而导致排水管网的入流入渗信息的不精确,通过本发明提供的方法,点云数据中包含了排水管网的地形条件等信息,运用点云地形数据对排水管网进行划分,可以更加准确的模拟复杂地形条件下的地面径流通道以及雨污水自流过程,从而达到精准划分得到排水分区的效果,进而确定关键监测节点,以监测入流污染物或入渗地下水的信息,提高监测效率。
在一些可选实施方式中,获取排水管网的拓扑结构图的步骤包括:
获取排水管网的管网信息的矢量图;
根据矢量图,确定拓扑结构。
通过上述实施方式,矢量图中包括有排水管网的排水体制、管道连接关系等信息,通过包含有排水管网的管网信息矢量图,可以转化得到管道的拓扑结构。
在一些可选实施方式中,获取排水管网的点云地形数据的步骤包括:
获取排水管网所处位置的数字高程模型和数字地表模型;
根据数字高程模型和数字地表模型,获取排水管网的点云地形数据。
通过上述实施方式,数字高程模型描述了排水管网的高程信息,数字地表模型描述了排水管网的地形信息,根据高程信息和地形信息有利于快速识别污水的自流方向,根据高程信息和地形信息形成点云数据,相较于传统测绘地形数据,准确性更高。
在一些可选实施方式中,根据拓扑结构图和点云地形数据,对排水管网划分,得到多个排水分区,包括:
根据拓扑结构图、点云地形数据,以及基于数字高程模型和数字地表模型形成的二维水力学模型,模拟排水管网的雨污水自流过程;
根据雨污水自流过程,确定在排水管网中的雨污水走向;
根据雨污水走向,对排水管网划分,得到多个排水分区。
通过上述实施方式,将拓扑结构图、点云地形数据输入至二维水力学模型,模拟得到雨污水自流过程,根据雨污水自流过程确定雨污水走向,使得得到的排水分区更加准确。
在一些可选实施方式中,入流入渗数据包括第一入流入渗信息和第一入流入渗信息对应的后验概率密度,第一入流入渗信息包括入流入渗位置,根据各排水分区、排水管网中入流入渗的数据,确定排水管网的关键监测节点,包括:
获取排水管网中的第一入流入渗信息和第一入流入渗信息对应的后验概率密度;
根据预设置信区间和后验概率密度,对第一入流入渗信息中的入流入渗位置进行筛选,得到筛选后的入流入渗位置;
确定筛选后的入流入渗位置在所属的排水分区中的上游节点和下游节点;
将上游节点和下游节点作为排水管网的关键监测节点。
通过上述实施方式,利用排水管网的污染物入流入渗位置和对应的后验概率密度,筛选入流入渗位置,根据获得的入流入渗位置所在排水分区的上下游节点确定关键监测节点,既克服了现有技术依赖经验等设立关键监测节点导致的节点设立不准确、影响入流入渗分析效果,又克服了现有技术中大量设立关键监测节点导致的监测资源浪费问题,提高入流入渗分析效率。
在一些可选实施方式中,在关键监测节点,监测排水管网中入流污染物或入渗地下水的信息,包括:
在关键监测节点,利用化学平衡法,计算分析排水管网中入流污染物或入渗地下水的信息。
在一些可选实施方式中,获取排水管网中的第一入流入渗信息和第一入流入渗信息对应的第后验概率密度,包括:
确定排水管网的入流入渗水质特征因子的第二入流入渗信息;
采集入流入渗水质特征因子在排水管网末端位置的第一实际浓度;
将第二入流入渗信息作为先验分布参数,根据第一实际浓度,确定排水管网中的第一入流入渗信息及第一入流入渗信息对应的后验概率密度。
考虑到相关技术中,在水质监测过程中遍历所有管网节点,开展大范围水质监测,进而导致监测投入成本过高,通过上述实施方式,利用贝叶斯理论,将第二入流入渗信息作为先验分布参数,并将其表达为概率密度函数的形式,结合在排水管网末端采集到的实际浓度,从而获得入流入渗的信息以及对应的后验概率密度,相较于相关技术遍历所有管网节点进行水质监测,提高污染物溯源效率,降低监测投入成本,同时,在第二入流入渗信息的基础上,计算得到的第一入流入渗信息及后验概率密度更加准确。
在一些可选实施方式中,确定排水管网的入流入渗水质特征因子的第二入流入渗信息,包括:
采集多个预设区域在不同时刻的污水或地下水的样品;
获取各样品的入流入渗水质特征因子浓度;
根据各入流入渗水质特征因子浓度,确定第三入流入渗信息;
采集入流入渗水质特征因子在排水管网末端位置的第二实际浓度;
根据第二实际浓度和一维水质模拟模型,筛选第三入流入渗信息,得到第二入流入渗信息。
通过上述实施方式,采集不同时间不同位置处的污水或地下水样品以获得第三入流入渗信息,同时利用排水管网末端位置实际浓度和一维水质模拟模型对第三入流入渗信息进行筛选,使得得到的第二入流入渗信息更加准确、更符合管网收水区域的实际情况,进而将第二入流入渗信息作为先验分布参数进行计算时,得到的第一入流入渗信息及对应的后验概率密度更加准确。
在一些可选实施方式中,入流入渗信息包括入流入渗水质特征因子的多个入流入渗浓度,以及各入流入渗浓度对应的入流入渗时间和入流入渗位置,根据第二实际浓度和一维水质模拟模型,筛选第三入流入渗信息,得到第二入流入渗信息,包括:
对第三入流入渗信息中各入流入渗浓度进行均匀取样,获得多个取样后的入流入渗浓度;
根据取样后的入流入渗浓度和一维水质模拟模型,计算排水管网末端位置的各模拟浓度;
根据各模拟浓度和第二实际浓度,筛选第三入流入渗信息,得到第二入流入渗信息。
在一些可选实施方式中,根据各模拟浓度和第二实际浓度,筛选第三入流入渗信息,得到第二入流入渗信息,包括:
计算各模拟浓度和第二实际浓度的拟合度;
将拟合度大于预设阈值对应的各入流入渗浓度,作为筛选后的入流入渗浓度;
将筛选后的入流入渗浓度,以及筛选后的入流入渗浓度对应的入流入渗时间和入流入渗位置,作为第二入流入渗信息。
在一些可选实施方式中,入流入渗信息包括入流入渗水质特征因子的多个入流入渗浓度,以及各入流入渗浓度对应的入流入渗时间和入流入渗位置,将第二入流入渗信息作为先验分布参数,根据第一实际浓度,确定排水管网中的第一入流入渗信息及第一入流入渗信息对应的后验概率密度,包括:
将第二入流入渗信息中的各入流入渗浓度输入至一维水质模拟模型,确定第一入流入渗信息,以及第一入流入渗信息对应的排水管网末端位置的模拟浓度;
将第二入流入渗信息作为先验分布参数,将第一入流入渗信息对应的排水管网末端位置的模拟浓度、第一实际浓度,输入至预构建的后验概率密度函数,得到第一入流入渗信息对应的后验概率密度。
在一些可选实施方式中,入流入渗水质特征因子包括入流污染物水质特征因子,排水管网的污染源包括生活污染源,和/或,工业污染源;
生活污染源的入流污染物水质特征因子包括粪大肠杆菌,和/或,总氮;
工业污染源的入流污染物水质特征因子包括电导率,和/或,氟化物。
在一些可选实施方式中,入流入渗水质特征因子包括入渗地下水水质特征因子,入渗地下水水质特征因子包括粪大肠杆菌,和/或,总氮。
通过上述实施方式,入流入渗水质特征因子是依据排水分区内的污染源类型选取的,生活污染源以粪大肠杆菌指数、总氮等作为入流污染源水质特征因子,工业污染源以电导率、氟化物等作为入流污染源水质特征因子,入渗地下水以粪大肠杆菌指数、总氮作为水质特征因子。考虑到粪大肠杆菌指数、总氮、电导率、氟化物为较为稳定、指示性较好的特征因子,因此将其作为入流入渗水质特征因子,可有效避免污染物输送过程中降解、氧化、还原等反应对污染物入流入渗分析产生影响,也可有效识别不同类型排水管网中的污染源,避免结果产生较大误差。
第二方面,本发明还提供了一种计算机设备,包括存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行第一方面或第一方面的任一实施方式的排水管网入流入渗分析方法的步骤。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现第一方面或第一方面的任一实施方式的排水管网入流入渗分析方法的步骤。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例提出的一种排水管网入流入渗分析方法的流程图;
图2为根据一示例性实施例提出的一种排水管网入流入渗分析装置的结构示意图;
图3是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
为准确划分排水分区,提高入流入渗分析效率,本发明提出了一种排水管网入流入渗分析方法、计算机设备及介质。
图1是根据一示例性实施例提出的一种排水管网入流入渗分析方法的流程图,该方法包括如下步骤。
步骤S101:获取排水管网的拓扑结构图和点云地形数据。
在一可选实施例中,拓扑结构图可以通过排水管网的管网信息获得。
在一可选实施例中,点云地形数据可以从无人机机载高精细雷达获得。
步骤S102:根据拓扑结构图和点云地形数据,对排水管网划分,得到多个排水分区。
在一可选实施例中,拓扑结构图中包含了排水管网的管道结构,点云地形数据包含了排水管网所处的高程信息和地表信息,结合排水管网的管道结构、高程信息和地表信息,对排水管网进行划分,使得得到的排水分区更加贴合实际的污水流向。
步骤S103:根据各排水分区、排水管网中入流入渗的数据,确定排水管网的关键监测节点。
在一可选实施例中,排水管网中入流入渗的数据包括入流入渗信息及入流入渗信息对应的后验概率密度,其中入流入渗信息包括入流污染物信息、入渗地下水信息。入流入渗信息包括但不限于入流入渗位置、入流入渗时间和入流入渗浓度。
在一可选实施例中,当入流入渗信息为入流入渗位置时,通过确定入流入渗位置在排水分区中的上游节点和下游节点,得到排水管网的关键监测节点。
步骤S104:在关键监测节点,监测排水管网中入流污染物或入渗地下水的信息。
在一可选实施例中,可以采用化学平衡法监测得到准确的排水管网的入流污染物或入渗地下水的信息。
考虑到相关技术中,在划分排水分区时,仅仅依赖排水管网信息或者GIS数据,没有结合排水管网的地形等信息,无法真实反映雨污水走向,导致排水分区划分不准确,当排水分区不准确时,根据排水分区得到的关键监测节点也会受到影响,进而导致排水管网的入流污染物或入渗地下水的信息不精确,通过本发明提供的方法,点云地形数据中包含了排水管网的地形条件等信息,运用点云地形数据对排水管网进行划分,可以更加准确的模拟复杂地形条件下的地面径流通道以及雨污水自流过程,从而达到精准划分得到排水分区,进而确定关键监测节点,以监测入流污染物或入渗地下水的信息,提高监测效率。
在一示例中,在步骤S101中,通过如下方式获取排水管网的拓扑结构图:
首先,获取排水管网的管网信息的矢量图。
在一可选实施例中,管网信息包括但不限于排水体制、管道类型、管道连接关系、雨污水走向、管径、泵站规模等。
然后,根据矢量图,确定拓扑结构。
在一可选实施例中,通过暴雨洪水管理模型(storm water management model,SWMM)等软件,可以将上述矢量图中的排水管网的排水体制、管道连接关系等信息转化为排水管网的拓扑结构。
在一示例中,在步骤S101中,获取排水管网的点云地形数据的步骤具体为:
首先,获取排水管网所处位置的数字高程模型和数字地表模型。
在一可选实施例中,数字高程模型(Digital Elevation Model,DEM)是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达),它是用一组有序数值阵列形式表示地面高程的一种实体地面模型。
在一可选实施例中,数字地表模型(Digital Surface Model,DSM)是指包含了地表坡度、建筑物、桥梁和树木等高度的地面高程模型。和DEM相比,DEM只包含了地形的高程信息,并未包含其它地表信息,DSM涵盖了除地面以外的其它地表信息的高程,表达地面起伏情况。
然后,根据数字高程模型和数字地表模型,获取排水管网的点云地形数据。
数字高程模型描述了排水管网的高程信息,数字地表模型描述了排水管网的地面信息,根据高程信息和地形信息有利于快速识别污水的自流方向,根据高程信息和地形信息形成点云数据,相较于传统测绘地形数据,准确性更高。
在一示例中,在步骤S102中,根据拓扑结构图和点云地形数据,得到多个排水分区的具体实现方式为:
首先,根据拓扑结构图、点云地形数据,以及基于数字高程模型和数字地表模型形成的二维水力学模型,模拟排水管网的雨污水自流过程。
然后,根据雨污水自流过程,确定在排水管网中的雨污水走向。
最后,根据雨污水走向,对排水管网划分,得到多个排水分区。
在上述实施例中,二维水力学模型可以模拟各种作用力的作用而产生的水位及水流变化,将拓扑结构图、点云地形数据输入至二维水力学模型,模拟得到雨污水自流过程,根据雨污水自流过程确定雨污水走向,使得得到的排水分区更加准确。
在一示例中,入流入渗数据包括第一入流入渗信息和第一入流入渗信息对应的后验概率密度,第一入流入渗信息包括入流入渗位置,在上述步骤S103中,确定排水管网的关键监测节点的具体步骤包括:
步骤a1:获取排水管网中的第一入流入渗信息和第一入流入渗信息对应的后验概率密度。
步骤a2:根据预设置信区间和后验概率密度,对第一入流入渗信息中的入流入渗位置进行筛选,得到筛选后的入流入渗位置。
步骤a3:确定筛选后的入流入渗位置在所属的排水分区中的上游节点和下游节点。
在一可选实施例中,节点指的是排水分区中的检修节点,检修节点可以为检修井、泵站等等,在此不做具体限制。排水分区是根据管网拓扑特征、雨污水自流方向等信息确定的,在得到筛选后的入流入渗位置后,可以将入流入渗位置所在的排水分区中的上游节点和下游节点作为关键监测节点。
步骤a4:将上游节点和下游节点作为排水管网的关键监测节点。
通过上述实施例,利用排水管网的污染物入流或地下水入渗位置和对应的后验概率密度,筛选入流入渗位置,根据获得的入流入渗所在排水分区的上下游节点确定关键监测节点,克服了现有技术中大量设立关键监测节点导致的监测资源浪费问题,提高监测效率。
在一示例中,上述步骤S104中,在关键监测节点,监测排水管网中入流污染物或入渗地下水的信息,再利用化学平衡法准确判断入流入渗位置、时间、强度等信息。示例性地,在关键监测节点,布设水质水量在线监测仪,通过连续监测10~15天,获取长周期的监测数据,通过化学平衡法对监测数据进行分析,得到排水管网中入流污染物或入渗地下水的信息。
在一示例中,上述步骤a1中,通过如下步骤获取排水管网中的第一入流入渗信息和第一入流入渗信息对应的后验概率密度:
步骤b1:确定排水管网的入流入渗水质特征因子的第二入流入渗信息。
在一可选实施例中,入流入渗信息包括排水管网入流入渗的位置、时间、水质特征因子浓度。
在一可选实施例中,入流入渗信息可以通过采集排水管网不同位置在不同时间的入流入渗水质特征因子的浓度确定。
在一可选实施例中,不同类型的入流污染源水质特征因子的入流入渗信息不同。
步骤b2:采集入流入渗水质特征因子在排水管网末端位置的第一实际浓度。
在一可选实施例中,入流入渗水质特征因子包括入流污染物水质特征因子,入渗地下水水质特征因子。入流污染物水质特征因子采集位置位于雨水管网末端排口;入渗地下水水质特征因子采集位置位于污水管网进入污水处理厂的最后一个截流井处。
步骤b3:将第二入流入渗信息作为先验分布参数,根据第一实际浓度,确定排水管网中的第一入流入渗信息及第一入流入渗信息对应的后验概率密度。
在一可选实施例中,入流入渗信息指的是入流入渗水质特征因子在入流入渗为x、入流入渗时间为y时,对应的入流入渗浓度为z。对应的后验概率密度为入流入渗为x,入流入渗时间为y,入流入渗浓度z的后验概率密度。
在一示例中,上述步骤b1通过如下方式确定排水管网的入流入渗水质特征因子的第二入流入渗信息:
步骤c1:采集多个预设区域在不同时刻的污水或地下水样品。
在一可选实施例中,不同时刻可以为预设时长内的多个不同时刻。示例性地,可以为连续10天,采集0、6、12、18时排水管网不同区域内的污水或地下水样品。
步骤c2:获取各样品的水质特征因子浓度。
步骤c3:根据各样品水质特征因子浓度,确定第三入流入渗信息。
步骤c4:采集测试相应样品水质特征因子在排水管网末端位置的第二实际浓度。
步骤c5:根据第二实际浓度和一维水质模拟模型,筛选第三入流入渗信息,得到第二入流入渗信息。
通过上述实施例,采集不同时间不同位置处的污水或地下水样品以获得第三入流入渗信息,同时利用排水管网末端位置实际浓度和一维水质模拟模型对第三入流入渗信息进行筛选,使得到的第二入流入渗信息更加准确、更符合管网收水区域的实际情况,进而将第二入流入渗信息作为先验分布参数进行计算时,得到的第一入流入渗信息及对应的后验概率密度更加准确。
在一可选实施例中,一维水质模拟模型可以通过SWMM模型构建。
在一可选实施例中,入流入渗信息包括入流入渗水质特征因子的多个入流入渗浓度,以及各入流入渗浓度对应的入流入渗时间和入流入渗位置。
在上述步骤c5中,通过如下内容筛选第三入流入渗信息:
首先,对第三入流入渗信息中各入流入渗浓度进行均匀取样,获得多个取样后的入流入渗浓度。示例性地,运用MATLAB工具包调用蒙特卡罗方法,设置步长为1000,对第一浓度进行均匀取样,得到多个浓度值。例如第一浓度范围为1mg/L~10mg/L,根据蒙特卡罗方法从1.0、1.1、1.2…9.7、9.8、9.9、10.0中随机均匀取样,得到多个浓度值,利用蒙特卡罗方法可以快速遍历所有浓度值,减少水质水量检测,极大提高污染物溯源效率,降低污染物溯源成本。
然后,根据取样后的入流入渗浓度和一维水质模拟模型,计算排水管网末端位置的各模拟浓度。
在一可选实施例中,一维水质模拟模型公式表示为:
其中,A为过水断面面积,(m2);Q为流量,(m3/h);在本发明实施例中C为取样后入流入渗样品水质特征因子的浓度,(mg/L或μs/cm);t为时间,(s);x为距离排水管网末端位置的流程,(m);Ex为纵向离散系数,(m2/s);K1为污染物一级降解系数,(s-1);表示在入流入渗信息为X,即入流入渗位置为/>、入流入渗时间为T、入流入渗浓度为M时排水管网末端位置的模拟浓度。
最后,根据各模拟浓度和第二实际浓度,筛选第三入流入渗信息,得到第二入流入渗信息。
在本发明实施例中,可以通过模拟浓度和第二实际浓度的拟合度筛选第三入流入渗信息,具体包括如下步骤:
首先,计算各模拟浓度和第二实际浓度的拟合度。示例性地,拟合度检验方法可以为剩余平方和检验、卡方(c2)检验和线性回归检验等,在此不做具体限制。
然后,将拟合度大于预设阈值对应的各入流入渗浓度,作为筛选后的入流入渗浓度。预设阈值的设定可以根据实际需要设定,在此不做具体限制。
最后,将筛选后的入流入渗浓度,以及筛选后的入流入渗浓度对应的入流入渗时间和入流入渗位置,作为第二入流入渗信息。
通过上述实施例,利用蒙特卡罗方法对入流入渗水质特征因子进行后验抽样,得到排水管网末端位置的模拟浓度,结合似然函数,根据实际浓度与模拟浓度进一步对第二入流入渗信息进行优化,保留与实际浓度相近的浓度值,摒弃与实际浓度相差较大的浓度值,从而使得先验分布参数更加准确,进而得到的污染源信息及后验概率密度更加准确。
在一示例中,入流入渗信息包括入流入渗水质特征因子的多个入流入渗浓度,以及各入流入渗浓度对应的入流入渗时间和入流入渗位置。
上述步骤b3中,通过如下方式确定排水管网中的第一入流入渗信息及第一入流入渗信息对应的后验概率密度:
首先,将第二入流入渗信息中的各入流入渗浓度输入至一维水质模拟模型,确定第一入流入渗信息,以及第一入流入渗信息对应的排水管网末端排口位置的模拟浓度。
在一可选实施例中,一维水质模拟模型公式同样表示为:
其中, A为过水断面面积,(m2);Q为流量,(m3/h);在本发明实施例中C为第二入流入渗信息中的各水质特征因子浓度,(mg/L),或电导率,(μs/cm);t为时间,(s);x为距离排水管网末端位置的流程,(m);Ex为纵向离散系数,(m2/s);K1为污染物一级降解系数,(s-1);表示排水管网末端位置在第一入流入渗信息为X(入流入渗为/>、入流入渗时间为T、入流入渗浓度为M)时的模拟浓度。
然后,将第二入流入渗信息作为先验分布参数,将第一入流入渗信息对应的排水管网末端位置的模拟浓度、第一实际浓度,输入至预构建的后验概率密度函数,得到第一入流入渗信息对应的后验概率密度。
在一可选实施例中,后验概率密度函数表示为:
其中,为入流入渗水质特征因子的后验概率密度函数;/>为先验分布参数,即第二入流入渗信息;/>为标准偏差;/>为第一实际浓度;M为污染源的入流入渗浓度;/>为污染源的入流入渗位置;T为污染源的入流入渗时间;/>为模拟浓度; n为模拟总次数。
通过本发明实施例,利用贝叶斯理论,建立包含污染源入流入渗、入流入渗浓度、入流入渗时间的后验概率密度函数,将第二入流入渗信息作为先验分布参数,根据排水管网末端排口位置的实际浓度,可以获得不同入流入渗位置、不同入流入渗时间的入流入渗的水质特征因子浓度,相较于仅可以获得污染物入流位置和比例的化学平衡方法,极大丰富污染物溯源结果。
在一示例中,入流入渗水质特征因子包括入流污染物水质特征因子,排水管网的污染源包括生活污染源,和/或,工业污染源;生活污染源的入流污染物水质特征因子包括粪大肠杆菌,和/或,总氮;工业污染源的入流污染物水质特征因子包括电导率,和/或,氟化物。
在一示例中,入流入渗水质特征因子包括入渗地下水水质特征因子,入渗地下水水质特征因子包括粪大肠杆菌,和/或,总氮。
入流入渗水质特征因子是依据排水分区内的污染源或地下水类型选取的,生活污染源以粪大肠杆菌指数、总氮等作为入流污染源特征因子,工业污染源以电导率、氟化物等作为入流污染源水质特征因子;入渗地下水以粪大肠杆菌指数、总氮等作为特征因子。考虑到粪大肠杆菌指数、总氮、电导率、氟化物为较为稳定、指示性较好的特征因子,因此将其作为入流入渗水质特征因子,可有效避免污染物输送过程中降解、氧化、还原等反应对污染物入流入渗分析产生影响,也可有效识别不同类型排水管网中的污染源,避免结果产生较大误差。
下面通过一个具体的实施例来说明排水管网的入流入渗分析过程。
实施例1
排水管网污染源入流与地下水入渗分析步骤如下:
步骤d1:运用SWMM软件,将含有排水体制、管道类型、管道连接关系、雨污水走向、管径、高程、泵站规模等管网信息的矢量图,转化为排水管网拓扑结构图;
步骤d2:基于无人机机载高精细雷达获取高精度数字高程模型和数字地表模型,结合Infoworks、MIKE Flood等软件,快速模拟城市复杂地形条件下地面径流通道和雨污水自流过程,从而利用排水管网拓扑结构图,精确划分排水分区;
步骤d3:利用贝叶斯理论,构建污染源和地下水水质特征因子浓度的先验分布函数,通过蒙特卡罗方法对污染源和地下水水质特征因子浓度进行后验抽样,解析模拟得到的理论计算值与排口实测水质特征因子浓度或污水处理厂进水水质特征因子浓度的似然函数,从而获得污染源入流雨水管道和地下水入渗污水管道的位置、浓度、时间的后验概率密度;
步骤d4:根据反演算结果,基于污染源入流和地下水入渗位置的概率密度,选取污染源入流或地下水入渗位置概率为80%的置信区间对应的位置,并结合管网拓扑结构和排水分区,将邻近的上下游检修井作为关键监测节点;
步骤d5:在关键管网监测节点,布设水质水量在线监测仪,连续监测10~15天,获取长周期的监测数据,结合化学平衡法,分析上下游水质水量异常情况,验证反演算结果,并准确获得污染源入流雨水管道和地下水入渗污水管道的位置、强度、时间等信息。
下面通过一个具体的实施例来说明排水管网获取管道入流入渗位置、入流入渗浓度、入流入渗时间的后验概率密度的过程。
实施例2
依据贝叶斯理论和蒙特卡洛方法获取管道的位置、浓度、时间的后验概率密度的步骤包括:
步骤e1:开展排水分区和污水处理厂调研,查明污水直排口收水范围内主要污染源类型包括生活污水和工业废水及污水处理厂进水水质,初步判断生活污水和工业废水非法排放个数及是否存在地下水入渗;
步骤e2:连续10天,采集0、6、12、18时的污水直排口污水、片区内10个小区接入市政干管、片区内10家不同类型工业企业生产车间尾水、片区污水处理厂进水和不同点位地下水样品,各48个样品,针对污水直排口水样,监测其粪大肠杆菌指数、总氮、电导率与氟化物浓度,针对生活污水、污水处理厂进水和地下水水样,监测其粪大肠杆菌指数与总氮浓度,针对工业废水,监测其电导率与氟化物浓度,明确各自的浓度范围,并将生活污水和工业废水排放源及地下水的水质特征因子浓度范围作为先验函数的输入值;
步骤e3:依据贝叶斯理论,结合先验分布参数、似然函数与后验概率密度函数,将污染源入流雨水管网溯源过程和地下水入渗污水管网解析过程转换成求解未知参数X的后验概率密度函数。
其中,P(X|y),污染物入渗或地下水入流污染信息对应的后验概率密度;
p(Xi),先验分布参数,即为入流污染源和入渗地下水的水质特征因子浓度范围,一般认为在其取值区间上为均匀分布;
σ,标准偏差;
Yi,直排污水粪大肠杆菌、总氮、电导率和氟化物的实际浓度,或污水处理厂进水粪大肠杆菌和总氮的实际浓度;
M,污染源入流或地下水入渗的浓度;
,污染源入流或地下水入渗的位置;
T,污染源入流或地下水入渗的时间。
表示排水管网末端位置在入流入渗信息为X,即入流入渗位置为、入流入渗时间为T、入流入渗浓度为M时的模拟浓度。
其中通过一维水质模拟模型得到:
其中,A为过水断面面积,(m2);Q为流量,(m3/h);C为入流入渗信息中的各水质特征因子浓度,(mg/L);t为时间,(s);x为距离排水管网末端位置的流程,(m);Ex为纵向离散系数,(m2/s);K1为污染物一级降解系数,(s-1);表示在入流入渗信息为X,即入流入渗位置为/>、入流入渗时间为T、入流入渗浓度为M时的排水管网末端位置模拟浓度。
分别根据污染源与地下水水质特征因子浓度范围X的先验分布参数p(Xi),结合管网拓扑结构及直排污水或污水处理厂进水对应水质特征因子实际浓度Yi,可以求得未知参数X的后验概率密度,即污染源入流或地下水入渗位置、浓度与时间。
步骤e4:运用MATLAB工具包调用蒙特卡罗方法,在生活污染源水质特征因子(粪大肠杆菌和总氮)浓度范围X中进行均匀取样,将步长设置为1000。依据模拟计算值与排口污水粪大肠杆菌和总氮实际浓度Y计算概率密度,根据预设置信区间保留概率较高所对应的未知参数X,摒弃概率较低所对应的未知参数X,最终得到片区生活污染源排放位置、排放浓度和排放时间的概率密度。
步骤e5:运用MATLAB工具包调用蒙特卡罗方法,在工业污染源水质特征因子(电导率和氟化物)浓度范围X中进行均匀取样,将步长设置为1000。依据模拟计算值与直排污水电导率和氟化物实际浓度Y计算概率密度,根据预设置信区间保留概率较高所对应的未知参数X,摒弃概率较低所对应的未知参数X,最终得到片区工业污染源排放位置、排放浓度和排放时间的概率密度。
步骤e6:运用MATLAB工具包调用蒙特卡罗方法,在地下水水质特征因子(粪大肠杆菌和总氮)浓度范围X中进行均匀取样,将步长设置为1000。依据模拟计算值与污水处理厂进水粪大肠杆菌和总氮实际浓度Y计算拟合程度,保留拟合程度较高所对应的先验分布参数,摒弃拟合程度较低所对应的先验分布参数,最终得到片区地下水入渗污水管网的位置、强度与时间的概率密度。
基于相同发明构思,本发明实施例还提供一种排水管网入流入渗分析装置,如图2所示,该装置包括:
获取模块201,用于获取排水管网的拓扑结构图和点云地形数据;详细内容参见上述实施例中步骤S101的描述,在此不再赘述。
划分模块202,用于根据拓扑结构图和点云地形数据,对排水管网划分,得到多个排水分区;详细内容参见上述实施例中步骤S102的描述,在此不再赘述。
确定模块203,用于根据各排水分区、排水管网中入流入渗的数据,确定排水管网的关键监测节点;详细内容参见上述实施例中步骤S103的描述,在此不再赘述。
监测模块204,用于在关键监测节点,监测排水管网中入流入渗的信息。详细内容参见上述实施例中步骤S104的描述,在此不再赘述。
在一示例中,获取模块201包括:
第一获取子模块,用于获取排水管网的管网信息的矢量图;详细内容参见上述实施例中的描述,在此不再赘述。
第一确定子模块,用于根据矢量图,确定拓扑结构。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,获取模块201还包括:
第二获取子模块,用于获取排水管网所处位置的数字高程模型和数字地表模型;详细内容参见上述实施例中的描述,在此不再赘述。
第三获取子模块,用于根据数字高程模型和数字地表模型,获取排水管网的点云地形数据。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,划分模块202包括:
模拟子模块,用于根据拓扑结构图、点云地形数据,以及基于数字高程模型和数字地表模型形成的二维水力学模型,模拟排水管网的雨污水自流过程;详细内容参见上述实施例中的描述,在此不再赘述。
第二确定子模块,用于根据雨污水自流过程,确定在排水管网中的雨污水走向;详细内容参见上述实施例中的描述,在此不再赘述。
划分子模块,用于根据雨污水走向,对排水管网划分,得到多个排水分区。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,确定模块203中的入流入渗数据包括第一入流入渗信息和第一入流入渗信息对应的后验概率密度,确定模块203包括:
第四获取子模块,用于获取排水管网中的第一入流入渗信息和第一入流入渗信息对应的后验概率密度;详细内容参见上述实施例中的描述,在此不再赘述。
筛选子模块,用于根据预设置信区间和后验概率密度,对第一入流入渗信息中的入流入渗位置进行筛选,得到筛选后的入流入渗位置;详细内容参见上述实施例中的描述,在此不再赘述。
第三确定子模块,用于确定筛选后的入流入渗位置在所属的排水分区中的上游节点和下游节点;详细内容参见上述实施例中的描述,在此不再赘述。
第四确定子模块,用于将上游节点和下游节点作为排水管网的关键监测节点。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,监测模块204包括:
判断子模块,用于在关键监测节点,利用化学平衡法,判断排水管网中入流污染物或入渗地下水的信息。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,第四获取子模块包括:
确定单元,用于确定排水管网的第二入流入渗信息;详细内容参见上述实施例中的描述,在此不再赘述。
采集单元,用于采集入流入渗水质特征因子在排水管网末端排口位置的第一实际浓度;详细内容参见上述实施例中的描述,在此不再赘述。
计算单元,用于将第二入流入渗信息作为先验分布参数,根据第一实际浓度,确定排水管网中的第一入流入渗信息及第一入流入渗信息对应的后验概率密度。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,确定单元包括:
第一采集子单元,用于采集多个预设区域在不同时刻的污水或地下水样品;详细内容参见上述实施例中的描述,在此不再赘述。
获取子单元,用于获取各污水或地下水样品的污染源或地下水水质特征因子浓度;详细内容参见上述实施例中的描述,在此不再赘述。
第一确定子单元,用于根据各入流入渗水质特征因子浓度,确定第三入流入渗信息;详细内容参见上述实施例中的描述,在此不再赘述。
第一采集子单元,用于采集入流入渗水质特征因子在排水管网末端位置的第二实际浓度;详细内容参见上述实施例中的描述,在此不再赘述。
筛选子单元,用于根据第二实际浓度和一维水质模拟模型,筛选第三入流入渗信息,得到第二入流入渗信息。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,入流入渗信息包括入流入渗水质特征因子的多个入流入渗浓度,以及各入流入渗浓度对应的入流入渗时间和入流入渗位置,筛选子单元用于对第三入流入渗信息中各入流入渗浓度进行均匀取样,获得多个取样后的入流入渗浓度;根据取样后的入流入渗浓度和一维水质模拟模型,计算排水管网末端排口位置的各模拟浓度;根据各模拟浓度和第二实际浓度,筛选第三入流入渗信息,得到第二入流入渗信息。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,筛选子单元还用于计算各模拟浓度和第二实际浓度的拟合度;将拟合度大于预设阈值对应的各入流入渗浓度,作为筛选后的入流入渗浓度;将筛选后的入流入渗浓度,以及筛选后的入流入渗浓度对应的入流入渗时间和入流入渗位置,作为第二入流入渗信息。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,入流入渗信息包括入流入渗水质特征因子的多个入流入渗浓度,以及各入流入渗浓度对应的入流入渗时间和入流入渗位置,计算单元包括:
第二确定子单元,用于将第二入流入渗信息中的各入流入渗浓度输入至一维水质模拟模型,确定第一入流入渗信息,以及第一入流入渗信息对应的排水管网末端排口位置的模拟浓度;详细内容参见上述实施例中的描述,在此不再赘述。
第三确定子单元,用于将第二入流入渗信息作为先验分布参数,将第一入流入渗信息对应的排水管网末端排口位置的模拟浓度、第一实际浓度,输入至预构建的后验概率密度函数,得到第一入流入渗信息对应的后验概率密度。详细内容参见上述实施例中的描述,在此不再赘述。
上述装置的具体限定以及有益效果可以参见上文中对于排水管网入流入渗分析方法的限定,在此不再赘述。上述各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图3是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。如图3所示,该设备包括一个或多个处理器310以及存储器320,存储器320包括持久内存、易失内存和硬盘,图3中以一个处理器310为例。该设备还可以包括:输入装置330和输出装置340。
处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图3中以通过总线连接为例。
处理器310可以为中央处理器(Central Processing Unit,CPU)。处理器310还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320作为一种非暂态计算机可读存储介质,包括持久内存、易失内存和硬盘,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中排水管网入流入渗分析方法对应的程序指令/模块。处理器310通过运行存储在存储器320中的非暂态软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述任意一种排水管网入流入渗分析方法。
存储器320可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据、需要使用的数据等。此外,存储器320可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器320可选包括相对于处理器310远程设置的存储器,这些远程存储器可以通过网络连接至数据处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的信号输入。输出装置340可包括显示屏等显示设备。
一个或者多个模块存储在存储器320中,当被一个或者多个处理器310执行时,执行如图1所示的方法。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,具体可参见如图1所示的实施例中的相关描述。
本发明实施例还提供了一种非暂态计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的分析方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccess Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种排水管网入流入渗分析方法,其特征在于,所述方法包括:
获取排水管网的拓扑结构图和点云地形数据;
根据所述拓扑结构图和所述点云地形数据,对所述排水管网划分,得到多个排水分区;
根据各所述排水分区、所述排水管网中入流入渗数据,确定所述排水管网的关键监测节点;
在所述关键监测节点,监测所述排水管网中入流污染物或入渗地下水的信息;
所述入流入渗数据包括第一入流入渗信息和第一入流入渗信息对应的后验概率密度,所述第一入流入渗信息包括入流入渗位置,根据各所述排水分区、所述排水管网中入流入渗数据,确定所述排水管网的关键监测节点,包括:
获取所述排水管网中的第一入流入渗信息和第一入流入渗信息对应的后验概率密度;
根据预设置信区间和所述后验概率密度,对所述第一入流入渗信息中的入流入渗位置进行筛选,得到筛选后的入流入渗位置;
确定筛选后的入流入渗位置在所属的排水分区中的上游节点和下游节点;
将所述上游节点和所述下游节点作为所述排水管网的关键监测节点;
获取所述排水管网中的第一入流入渗信息和第一入流入渗信息对应的后验概率密度,包括:
确定排水管网的入流入渗水质特征因子的第二入流入渗信息;
采集所述入流入渗水质特征因子在排水管网末端位置的第一实际浓度;
将所述第二入流入渗信息作为先验分布参数,根据所述第一实际浓度,确定所述排水管网中的第一入流入渗信息及第一入流入渗信息对应的后验概率密度;
确定排水管网的入流入渗水质特征因子的第二入流入渗信息,包括:
采集多个预设区域在不同时刻的污水或地下水的样品;
获取各所述样品的入流入渗水质特征因子浓度;
根据各所述入流入渗水质特征因子浓度,确定第三入流入渗信息;
采集所述入流入渗水质特征因子在排水管网末端位置的第二实际浓度;
根据所述第二实际浓度和一维水质模拟模型,筛选所述第三入流入渗信息,得到所述第二入流入渗信息。
2.根据权利要求1所述的方法,其特征在于,获取排水管网的拓扑结构图的步骤包括:
获取所述排水管网的管网信息的矢量图;
根据所述矢量图,确定所述拓扑结构。
3.根据权利要求1或2所述的方法,其特征在于,获取排水管网的点云地形数据的步骤包括:
获取所述排水管网所处位置的数字高程模型和数字地表模型;
根据所述数字高程模型和所述数字地表模型,获取所述排水管网的点云地形数据。
4.根据权利要求3所述的方法,其特征在于,根据所述拓扑结构图和所述点云地形数据,对所述排水管网划分,得到多个排水分区,包括:
根据所述拓扑结构图、所述点云地形数据,以及基于所述数字高程模型和所述数字地表模型形成的二维水力学模型,模拟所述排水管网的雨污水自流过程;
根据所述雨污水自流过程,确定在所述排水管网中的雨污水走向;
根据所述雨污水走向,对所述排水管网划分,得到多个排水分区。
5.根据权利要求1所述的方法,其特征在于,在所述关键监测节点,监测所述排水管网中入流污染物或入渗地下水的信息,包括:
在所述关键监测节点,利用化学平衡法,判断所述排水管网中入流污染物或入渗地下水的信息。
6.根据权利要求1所述的方法,其特征在于,入流入渗信息包括入流入渗水质特征因子的多个入流入渗浓度,以及各所述入流入渗浓度对应的入流入渗时间和入流入渗位置,根据所述第二实际浓度和一维水质模拟模型,筛选所述第三入流入渗信息,得到所述第二入流入渗信息,包括:
对第三入流入渗信息中各入流入渗浓度进行均匀取样,获得多个取样后的入流入渗浓度;
根据取样后的入流入渗浓度和所述一维水质模拟模型,计算排水管网末端位置的各模拟浓度;
根据各所述模拟浓度和所述第二实际浓度,筛选所述第三入流入渗信息,得到所述第二入流入渗信息。
7.根据权利要求6所述的方法,其特征在于,根据各所述模拟浓度和所述第二实际浓度,筛选所述第三入流入渗信息,得到所述第二入流入渗信息,包括:
计算各所述模拟浓度和所述第二实际浓度的拟合度;
将拟合度大于预设阈值对应的各入流入渗浓度,作为筛选后的入流入渗浓度;
将筛选后的入流入渗浓度,以及筛选后的入流入渗浓度对应的入流入渗时间、入流入渗位置,作为所述第二入流入渗信息。
8.根据权利要求1所述的方法,其特征在于,入流入渗信息包括入流入渗水质特征因子的多个入流入渗浓度,以及各所述入流入渗浓度对应的入流入渗时间和入流入渗位置,将所述第二入流入渗信息作为先验分布参数,根据所述第一实际浓度,确定所述排水管网中的第一入流入渗信息及第一入流入渗信息对应的后验概率密度,包括:
将所述第二入流入渗信息中的各入流入渗浓度输入至一维水质模拟模型,确定所述第一入流入渗信息,以及所述第一入流入渗信息对应的排水管网末端位置的模拟浓度;
将所述第二入流入渗信息作为先验分布参数,将所述第一入流入渗信息对应的排水管网末端位置的模拟浓度、所述第一实际浓度,输入至预构建的后验概率密度函数,得到所述第一入流入渗信息对应的后验概率密度。
9.根据权利要求1所述的方法,其特征在于,所述入流入渗水质特征因子包括入流污染物水质特征因子,所述排水管网的污染源包括生活污染源,和/或,工业污染源;
所述生活污染源的入流污染物水质特征因子包括粪大肠杆菌,和/或,总氮;
所述工业污染源的入流污染物水质特征因子包括电导率,和/或,氟化物。
10.根据权利要求1或9所述的方法,其特征在于,所述入流入渗水质特征因子包括入渗地下水水质特征因子,所述入渗地下水水质特征因子包括粪大肠杆菌,和/或,总氮。
11.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-10中任一项所述的排水管网入流入渗分析方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-10中任一项所述的排水管网入流入渗分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906318.5A CN116628914B (zh) | 2023-07-24 | 2023-07-24 | 一种排水管网入流入渗分析方法、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310906318.5A CN116628914B (zh) | 2023-07-24 | 2023-07-24 | 一种排水管网入流入渗分析方法、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116628914A CN116628914A (zh) | 2023-08-22 |
CN116628914B true CN116628914B (zh) | 2023-11-24 |
Family
ID=87603019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310906318.5A Active CN116628914B (zh) | 2023-07-24 | 2023-07-24 | 一种排水管网入流入渗分析方法、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628914B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805338B (zh) * | 2024-03-01 | 2024-05-28 | 广东省建筑设计研究院有限公司 | 一种建筑供水管网水质实时在线监测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3049623A1 (fr) * | 2016-04-04 | 2017-10-06 | Valcap Valence Capteur | Procede et dispositif informatiques de surveillance continue d'un reseau de canalisations d'eaux residuaires |
KR101846438B1 (ko) * | 2017-08-08 | 2018-04-06 | 대한민국 | 유역모델을 이용한 오염물질 배출경로 재현방법 |
CN109840870A (zh) * | 2018-12-19 | 2019-06-04 | 中山市爱科应用科技有限公司 | 一种排水***网格化管理模式分析方法及储存其的介质 |
CN113836673A (zh) * | 2021-09-06 | 2021-12-24 | 西安理工大学 | 一种基于信息熵的排水管网监测点的布置方法 |
CN115577506A (zh) * | 2022-09-22 | 2023-01-06 | 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 |
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 |
CN116126963A (zh) * | 2022-12-30 | 2023-05-16 | 哈尔滨航天恒星数据***科技有限公司 | 非线性多源异构排水模型诊断入流入渗方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11847740B2 (en) * | 2020-08-12 | 2023-12-19 | Datasight | Data compression algorithm for processing of point cloud data for digital terrain models (DTM) |
-
2023
- 2023-07-24 CN CN202310906318.5A patent/CN116628914B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3049623A1 (fr) * | 2016-04-04 | 2017-10-06 | Valcap Valence Capteur | Procede et dispositif informatiques de surveillance continue d'un reseau de canalisations d'eaux residuaires |
KR101846438B1 (ko) * | 2017-08-08 | 2018-04-06 | 대한민국 | 유역모델을 이용한 오염물질 배출경로 재현방법 |
CN109840870A (zh) * | 2018-12-19 | 2019-06-04 | 中山市爱科应用科技有限公司 | 一种排水***网格化管理模式分析方法及储存其的介质 |
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 |
CN113836673A (zh) * | 2021-09-06 | 2021-12-24 | 西安理工大学 | 一种基于信息熵的排水管网监测点的布置方法 |
CN115577506A (zh) * | 2022-09-22 | 2023-01-06 | 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 |
CN116126963A (zh) * | 2022-12-30 | 2023-05-16 | 哈尔滨航天恒星数据***科技有限公司 | 非线性多源异构排水模型诊断入流入渗方法 |
Non-Patent Citations (2)
Title |
---|
城市污水管道入流入渗监测技术研究与应用进展;盛政;刘旭军;王浩正;毛楠;董鲁燕;;环境工程(第02期);全文 * |
基于特征因子的排水管网地下水入渗分析方法;徐祖信;汪玲玲;尹海龙;李怀正;;同济大学学报(自然科学版);第44卷(第04期);第593-598页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116628914A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dongquan et al. | GIS-based urban rainfall-runoff modeling using an automatic catchment-discretization approach: a case study in Macau | |
Williams et al. | Comparing predicted against measured steroid estrogen concentrations and the associated risk in two United Kingdom river catchments | |
CN112560209B (zh) | 一种初雨水收集调度方法和*** | |
CN113111478B (zh) | 排水***管网混接与入流、入渗程度的评估方法及设备 | |
CN116628914B (zh) | 一种排水管网入流入渗分析方法、计算机设备及介质 | |
CN105868886B (zh) | 雨污调蓄池运行效能评价方法 | |
CN111062125B (zh) | 海绵型综合管廊水文效应评估方法 | |
Hussain et al. | Modeling the effects of land-use and climate change on the performance of stormwater sewer system using SWMM simulation: case study | |
CN106650044B (zh) | 一种确定swmm软件中地表径流污染物参数w的方法 | |
CN111444595B (zh) | 基于swmm与efdc耦合模型的截污工程环境效应评估方法及装置 | |
CN109522645B (zh) | 用于河流流域的水质模拟方法及*** | |
Peng et al. | Urban stormwater forecasting model and drainage optimization based on water environmental capacity | |
CN115267950B (zh) | 一种初期雨水量化方法、装置、存储介质及电子设备 | |
CN111428350A (zh) | 水环境检测耦合模型的构建方法、装置及计算机设备 | |
CN101858107B (zh) | 雨水处理和利用设施的设计方法 | |
CN113792367B (zh) | 基于PySWMM的排水***多来源入流入渗和出渗量动态估算方法 | |
Tsuji et al. | Diffuse pollution monitoring and modelling of small urban watershed in Brazil Cerrado | |
Xu et al. | Influences of rainfall variables and antecedent discharge on urban effluent concentrations and loads in wet weather | |
Yao et al. | Evaluating the response and adaptation of urban stormwater systems to changed rainfall with the CMIP6 projections | |
CN116977144A (zh) | 一种地表径流污染负荷计算方法、装置、设备及存储介质 | |
Nasrin et al. | Modelling impact of extreme rainfall on sanitary sewer system by predicting rainfall derived infiltration/inflow | |
Simões et al. | Sensitivity analysis of surface runoff generation in urban flood forecasting | |
Wang et al. | Uncertainty analysis of a pollutant-hydrograph model in assessing inflow and infiltration of sanitary sewer systems | |
CN114324800A (zh) | 一种排水管道来水监测方法及其***、存储介质 | |
CN116629034B (zh) | 一种排水管网污染物溯源方法、装置、计算机设备及介质 |
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 |