[發明專利]一種基于深度神經網絡的供水管網爆管管道精確識別方法

有效

• 申請號: 202010989680.X
• 申請日: 2020-09-18
• 公開（公告）號: CN112097126B
• 公開（公告）日: 2021-07-20
• 發明（設計）人: 周嘯;信昆侖;徐瑋榕;陶濤;顏合想;李樹平
• 申請（專利權）人: 同濟大學
• 主分類號: F17D5/06
• 分類號: F17D5/06;G06N3/04;G06N3/12
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 丁云

1.一種基于深度神經網絡的供水管網爆管管道精確識別方法，其特征在于，該方法包括如下步驟：

(1)搭建深度神經網絡，確定爆管發生的可能區域并選擇壓力監測點位置；

(2)模擬不同位置的爆管，采集壓力監測點壓力數據作為訓練數據，訓練深度神經網絡；

(3)在現場爆管發生的可能區域選擇壓力監測點位置并采集壓力監測點壓力數據，將其輸入到訓練好的深度神經網絡中進行識別；

(4)輸出爆管管道識別結果；

步驟(2)具體為：

(21)使用EPANET3程序包模擬可能爆管區域內的爆管工況，重復執行多次，得到多種爆管位置、爆管大小、管網模型參數下的壓力監測點的壓力模擬結果；

(22)對壓力模擬結果進行預處理；

(23)使用預處理后的模擬數據訓練深度神經網絡；

步驟(21)具體為：

(211)指定可能爆管區域內的第一根管道為本次模擬的爆管管道；

(212)對水力模型中每根管道的粗糙系數，分別添加服從高斯分布N(0，σ_C²)的噪聲；對每一時刻、每個節點的需水量，分別添加服從高斯分布N(0，σ_q²)的噪聲；σ_C、σ_q為常數；

(213)隨機從均勻分布U(γ_min，γ_max)中選擇爆管強度系數γ，其中γ_min、γ_max分別為爆管強度最小值和最大值，同時確定爆管流量：

其中，下標ij表示起始節點為i、末端節點為j的管道，為爆管流量，H_ij為管道壓力，A_ij為管道橫截面積，g為重力加速度，C_d為孔口出流系數；

(214)使用EPANET3程序包，根據上述步驟中定義的參數執行水力模擬，記錄壓力監測點處對應的壓力模擬結果；

(215)重復執行步驟(212)至步驟(214)一定次數，每次模擬時都重新隨機生成噪聲和爆管強度系數；

(216)指定可能爆管區域內的下一根管道為爆管管道，重復執行步驟(212)至步驟(215)，直到所有管道都分別執行過爆管模擬。

2.根據權利要求1所述的一種基于深度神經網絡的供水管網爆管管道精確識別方法，其特征在于，步驟(1)中深度神經網絡由輸入層、一系列密連接塊和輸出層組成，每個密連接塊中包含一系列密連接層，密連接層的每一層隱藏層與其后的所有層都直接相連，表示為：

l_i＝C_i([l₀，l₁，...，l_i-1])

其中，l_i為第i層密連接層的輸出；[l₀，l₁，...，l_i-1]為第i層之前的所有密連接層的集合；C_i()是為復合函數，復合函數由批正規化、線性整流函數、線性連接組成。

3.根據權利要求1所述的一種基于深度神經網絡的供水管網爆管管道精確識別方法，步驟(1)和(3)選擇壓力監測點位置的具體方法為：

使用遺傳算法，根據以下目標函數求解管網中壓力監測點的布置位置：

約束條件為：

其中，n_p為爆管發生的可能區域中的節點數；S為所選壓力監測點的集合，集合中的元素j表示安裝在節點j上的壓力監測點；|S|為集合S的勢，即集合中的元素個數；χ為實數域上的映射函數，定義為：若a≥0，則χ(a)＝1，否則χ(a)＝0，其中，a為未知的輸入參數；C_L、C_N、C_R為常數；為管網靈敏度矩陣的第i行第j列元素，表示節點i上的壓力對節點j上的流量變化的靈敏度。

4.根據權利要求1所述的一種基于深度神經網絡的供水管網爆管管道精確識別方法，其特征在于，步驟(3)在現場采集壓力監測點壓力數據后需要先對壓力監測點壓力數據采用步驟(22)的方法進行預處理，然后輸入到訓練好的深度神經網絡中進行識別。