CN117057616A - 基于数字孪生的水利监测方法及*** - Google Patents
基于数字孪生的水利监测方法及*** Download PDFInfo
- Publication number
- CN117057616A CN117057616A CN202311308043.1A CN202311308043A CN117057616A CN 117057616 A CN117057616 A CN 117057616A CN 202311308043 A CN202311308043 A CN 202311308043A CN 117057616 A CN117057616 A CN 117057616A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- area
- risk
- flood
- water
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 240
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005070 sampling Methods 0.000 claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 239000003673 groundwater Substances 0.000 claims description 25
- 230000000630 rising effect Effects 0.000 claims description 25
- 238000009825 accumulation Methods 0.000 claims description 17
- 239000002689 soil Substances 0.000 claims description 17
- 230000008020 evaporation Effects 0.000 claims description 13
- 238000001704 evaporation Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 239000013049 sediment Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000012466 permeate Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 208000034699 Vitreous floaters Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了基于数字孪生的水利监测方法及***,涉及水利监测技术领域,对监测区域内的降雨条件形成监测,建立降雨条件集并生成降雨条件系数,若其大于条件阈值,在第一采样区域内采集当前的洪涝相关参数,汇总后建立第一水面参数集,并生成第一风险系数;在第二采样区域内设置数据采集点,采集当前的洪涝状态参数,建立第二风险系数;由第一风险系数及第二风险系数生成综合风险系数,并建立覆盖监测区域的数字孪生的水利模型;对监测区域内的洪涝变化进行仿真分析,获取到监测区域内的洪涝特征,匹配相应的排涝策略。对监测区域内洪涝风险的综合性的判断和监测,相对于通过单一数据采集或者监测设备对洪涝风险进行监测,覆盖范围更广。
Description
技术领域
本发明涉及水利监测技术领域,具体为基于数字孪生的水利监测方法及***。
背景技术
数字孪生是一种虚拟模型或表示,它对现实世界中的实体、过程、***或产品进行了数字化的复制和仿真。这种技术将物理实体与数字模型相连接,通过实时数据同步和交互,使得数字孪生可以反映现实世界的状态和变化。其在各种领域有广泛的应用,如制造业、能源、交通、城市规划、医疗等。例如,制造业可以创建产品的数字孪生,用于监控和优化生产过程。
在申请号为202110382116.6的中国发明专利中,本发明公开了一种基于数字孪生的水利监测方法及***,在获得当前传感器采集到的水利站点的传感数据后,由数字孪生推理模型对该传感数据进行处理,由此来获得水利站点的状态数据,从而提升水利站点的运行状态的获取精度及效率,降低人工成本;而且在获得水利站点的状态数据之后,进一步由数字孪生显示模型以可视化的方式呈现水利站点的运行状态,便于用户直观地获取水利站点的运行状况,从而有利于提升用户体验。
以上申请主要侧重于对水利站点运行状态数据的展示,但是,在水利站点所在区域内处于持降雨条件下,地下水位上升,土壤饱和度增加,水体既不能快速排出也不能渗入地下时,产生洪涝的风险会大大增加,而现有的水利监测***侧重于对当前水利站点运行状态的监测,难以有效的对当前可能存在的洪涝风险进行判断和评估,因此,不利于选择对应的防护手段以降低洪涝影响,难以发挥更大的作用。
为此,本发明提供了基于数字孪生的水利监测方法及***。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于数字孪生的水利监测方法及***,通过对监测区域内的降雨条件形成监测,建立降雨条件集并生成降雨条件系数,若其大于条件阈值,在第一采样区域内采集当前的洪涝相关参数,汇总后建立第一水面参数集,并生成第一风险系数;在第二采样区域内设置数据采集点,采集当前的洪涝状态参数,建立第二风险系数;由第一风险系数及第二风险系数生成综合风险系数,并建立覆盖监测区域的数字孪生的水利模型;对监测区域内的洪涝变化进行仿真分析,获取到监测区域内的洪涝特征,匹配相应的排涝策略。对监测区域内洪涝风险的综合性的判断和监测,相对于通过单一数据采集或者监测设备对洪涝风险进行监测,覆盖范围更广,解决了背景技术中的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
基于数字孪生的水利监测方法,包括,
若监测区域内处于持续降雨状态,将水利站点所在区域确定为监测区域,并在监测区域内设置监测点,对监测区域内的降雨条件形成监测,由监测结果建立降雨条件集,并进而由降雨条件集生成降雨条件系数Jsx,若其大于条件阈值,则向外部发出第一预警信息;
其中,由降雨条件集生成降雨条件系数Jsx,具体方法如下:对累积降雨量Lv及地下水位升速Dv做无量纲处理后,依照如下公式:
其中,参数的意义为:,且/>为权重系数,其具体值可由用户调整设置,或由数学分析软件通过模拟分析获取;
若获取的降雨条件系数Jsx大于预设的条件阈值,则向外部发出预警信息;
接收到第一预警信息后,在监测区域内选择出第一采样区域,并在第一采样区域内采集当前的洪涝相关参数,汇总后建立第一水面参数集,并由第一水面参数集生成第一风险系数Oxs,若其高于第一风险阈值,则发出第一报警信息;
接收到第一报警信息后,在监测区域内选择出第二采样区域,并在第二采样区域内设置数据采集点,采集当前的洪涝状态参数,并汇总建立第二水面参数集,由第二水面参数集建立第二风险系数Txs,若第二风险系数Txs高于第二风险阈值,发出第二报警信息;
若未接收到第一报警信息及第二报警信息,在第一风险系数Oxs及第二风险系数Txs基础上生成综合风险系数,并采用函数拟合及二次平滑指数预测法对其进行预测,在加权平均后获取其的预测值/>;若综合风险系数/>的预测值/>超过综合风险阈值,则建立覆盖监测区域的数字孪生的水利模型,将其标记为监测水利数字孪生模型;
以降雨量及蒸发量作为自变量输入,由监测水利数字孪生模型对监测区域内的洪涝变化进行仿真分析,若通过预测获取到监测区域内的洪涝特征,则从预先建立的排涝策略库中匹配相应的排涝策略,输出或在修正后再将其输出。
进一步的,在确定出若干个水利站点所在区域后,将其确定为监测区域,并建立至少覆盖监测区域的电子地图,在与各个水利站点的邻近区域设置监测点;
若监测区域内当前处于降雨状态,且当前的日平均降雨量大于同期历史均值,在监测点处对地下水位及降水过程进行持续性监控,至少分别获取当前的累积降雨量Lv,若地下水位产生变化,则获取地下水位上升速度,确定为地下水位升速Dv;
将累积降雨量Lv及地下水位升速Dv汇总后,建立降雨条件集。
进一步的,接收到第一预警信息后,在监测区域内随机选择多个第一采样区域,并在第一采样区域通过采集设备进行数据采集,其中,所要采集的数据包括:沿着固定的时间间隔采集地面水位深度,若第一采样区域的地面水位在不断变化,则获取地面水位的平均增加速度,分析后获取地面水位升速Sv;在识别第一采样区域内的水域覆盖面积,若其产生变化,则分析获取其平均增加速度,生成水域面积增速Mv;将地面的水位升速Sv及水域的面积增速Mv汇总后,建立第一水面参数集。
进一步的,由第一水面参数集生成洪涝的第一风险系数Oxs,其具体的生成方式如下:
对水位升速Sv及面积增速Mv做无量纲处理,并分别获取两者的历史均值,以如下公式生成第一风险系数Oxs:
其中,为水位升速Sv的历史均值,/>为面积增速Mv的历史均值,/>及/>为权重系数,且,/>,且/>,p为3至6之间任意正整数;
若获取的第一风险系数Oxs高于第一风险阈值,发出第一报警信息。
进一步的,接收到第一报警信息后,在与监测区域内与第一采样区域相邻近的位置设置第二采样区域,在第二采样区域内对当前的洪涝状态进行采集,具体如下:
在第二采样区域内设置若干个存在一定间距的数据采集点,在数据采集点处对土壤当前的状态进行检测,获取当前土壤的土壤饱和度Bd;若数据采集点处或其附近水体处于流动状态,则获取水体流速Ld;随机选择多个数据采集点,检测并获取该处的积淤量,进而获取淤泥的累积速度,生成积淤速度Ys;将土壤饱和度Bd、水体流速Ld及积淤速度Ys,汇总后建立第二水面参数集。
进一步的,由第二水面参数集生成洪涝的第二风险系数Txs,其具体的生成方式如下:
对土壤饱和度Bd、水体流速Ld及积淤速度Ys做无量纲处理后,依照如下方式:
参数的意义为:,且/>,/>为权重系数,其具体值可由用户调整设置,也可以由数学分析软件通过模拟分析获取;
若获取的第二风险系数Txs高于第二风险阈值,发出第二报警信息。
进一步的,在未接收到第一报警信息及第二报警信息时,连续获取若干个第一风险系数Oxs及第二风险系数Txs,由第一风险系数Oxs及第二风险系数Txs生成综合风险系数,具体方式如下:
其中,,且/>,以综合风险系数/>对监测区域内的洪涝风险进行表征,表征方式如下:
其中,为权重,其具体值可由用户调整设置,/>为第一风险系数Oxs的预期均值,/>为第二风险系数Txs的预期均值,n为大于1的正整数。
进一步的,将若干个综合风险系数沿着时间轴排列,依据其的变化趋势进行函数拟合,在经过K-S检验后,将其标记为/>预测函数,由/>预测函数对综合风险系数/>进行预测,生成预测值作为第一预测系数/>;依据二次平滑指数预测法,对综合风险系数形成预测,生成第二预测系数/>;
依照如下方式生成综合风险系数的风险预测值/>;
其中,均为权重系数,/>,其具体值可由用户调整设置;
若综合风险系数的风险预测值/>超过综合风险阈值,获取至少覆盖监测区域的电子地图,将监测区域的地形特征及现有泄洪措施在电子地图上标注;
使用标注后的电子地图、监测区域内的环境条件参数,当前的洪水覆盖区域的水面参数;以Bp神经网络模型为基础,结合以上参数,在训练和测试后,建立覆盖监测区域的数字孪生的水利模型,将其标记为监测水利数字孪生模型。
进一步的,至少获取监测区域内的降雨量及水分的蒸发量,设置预测周期,以降雨量及蒸发量作为输入的自变量,使用监测水利数字孪生模型对监测区域内的洪涝变化进行仿真分析,至少获取一个预测周期后,监测区域内的水体的覆盖面积、平均深度及水流量;
通过线上的线性检索或者线下收集现有的排涝策略,汇总后建立排涝策略库,以预测获取的水体的覆盖面积、深度流量作为洪涝特征,依据洪涝特征与排涝策略的对应性,从排涝策略库中匹配相应的排涝策略,将排涝策略输出;
至少以排涝策略及降雨量作为输入的自变量,使用监测水利数字孪生模型排涝策略进行仿真分析,判断在执行排涝策略后,监控区域内的在水体覆盖面积及平均深度是否会降低,也即验证排涝策略是否有效,若排涝策略有效,则将其输出;
若排涝策略无效,对排涝策略的各项条件参数进行调整,例如调整泄洪方向,新开设的泄洪渠道的位置及数量等,直至使排涝策略有效,将修正后的排涝策略输出。
基于数字孪生的水利监测***,包括:
监测单元,若监测区域内处于持续降雨状态,将水利站点所在区域确定为监测区域,并在监测区域内设置监测点,对监测区域内的降雨条件形成监测,由监测结果建立降雨条件集,并进而由降雨条件集生成降雨条件系数Jsx,若其大于条件阈值,则向外部发出第一预警信息;
第一评估单元、接收到第一预警信息后,在监测区域内选择出第一采样区域,并在第一采样区域内采集当前的洪涝相关参数,汇总后建立第一水面参数集,并由第一水面参数集生成第一风险系数Oxs,若其高于第一风险阈值,则发出第一报警信息;
第二评估单元、接收到第一报警信息后,在监测区域内选择出第二采样区域,并在第二采样区域内设置数据采集点,采集当前的洪涝状态参数,并汇总建立第二水面参数集,由第二水面参数集建立第二风险系数Txs,若第二风险系数Txs高于第二风险阈值,发出第二报警信息;
模型构建单元、若未接收到第一报警信息及第二报警信息,在第一风险系数Oxs及第二风险系数Txs基础上生成综合风险系数,并采用函数拟合及二次平滑指数预测法对其进行预测,在加权平均后获取其的预测值/>;若综合风险系数/>的预测值/>超过综合风险阈值,则建立覆盖监测区域的数字孪生的水利模型,将其标记为监测水利数字孪生模型;
方案匹配单元、以降雨量及蒸发量作为自变量输入,由监测水利数字孪生模型对监测区域内的洪涝变化进行仿真分析,若通过预测获取到监测区域内的洪涝特征,则从预先建立的排涝策略库中匹配相应的排涝策略,输出或在修正后再将其输出。
(三)有益效果
本发明提供了基于数字孪生的水利监测方法及***,具备以下有益效果:
1、在监测区域内处于持续降雨状态后,在第一采样区域内采集并建立第一水面参数集,生成第一风险系数Oxs,对监测区域内的洪涝状态进行跟踪和判断,若基于水位及水域面积的变化,显示出监测区域内已经存在洪涝风险时,则发出第一报警信息;监测区域的人员在收到第一报警信息后,能够及时避险。
2、若是水体不能及时排出,将水体流速Ld及积淤速度Ys关联在一起,从水体流速的角度对洪涝风险的影响程度进行评估,对监测区域内的洪涝风险性进行综合性判断,监测区域内的管理员能够依据当前的水体状态变化,选择对应的防护手段,通过对监测的执行,降低了洪涝影响。
3、在当前尚不存在洪涝风险,通过获取综合风险系数,并对其进行预测,以此对监测区域内是否可能会存在洪涝风险进行预测,若判断即将可能存在洪涝风险时,则依照监测区域内当前的各项条件参数,建立监测水利数字孪生模型,对监测区域内洪涝风险及其变化进行仿真分析和预测,实现对监测区域内洪涝风险的综合性的判断和监测,相对于通过单一数据采集或者监测设备对洪涝风险进行监测,覆盖范围更广,精度也更高。
4、通过对接下来的天气条件进行预测,判断监测区域内是否会产生成洪涝风险,在实现监测作用后,还能对监测区域内的洪涝风险实现预测作用,若监测区域内仍然存在降雨时,能够降低监测区域的风险,降低其带来的安全隐患;
5、获取洪涝特征和预先搭建的排涝策略库后,从而在存在洪涝风险后,快速的匹配对应的排涝策略,并结合仿真分析,对排涝策略的可行性验证及修正;在可能产洪涝风险,快速的获取对应的排涝策略,提高制定排涝策略的效率,从而,在产生洪涝风险时,能够快速处理,避免产生更大的安全隐患。
附图说明
图1为本发明基于数字孪生的水利监测方法流程示意图;
图2为本发明基于数字孪生的水利监测***结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
请参阅图1,本发明提供基于数字孪生的水利监测方法,包括如下步骤:
步骤一、若监测区域内处于持续降雨状态,将水利站点所在区域确定为监测区域,并在监测区域内设置监测点,对监测区域内的降雨条件形成监测,由监测结果建立降雨条件集,并进而由降雨条件集生成降雨条件系数Jsx,若其大于条件阈值,则向外部发出第一预警信息;
步骤一包括如下内容:
步骤101、在确定出若干个水利站点所在区域后,将其确定为监测区域,并建立至少覆盖监测区域的电子地图,将各个水利站点的位置在电子地图上标记,在与各个水利站点的邻近区域设置监测点;
步骤102、若监测区域内当前处于降雨状态,且当前的日平均降雨量大于同期历史均值的120%,则在监测点处对地下水位及降水过程进行持续性监控,至少分别获取当前的累积降雨量Lv,而若地下水位产生变化,则获取地下水位上升速度,确定为地下水位升速Dv;
将累积降雨量Lv及地下水位升速Dv汇总后,建立降雨条件集;
步骤103、由降雨条件集生成降雨条件系数Jsx,具体方法如下:对累积降雨量Lv及地下水位升速Dv做无量纲处理后,依照如下公式:
其中,参数的意义为:,且/>为权重系数,其具体值可由用户调整设置,也可以由数学分析软件通过模拟分析获取;
若获取的降雨条件系数Jsx大于预设的条件阈值,则向外部发出预警信息;
使用时,结合步骤101及102中的内容:
由水利站点确定出监测区域后,若监测区域内处于持续降雨状态,且降雨量已经超过历史均值,则意味着监测区域内可能存在洪涝风险,此时,由监测点处采集的数据生成降雨条件系数Jsx,判断监测区域内是否存在洪涝风险,若当前存在洪涝风险,则可以及时发出预警信息,便于管理员及时进行处理。
步骤二、接收到第一预警信息后,在监测区域内选择出第一采样区域,并在第一采样区域内采集当前的洪涝相关参数,汇总后建立第一水面参数集,并由第一水面参数集生成第一风险系数Oxs,若其高于第一风险阈值,则发出第一报警信息;
所述步骤二包括如下内容:
步骤201、接收到第一预警信息后,在监测区域内随机选择多个第一采样区域,并在第一采样区域通过采集设备进行数据采集,其中,所要采集的数据包括:
沿着固定的时间间隔采集地面水位深度,若第一采样区域的地面水位在不断变化,则获取地面水位的平均增加速度,分析后获取地面水位升速Sv;在识别第一采样区域内的水域覆盖面积,若其产生变化,则分析获取其平均增加速度,生成水域面积增速Mv;
将地面的水位升速Sv及水域的面积增速Mv汇总后,建立第一水面参数集;
步骤202、由第一水面参数集生成洪涝的第一风险系数Oxs,其具体的生成方式如下:
对水位升速Sv及面积增速Mv做无量纲处理,并分别获取两者的历史均值,以如下公式生成第一风险系数Oxs:
其中,为水位升速Sv的历史均值,/>为面积增速Mv的历史均值,/>及/>为权重系数,且,/>,且/>,p为3至6之间任意正整数;
预先设置第一风险阈值,若获取的第一风险系数Oxs高于第一风险阈值,则说明当前已经存在产生洪涝的风险,需要管理人员及时进行处理,此时,可以发出第一报警信息。
使用时,结合步骤201及202中的内容:
在监测区域内处于持续降雨状态后,在第一采样区域内采集并建立第一水面参数集,进而生成第一风险系数Oxs,从水位上升和水域面积变化的角度,对监测区域内的洪涝状态进行跟踪和判断,若基于水位及水域面积的变化,显示出监测区域内已经存在洪涝风险时,则发出第一报警信息;监测区域的人员在收到第一报警信息后,能够及时避险。
步骤三、接收到第一报警信息后,在监测区域内选择出第二采样区域,并在第二采样区域内设置数据采集点,采集当前的洪涝状态参数,并汇总建立第二水面参数集,由第二水面参数集建立第二风险系数Txs,若第二风险系数Txs高于第二风险阈值,发出第二报警信息;
所述步骤三包括如下内容:
步骤301、在接收到第一报警信息后,为了减少误判的风险,需要对其进行验证,在与监测区域内与第一采样区域相邻近的位置设置第二采样区域,在第二采样区域内对当前的洪涝状态进行采集,具体如下:
在第二采样区域内设置若干个存在一定间距的数据采集点,在数据采集点处对土壤当前的状态进行检测,获取当前土壤的土壤饱和度Bd;若数据采集点处或其附近水体处于流动状态,则获取水体流速Ld;
若是流动的水体中携带有泥沙或其他的悬浮物、漂浮物时,则随机选择多个数据采集点,检测并获取该处的积淤量,进而获取淤泥的累积速度,生成积淤速度Ys;
将土壤饱和度Bd、水体流速Ld及积淤速度Ys,汇总后建立第二水面参数集;
步骤302、由第二水面参数集生成洪涝的第二风险系数Txs,其具体的生成方式如下:
对土壤饱和度Bd、水体流速Ld及积淤速度Ys做无量纲处理后,依照如下方式:
参数的意义为:,且/>,/>为权重系数,其具体值可由用户调整设置,也可以由数学分析软件通过模拟分析获取;
预先设置第二风险阈值,若获取的第二风险系数Txs高于第二风险阈值,则说明当前已经存在产生洪涝的风险,需要及时进行处理,此时,发出第二报警信息;
使用时,结合步骤301及302中的内容:
在监测区域内处于持续降雨状态之后,若雨水难以向水下渗入,就只能积蓄在相对较低洼的区域,若是水体不能及时排出,则洪涝风险较大,此时,将水体流速Ld及积淤速度Ys关联在一起,从水体流速的角度对洪涝风险的影响程度进行评估,对监测区域内的洪涝风险性进行综合性判断,监测区域内的管理员能够依据当前的水体状态变化,选择对应的防护手段,通过对监测的执行,降低了洪涝影响。
步骤四、若未接收到第一报警信息及第二报警信息,在第一风险系数Oxs及第二风险系数Txs基础上生成综合风险系数,并采用函数拟合及二次平滑指数预测法对其进行预测,在加权平均后获取其的预测值/>;若综合风险系数/>的预测值/>超过综合风险阈值,则建立覆盖监测区域的数字孪生的水利模型,将其标记为监测水利数字孪生模型;
所述步骤四包括如下内容:
步骤401、在未接收到第一报警信息及第二报警信息时,连续获取若干个第一风险系数Oxs及第二风险系数Txs;例如:第一风险系数直至/>;第二风险系数/>直至/>;
由第一风险系数Oxs及第二风险系数Txs生成综合风险系数,具体方式如下:
其中,,且/>,以综合风险系数/>对监测区域内的洪涝风险进行表征,表征方式如下:
其中,为权重,其具体值可由用户调整设置,/>为第一风险系数Oxs的预期均值,/>为第二风险系数Txs的预期均值,n为大于1的正整数;
使用时,在第一风险系数Oxs及第二风险系数Txs的基础上,综合性的形成综合风险系数,以综合风险系数/>对监测区域内的洪涝风险进行判断;
步骤402、将若干个综合风险系数沿着时间轴排列,依据其的变化趋势进行函数拟合,在经过K-S检验后,将其标记为/>预测函数,由/>预测函数对综合风险系数/>进行预测,生成预测值作为第一预测系数/>;
依据二次平滑指数预测法,对综合风险系数形成预测,生成第二预测系数/>;
依照如下方式生成综合风险系数的风险预测值/>;
其中,均为权重系数,/>,其具体值可由用户调整设置;
使用时,通过两种不同的预测方式,在加权后获取风险预测值,以风险预测值作为对综合风险系数/>的预测,在监测区域内当前尚未存在洪涝风险时,对接下来是否可能会存在洪涝风险进行预测,提前发现洪涝风险,提前处理;
步骤403、在预先设置综合风险阈值后,若综合风险系数的风险预测值/>超过综合风险阈值,此时,获取至少覆盖监测区域的电子地图,将监测区域的地形特征及现有的排涝河道、泄洪下水道等泄洪措施在电子地图上标注;
使用标注后的电子地图、监测区域内的环境条件参数,例如土壤饱和度,地下水位深度,降雨量等;当前的洪水覆盖区域的水面参数,例如水体的水位、流速流量、覆盖面积、流向等;
以Bp神经网络模型为基础,结合以上参数,在训练和测试后,建立覆盖监测区域的数字孪生的水利模型,将其标记为监测水利数字孪生模型。
使用时,结合步骤401至403中的内容:
在当前尚不存在洪涝风险,通过获取综合风险系数,并对其进行预测,获取风险预测值/>,以此对监测区域内是否可能会存在洪涝风险进行预测,若判断即将可能存在洪涝风险时,则依照监测区域内当前的各项条件参数,建立监测水利数字孪生模型,以监测水利数字孪生模型对监测区域内洪涝风险及其变化进行仿真分析和预测,实现对监测区域内洪涝风险的综合性的判断和监测,相对于通过单一数据采集或者监测设备对洪涝风险进行监测,覆盖范围更广,精度也更高。
步骤五、以降雨量及蒸发量作为自变量输入,由监测水利数字孪生模型对监测区域内的洪涝变化进行仿真分析,若通过预测获取到监测区域内的洪涝特征,则从预先建立的排涝策略库中匹配相应的排涝策略,输出或在修正后再将其输出;
所述步骤五包括如下内容:
步骤501、获取下一阶段的天气预报信息,并至少获取监测区域内的降雨量及水分的蒸发量;设置预测周期,例如一天为一个预测周期,以降雨量及蒸发量作为输入的自变量,使用监测水利数字孪生模型对监测区域内的洪涝变化进行仿真分析,至少获取一个预测周期后,监测区域内的水体的覆盖面积、平均深度及水流量;从而,借助建立的监测水利数字孪生模型,对监测区域内的洪涝风险实现了预警的作用;
步骤502、通过线上的线性检索或者线下收集现有的排涝策略,汇总后建立排涝策略库,以预测获取的水体的覆盖面积、深度流量作为洪涝特征,依据洪涝特征与排涝策略的对应性,从排涝策略库中匹配相应的排涝策略,将排涝策略输出;
从而,在通过预测判断出当前即将可能存在洪涝风险时,能够快速的匹配出对应的排涝策略,节省制定方案的时间,提高效率;
步骤503、至少以排涝策略及降雨量作为输入的自变量,使用监测水利数字孪生模型排涝策略进行仿真分析,判断在执行排涝策略后,监控区域内的在水体覆盖面积及平均深度是否会降低,也即验证排涝策略是否有效,若排涝策略有效,则将其输出;
若排涝策略无效,对排涝策略的各项条件参数进行调整,例如调整泄洪方向,新开设的泄洪渠道的位置及数量等,直至使排涝策略有效,将修正后的排涝策略输出。
使用时,结合步骤501至503中的内容:
通过对接下来的天气条件进行预测,获取降雨量及蒸发量,并在建立监测水利数字孪生模型后,判断监测区域内是否会产生成洪涝风险,在实现监测作用后,还能对监测区域内的洪涝风险实现预测作用,从而,若监测区域内仍然存在降雨时,能够降低监测区域的风险,降低其带来的安全隐患;
而作为进一步的改进,在通过监测水利数字孪生模型对洪涝风险进行预测,获取洪涝特征和预先搭建的排涝策略库后,从而在存在洪涝风险后,能够快速的匹配对应的排涝策略,并结合仿真分析,对排涝策略的可行性验证及修正;从而,在可能产洪涝风险,能够快速的获取对应的排涝策略,提高制定排涝策略的效率,从而,在产生洪涝风险时,能够快速处理,避免产生更大的安全隐患。
请参阅图2,本发明提供基于数字孪生的水利监测方法及***,包括:
监测单元,若监测区域内处于持续降雨状态,将水利站点所在区域确定为监测区域,并在监测区域内设置监测点,对监测区域内的降雨条件形成监测,由监测结果建立降雨条件集,并进而由降雨条件集生成降雨条件系数Jsx,若其大于条件阈值,则向外部发出第一预警信息;
第一评估单元、接收到第一预警信息后,在监测区域内选择出第一采样区域,并在第一采样区域内采集当前的洪涝相关参数,汇总后建立第一水面参数集,并由第一水面参数集生成第一风险系数Oxs,若其高于第一风险阈值,则发出第一报警信息;
第二评估单元、接收到第一报警信息后,在监测区域内选择出第二采样区域,并在第二采样区域内设置数据采集点,采集当前的洪涝状态参数,并汇总建立第二水面参数集,由第二水面参数集建立第二风险系数Txs,若第二风险系数Txs高于第二风险阈值,发出第二报警信息;
模型构建单元、若未接收到第一报警信息及第二报警信息,在第一风险系数Oxs及第二风险系数Txs基础上生成综合风险系数,并采用函数拟合及二次平滑指数预测法对其进行预测,在加权平均后获取其的预测值/>;若综合风险系数/>的预测值/>超过综合风险阈值,则建立覆盖监测区域的数字孪生的水利模型,将其标记为监测水利数字孪生模型;
方案匹配单元、以降雨量及蒸发量作为自变量输入,由监测水利数字孪生模型对监测区域内的洪涝变化进行仿真分析,若通过预测获取到监测区域内的洪涝特征,则从预先建立的排涝策略库中匹配相应的排涝策略,输出或在修正后再将其输出。
本申请中,上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到较接近真实情况的一个公式,公式中的预设参数可以由本领域的技术人员根据实际应用场景进行调整设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部单元来实现本实施例方案的目的。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.基于数字孪生的水利监测方法,其特征在于:包括,
若监测区域内处于持续降雨状态,将水利站点所在区域确定为监测区域,并在监测区域内设置监测点,对监测区域内的降雨条件形成监测,由监测结果建立降雨条件集,并进而由降雨条件集生成降雨条件系数Jsx,若其大于条件阈值,则向外部发出第一预警信息;
其中,由降雨条件集生成降雨条件系数Jsx,具体方法如下:对累积降雨量Lv及地下水位升速Dv做无量纲处理后,依照如下公式:
其中,参数的意义为:/>,且/>为权重系数,其具体值可由用户调整设置,或由数学分析软件通过模拟分析获取;
若获取的降雨条件系数Jsx大于预设的条件阈值,则向外部发出预警信息;
接收到第一预警信息后,在监测区域内选择出第一采样区域,并在第一采样区域内采集当前的洪涝相关参数,汇总后建立第一水面参数集,并由第一水面参数集生成第一风险系数Oxs,若其高于第一风险阈值,则发出第一报警信息;
接收到第一报警信息后,在监测区域内选择出第二采样区域,并在第二采样区域内设置数据采集点,采集当前的洪涝状态参数,并汇总建立第二水面参数集,由第二水面参数集建立第二风险系数Txs,若第二风险系数Txs高于第二风险阈值,发出第二报警信息;
若未接收到第一报警信息及第二报警信息,在第一风险系数Oxs及第二风险系数Txs基础上生成综合风险系数,并采用函数拟合及二次平滑指数预测法对其进行预测,在加权平均后获取其的预测值/>;若综合风险系数/>的预测值/>超过综合风险阈值,则建立覆盖监测区域的数字孪生的水利模型,将其标记为监测水利数字孪生模型;
以降雨量及蒸发量作为自变量输入,由监测水利数字孪生模型对监测区域内的洪涝变化进行仿真分析,若通过预测获取到监测区域内的洪涝特征,则从预先建立的排涝策略库中匹配相应的排涝策略,输出或在修正后再将其输出。
2.根据权利要求1所述的基于数字孪生的水利监测方法,其特征在于:
在确定出若干个水利站点所在区域后,将其确定为监测区域,并建立至少覆盖监测区域的电子地图,在与各个水利站点的邻近区域设置监测点;
若监测区域内当前处于降雨状态,且当前的日平均降雨量大于同期历史均值,在监测点处对地下水位及降水过程进行持续性监控,至少分别获取当前的累积降雨量Lv,若地下水位产生变化,则获取地下水位上升速度,确定为地下水位升速Dv;
将累积降雨量Lv及地下水位升速Dv汇总后,建立降雨条件集。
3.根据权利要求1所述的基于数字孪生的水利监测方法,其特征在于:
接收到第一预警信息后,在监测区域内随机选择多个第一采样区域,并在第一采样区域通过采集设备进行数据采集,其中,所要采集的数据包括:
沿着固定的时间间隔采集地面水位深度,若第一采样区域的地面水位在不断变化,则获取地面水位的平均增加速度,分析后获取地面水位升速Sv;在识别第一采样区域内的水域覆盖面积,若其产生变化,则分析获取其平均增加速度,生成水域面积增速Mv;
将地面的水位升速Sv及水域的面积增速Mv汇总后,建立第一水面参数集。
4.根据权利要求3所述的基于数字孪生的水利监测方法,其特征在于:
由第一水面参数集生成洪涝的第一风险系数Oxs,其具体的生成方式如下:
对水位升速Sv及面积增速Mv做无量纲处理,并分别获取两者的历史均值,以如下公式生成第一风险系数Oxs:
其中,/>为水位升速Sv的历史均值,/>为面积增速Mv的历史均值,/>及/>为权重系数,且,/>,且/>,p为3至6之间任意正整数;
若获取的第一风险系数Oxs高于第一风险阈值,发出第一报警信息。
5.根据权利要求4所述的基于数字孪生的水利监测方法,其特征在于:
接收到第一报警信息后,在与监测区域内与第一采样区域相邻近的位置设置第二采样区域,在第二采样区域内对当前的洪涝状态进行采集,具体如下:
在第二采样区域内设置若干个存在一定间距的数据采集点,在数据采集点处对土壤当前的状态进行检测,获取当前土壤的土壤饱和度Bd;若数据采集点处或其附近水体处于流动状态,则获取水体流速Ld;随机选择多个数据采集点,检测并获取该处的积淤量,进而获取淤泥的累积速度,生成积淤速度Ys;
将土壤饱和度Bd、水体流速Ld及积淤速度Ys,汇总后建立第二水面参数集。
6.根据权利要求5所述的基于数字孪生的水利监测方法,其特征在于:
由第二水面参数集生成洪涝的第二风险系数Txs,其具体的生成方式如下:
对土壤饱和度Bd、水体流速Ld及积淤速度Ys做无量纲处理后,依照如下方式:
参数的意义为:/>,且/>,/>为权重系数,其具体值可由用户调整设置,或由数学分析软件通过模拟分析获取;
若获取的第二风险系数Txs高于第二风险阈值,发出第二报警信息。
7.根据权利要求1所述的基于数字孪生的水利监测方法,其特征在于:
在未接收到第一报警信息及第二报警信息时,连续获取若干个第一风险系数Oxs及第二风险系数Txs,由第一风险系数Oxs及第二风险系数Txs生成综合风险系数,具体方式如下:
其中,/>,且,以综合风险系数/>对监测区域内的洪涝风险进行表征,表征方式如下:
其中,/>为权重,其具体值可由用户调整设置,/>为第一风险系数Oxs的预期均值,/>为第二风险系数Txs的预期均值,n为大于1的正整数。
8.根据权利要求7所述的基于数字孪生的水利监测方法,其特征在于:
将若干个综合风险系数沿着时间轴排列,依据其的变化趋势进行函数拟合,在经过K-S检验后,将其标记为/>预测函数,由/>预测函数对综合风险系数/>进行预测,生成预测值作为第一预测系数/>;依据二次平滑指数预测法,对综合风险系数/>形成预测,生成第二预测系数/>;
依照如下方式生成综合风险系数的风险预测值/>;
其中,/>均为权重系数,/>,其具体值由用户调整设置;
若综合风险系数的风险预测值/>超过综合风险阈值,获取至少覆盖监测区域的电子地图,将监测区域的地形特征及现有泄洪措施在电子地图上标注;
使用标注后的电子地图、监测区域内的环境条件参数,当前的洪水覆盖区域的水面参数;以Bp神经网络模型为基础,结合以上参数,在训练和测试后,建立覆盖监测区域的数字孪生的水利模型,将其标记为监测水利数字孪生模型。
9.根据权利要求1所述的基于数字孪生的水利监测方法,其特征在于:
至少获取监测区域内的降雨量及水分的蒸发量,设置预测周期,以降雨量及蒸发量作为输入的自变量,使用监测水利数字孪生模型对监测区域内的洪涝变化进行仿真分析,至少获取一个预测周期后,监测区域内的水体的覆盖面积、平均深度及水流量;
通过线上的线性检索或者线下收集现有的排涝策略,汇总后建立排涝策略库,以预测获取的水体的覆盖面积、深度流量作为洪涝特征,依据洪涝特征与排涝策略的对应性,从排涝策略库中匹配相应的排涝策略,将排涝策略输出;
至少以排涝策略及降雨量作为输入的自变量,使用监测水利数字孪生模型排涝策略进行仿真分析,判断在执行排涝策略后,监控区域内的在水体覆盖面积及平均深度是否会降低,也即验证排涝策略是否有效,若排涝策略有效,则将其输出;
若排涝策略无效,对排涝策略的各项条件参数进行调整,例如调整泄洪方向,新开设的泄洪渠道的位置及数量等,直至使排涝策略有效,将修正后的排涝策略输出。
10.基于数字孪生的水利监测***,其特征在于:包括:
监测单元,若监测区域内处于持续降雨状态,将水利站点所在区域确定为监测区域,并在监测区域内设置监测点,对监测区域内的降雨条件形成监测,由监测结果建立降雨条件集,并进而由降雨条件集生成降雨条件系数Jsx,若其大于条件阈值,则向外部发出第一预警信息;
第一评估单元、接收到第一预警信息后,在监测区域内选择出第一采样区域,并在第一采样区域内采集当前的洪涝相关参数,汇总后建立第一水面参数集,并由第一水面参数集生成第一风险系数Oxs,若其高于第一风险阈值,则发出第一报警信息;
第二评估单元、接收到第一报警信息后,在监测区域内选择出第二采样区域,并在第二采样区域内设置数据采集点,采集当前的洪涝状态参数,并汇总建立第二水面参数集,由第二水面参数集建立第二风险系数Txs,若第二风险系数Txs高于第二风险阈值,发出第二报警信息;
模型构建单元、若未接收到第一报警信息及第二报警信息,在第一风险系数Oxs及第二风险系数Txs基础上生成综合风险系数,并采用函数拟合及二次平滑指数预测法对其进行预测,在加权平均后获取其的预测值/>;若综合风险系数/>的预测值/>超过综合风险阈值,则建立覆盖监测区域的数字孪生的水利模型,将其标记为监测水利数字孪生模型;
方案匹配单元、以降雨量及蒸发量作为自变量输入,由监测水利数字孪生模型对监测区域内的洪涝变化进行仿真分析,若通过预测获取到监测区域内的洪涝特征,则从预先建立的排涝策略库中匹配相应的排涝策略,输出或在修正后再将其输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311308043.1A CN117057616B (zh) | 2023-10-11 | 2023-10-11 | 基于数字孪生的水利监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311308043.1A CN117057616B (zh) | 2023-10-11 | 2023-10-11 | 基于数字孪生的水利监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117057616A true CN117057616A (zh) | 2023-11-14 |
CN117057616B CN117057616B (zh) | 2023-12-26 |
Family
ID=88663007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311308043.1A Active CN117057616B (zh) | 2023-10-11 | 2023-10-11 | 基于数字孪生的水利监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057616B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291432A (zh) * | 2023-11-27 | 2023-12-26 | 安徽金海迪尔信息技术有限责任公司 | 一种基于人工智能的水资源调度监测*** |
CN117371337A (zh) * | 2023-12-07 | 2024-01-09 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的水利模型构建方法及*** |
CN117473791A (zh) * | 2023-12-22 | 2024-01-30 | 水发科技信息(山东)有限公司 | 一种基于人工智能的公共数据储存管理*** |
CN117689216A (zh) * | 2024-02-02 | 2024-03-12 | 安徽诚溱数据股份有限公司 | 一种基于数字孪生的水利工程运维管理*** |
CN117953665A (zh) * | 2024-03-27 | 2024-04-30 | 中铁水利水电规划设计集团有限公司 | 一种地质灾害监测预警***及其预警方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927389A (zh) * | 2014-04-30 | 2014-07-16 | 北京中有联科技有限公司 | 一种洪涝灾害地理分析评估动态模型的构建方法 |
CN106530626A (zh) * | 2016-11-07 | 2017-03-22 | 孙晓彤 | 山洪灾害监测预警***及监测方法 |
WO2021003768A1 (zh) * | 2019-07-08 | 2021-01-14 | 大连理工大学 | 基于前期降雨和上下游拓扑关系的农村基层洪涝预警方法 |
US20210080616A1 (en) * | 2019-09-13 | 2021-03-18 | Toyota Jidosha Kabushiki Kaisha | Flood detection device, flood detection system, flood detection program storage medium, and flood detection method |
CN113139659A (zh) * | 2021-04-09 | 2021-07-20 | 智科云创(北京)科技有限公司 | 基于数字孪生的水利监测方法及*** |
CN113762796A (zh) * | 2021-09-14 | 2021-12-07 | 北京七兆科技有限公司 | 一种铁路工程设施暴雨洪水动态风险图分析方法 |
CN114240119A (zh) * | 2021-12-10 | 2022-03-25 | 浙江水利水电学院 | 基于数字孪生的国土空间全域全要素防洪防涝***及预警方法 |
KR102410833B1 (ko) * | 2021-06-08 | 2022-06-22 | 임태훈 | 국지성 호우에 의한 도심지 저지대 침수 예측 및 조기경보 시스템 및 그 방법 |
WO2023016036A1 (zh) * | 2021-08-12 | 2023-02-16 | 中交第四航务工程勘察设计院有限公司 | 市政道路积水多因素复合型预警预报方法 |
US20230080168A1 (en) * | 2021-08-27 | 2023-03-16 | Institute of Environment and Sustainable Development in Agriculture, CAAS | Method for assessing comprehensive risk of drought and flood disaster on apples |
CN115952681A (zh) * | 2023-01-13 | 2023-04-11 | 航天科工智慧产业发展有限公司 | 一种极端暴雨天气下洪涝灾害防御的数字孪生分析方法 |
WO2023079139A1 (en) * | 2021-11-05 | 2023-05-11 | Swiss Reinsurance Company Ltd. | Automated standardized location digital twin and location digital twin method factoring in dynamic data at different construction levels, and system thereof |
CN116434479A (zh) * | 2023-03-07 | 2023-07-14 | 广西电网有限责任公司电力科学研究院 | 一种区域性洪涝灾害等级预测预警方法及*** |
CN116469227A (zh) * | 2023-04-24 | 2023-07-21 | 中国科学院城市环境研究所 | 一种流域洪水预警*** |
CN116822969A (zh) * | 2023-08-30 | 2023-09-29 | 安徽金海迪尔信息技术有限责任公司 | 基于模型组合的水利模型云计算方法与*** |
-
2023
- 2023-10-11 CN CN202311308043.1A patent/CN117057616B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927389A (zh) * | 2014-04-30 | 2014-07-16 | 北京中有联科技有限公司 | 一种洪涝灾害地理分析评估动态模型的构建方法 |
CN106530626A (zh) * | 2016-11-07 | 2017-03-22 | 孙晓彤 | 山洪灾害监测预警***及监测方法 |
WO2021003768A1 (zh) * | 2019-07-08 | 2021-01-14 | 大连理工大学 | 基于前期降雨和上下游拓扑关系的农村基层洪涝预警方法 |
US20210080616A1 (en) * | 2019-09-13 | 2021-03-18 | Toyota Jidosha Kabushiki Kaisha | Flood detection device, flood detection system, flood detection program storage medium, and flood detection method |
CN113139659A (zh) * | 2021-04-09 | 2021-07-20 | 智科云创(北京)科技有限公司 | 基于数字孪生的水利监测方法及*** |
KR102410833B1 (ko) * | 2021-06-08 | 2022-06-22 | 임태훈 | 국지성 호우에 의한 도심지 저지대 침수 예측 및 조기경보 시스템 및 그 방법 |
WO2023016036A1 (zh) * | 2021-08-12 | 2023-02-16 | 中交第四航务工程勘察设计院有限公司 | 市政道路积水多因素复合型预警预报方法 |
US20230080168A1 (en) * | 2021-08-27 | 2023-03-16 | Institute of Environment and Sustainable Development in Agriculture, CAAS | Method for assessing comprehensive risk of drought and flood disaster on apples |
CN113762796A (zh) * | 2021-09-14 | 2021-12-07 | 北京七兆科技有限公司 | 一种铁路工程设施暴雨洪水动态风险图分析方法 |
WO2023079139A1 (en) * | 2021-11-05 | 2023-05-11 | Swiss Reinsurance Company Ltd. | Automated standardized location digital twin and location digital twin method factoring in dynamic data at different construction levels, and system thereof |
CN114240119A (zh) * | 2021-12-10 | 2022-03-25 | 浙江水利水电学院 | 基于数字孪生的国土空间全域全要素防洪防涝***及预警方法 |
CN115952681A (zh) * | 2023-01-13 | 2023-04-11 | 航天科工智慧产业发展有限公司 | 一种极端暴雨天气下洪涝灾害防御的数字孪生分析方法 |
CN116434479A (zh) * | 2023-03-07 | 2023-07-14 | 广西电网有限责任公司电力科学研究院 | 一种区域性洪涝灾害等级预测预警方法及*** |
CN116469227A (zh) * | 2023-04-24 | 2023-07-21 | 中国科学院城市环境研究所 | 一种流域洪水预警*** |
CN116822969A (zh) * | 2023-08-30 | 2023-09-29 | 安徽金海迪尔信息技术有限责任公司 | 基于模型组合的水利模型云计算方法与*** |
Non-Patent Citations (1)
Title |
---|
马国斌;李京;蒋卫国;张静;马兰艳;: "基于气象预测数据的中国洪涝灾害危险性评估与预警研究", 灾害学, no. 03, pages 8 - 12 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291432A (zh) * | 2023-11-27 | 2023-12-26 | 安徽金海迪尔信息技术有限责任公司 | 一种基于人工智能的水资源调度监测*** |
CN117291432B (zh) * | 2023-11-27 | 2024-02-23 | 安徽金海迪尔信息技术有限责任公司 | 一种基于人工智能的水资源调度监测*** |
CN117371337A (zh) * | 2023-12-07 | 2024-01-09 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的水利模型构建方法及*** |
CN117371337B (zh) * | 2023-12-07 | 2024-03-15 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的水利模型构建方法及*** |
CN117473791A (zh) * | 2023-12-22 | 2024-01-30 | 水发科技信息(山东)有限公司 | 一种基于人工智能的公共数据储存管理*** |
CN117473791B (zh) * | 2023-12-22 | 2024-03-29 | 水发科技信息(山东)有限公司 | 一种基于人工智能的公共数据储存管理*** |
CN117689216A (zh) * | 2024-02-02 | 2024-03-12 | 安徽诚溱数据股份有限公司 | 一种基于数字孪生的水利工程运维管理*** |
CN117689216B (zh) * | 2024-02-02 | 2024-04-26 | 安徽诚溱数据股份有限公司 | 一种基于数字孪生的水利工程运维管理*** |
CN117953665A (zh) * | 2024-03-27 | 2024-04-30 | 中铁水利水电规划设计集团有限公司 | 一种地质灾害监测预警***及其预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117057616B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117057616B (zh) | 基于数字孪生的水利监测方法及*** | |
Samarasinghea et al. | Application of remote sensing and GIS for flood risk analysis: a case study at Kalu-Ganga River, Sri Lanka | |
CN106021970B (zh) | 通过降雨预报预测城市积水的方法及*** | |
CN116822969B (zh) | 基于模型组合的水利模型云计算方法与*** | |
CN108009736A (zh) | 一种水质预警预报***及水质预警预报方法 | |
CN107169645B (zh) | 一种计及暴雨灾害影响的输电线路故障概率在线评估方法 | |
CN103646157B (zh) | 评估暴雨引发输电线路故障概率的方法 | |
CN110646867A (zh) | 一种城市排水监测预警方法和*** | |
CN115471078B (zh) | 一种基于城市水务***的洪涝风险点评估方法及装置 | |
CN113222296A (zh) | 一种基于数字孪生的防洪调度方法 | |
CN113409550B (zh) | 基于径流汇流模拟的泥石流灾害预警方法及*** | |
CN114360214A (zh) | 一种特大规模冰川泥石流预警方法 | |
CN106801463A (zh) | 排水管的排水状态检测方法和*** | |
KR102485941B1 (ko) | 침수 예경보시스템 및 방법 | |
CN114511990B (zh) | 泥石流概率测算方法、泥石流多要素协同监测预警方法 | |
CN116306340A (zh) | 一种模拟不同工况下的城市内涝风险分布的方法 | |
CN115909662A (zh) | 一种淤地坝防洪预警方法与*** | |
CN117113038B (zh) | 城市水土流失黄泥水事件溯源方法及*** | |
JP4146053B2 (ja) | ダムまたは河川における流量予測方法 | |
CN107273686B (zh) | 雨洪径流氮磷输出负荷预测方法 | |
CN117196302A (zh) | 一种基于汇水分区的区域内涝风险预测方法及*** | |
CN116126963A (zh) | 非线性多源异构排水模型诊断入流入渗方法 | |
CN108764563A (zh) | 一种输电线路飑线风预警方法 | |
CN112530137A (zh) | 一种基于临界雨量的分布式中小流域地质灾害及洪水预警方法 | |
Corbin et al. | Hydrologic modeling of urban development scenarios and low-impact design systems on an undisturbed coastal forested watershed under extreme rainfall-runoff events and hydro-meteorological conditions in a changing climate |
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 |