基于SVM的机场供水管网泄漏辨识定位系统研究

针对供水管网泄漏辨识定位系统,研究了以管网压力、流量参数形成的时间序列数据为基础,应用支持向量机方法建立漏损辨识模型,采用粒子群算法对支持向量机中的c、g参数进行优化,最终通过压力梯度法实现漏点的准确定位。结果表明:所建立模型对管网漏损辨识定位的准确率较高,满足供水管网漏损监测的要求。     

基于支持向量机的城市供水管网测压点水压预测研究

随着SCADA系统的不断成熟,供水管网实时状态数据也越来越完整,充分利用这些实时数据对城市供水管网的测压点压力进行预测,是进行管网优化调度的基础。建立了供水管网测压点压力预测的支持向量机(Support Vector Machine,SVM)模型,利用实时数据进行求解,采用交叉验证的方法优化选择核函数和惩罚参数。实例表明,与BP神经网络相比,SVM模型的预测精度高、结果稳定,各个节点的预测误差均在0.2m以内。     

城市给水管网爆管点动态定位的神经网络模型研究

本文基于人工神经元网络原理，结合一个城市给水管网室内模型试验研究，通过BP神经网络模型的模式分类和辨别功能，对城市给水管网爆管点的动态定位进行了研究.得到了一些关于使用神经网络进行给水管网爆管点动态分析的重要结论.     

灰色模型在供水管网漏损预测中的应用比较

以1991～1999年的城市供水管网漏损率值为原始数据,分别建立传统灰色模型、无偏灰色模型、等维灰色模型和改进等维灰色模型,并对预测结果进行对比,得出等维灰色模型具有较高的预测精度,适合用于供水管网漏损的预测。灰色模型的应用对有效控制管网漏损、节约水资源具有重要的指导意义。     

管道系统漏损控制技术进展

为了提高供水效率和运行管理水平,针对国内外关于供水管道系统漏损控制方面的现状,从管网故障监测技术及设备、泄漏定位模型方法、信号辨识与算法寻优、健康维护和智能管理等视角梳理了管道系统泄漏监测与漏损控制技术的进展及存在的主要问题,分析了各检测方法用于管网泄漏问题的适用性。在此基础上,从实用角度提出了管网漏损控制值得解决的关键问题和方向如下:(1)针对漏损的监测和预警,应研究面向漏损监控的管网网络组建优化布置及快速预警技术;(2)针对小泄漏的定位模型,应研究管网漏损区域辨识与基于水力反问题分析的主动检测理论和方法;(3)针对检测设备研制,应重点研发基于探地雷达、光纤传感和内窥机器人等新技术的关键设备;(4)针对管网健康维护和智能管理,应研究复杂管网独立计量区域划分方法及管网健康评价和优化维护技术。     

城市供水管网漏损时间预测模型

影响城市供水管网漏损的因素很多,通过层次分析法确定主要的漏损原因,在此基础上,应用多元线性回归模型对供水管道正式使用后初次漏损时间进行了预测,然后运用二次指数平滑模型对随后几年的漏损时间进行了预测,由此建立了完善的供水管网漏损时间预测模型。     

给水管网压力调节阀门优化控制

随着水资源不足的日益严重、制水成本的不断提高和能源紧张,城市给水管网漏损及其控制问题已成为供水行业的一项重要课题。管网运行压力是影响管道漏损的主要因素之一,因此可以通过在管网中设置压力控制阀门的方式来调整管网局部压力,降低漏损水量。提出了优化控制阀门的位置以及开度的混合离散非线性最优化数学模型,并利用遗传算法求解。实现了对管网输配水范围内的压力控制阀门位置和开度的优化调度及管理,并用算例进行了模型校验。     

基于BP神经网络的城市给水管网爆损预测模型研究

通过使用BP神经网络模型的训练算法,并借助MATLAB神经网络工具箱,初步建立了具有一定精度的城市供水管网爆管和漏损预测模型,对管网事故预防、管网维护及更新起到了一定的指导作用.     

自压式树状管网神经网络优化设计

应用Hopfield神经网络模型的优化计算原理与方法, 建立了自压式树状管网神经网络优化设计模型, 并用计算机软件模拟方法求解. 研究表明: 人工神经网络法是快速求解自压式树状管网非线性规划模型的一种新方法, 结合两级优化算法可以实现树状管网全局最优设计.     

供水管网爆管预警及定位技术的研究与实践

针对爆管事故前控制引入风险管理方法,提出了爆管风险预警的技术路线;针对爆管事故后处理提出了爆管点快速定位技术路线,并进行了实际管网模拟试验.研究及实践结果表明,通过爆管风险评估、爆管风险地图绘制可以起到预警作用;通过压力监控辅以管网水力模型的模拟分析可以有效地提示爆管发生的区域及定位,为爆管事故后快速反应赢得宝贵的时间.     

基于多尺度卷积神经网络的管道泄漏检测模型研究

如何有效检测管道泄漏是节水型社会建设迫切需要解决的关键和热点问题之一。近年来基于深度学习的管道泄漏检测方法发展迅速,本文针对传统单尺度卷积神经网络对泄漏特征提取不充分的问题,提出一种基于多尺度一维卷积神经网络(MS1DCNN)的管道系统泄漏检测模型。该方法利用多个不同卷积尺度的卷积通路并行提取管道泄漏的特征并进行泄漏信息的分类预测。基于经典的管道系统布置,利用瞬变流模型生成管道泄漏工况下的三个水压数据集对模型进行验证,三个数据集分别用于预测管道的泄漏位置、泄漏量和非恒定摩阻系数,对应样本数为39601、3980、4900,并将预测结果与其他深度学习方法和传统的机器学习方法进行对比分析。结果表明：MS1DCNN模型对数据集样本下泄漏位置、泄漏量、非恒定摩阻系数的分类准确率达到99.96%、98.48%、100%,三者平均预测精度比传统一维卷积神经网络(1DCNN)、BP神经网络、支持向量机(SVM)和k近邻算法(KNN)提高0.31%、2%、1.27%、22.8%;MS1DCNN在信噪比为-4～12 dB的噪声环境下各数据集的平均F₁分数分别为99.2%、97.02...     

基于GA-BP神经网络的粗粒土渗透系数预测

针对粗粒土渗透性能受颗粒级配、密实程度等因素影响而呈现明显差异,提出一种粗粒土渗透系数预测方法。收集并整理得到93组粗粒土数据,以全级配(d₁₀~d₁₀₀)和孔隙比作为BP神经网络的输入变量,利用遗传算法优化BP神经网络的初始权值与阀值,构建基于BP神经网络和遗传算法的粗粒土渗透系数预测模型。结果表明:该GA-BP神经网络经过55次迭代之后精度满足要求;87组训练样本预测结果的平均相对误差为5.10%,其中有75%的样本相对误差小于平均相对误差;6组检测样本预测结果的平均相对误差为6.39%,该网络模型泛化性能良好。采用GA-BP神经网络,由全级配和孔隙比能较好地预测粗粒土的渗透系数,且收敛速度、预测精度及泛化性能均优于标准的BP神经网络模型。     

基于改进BP网络的轴流式水轮机调节特性仿真

为了获得水力机组在小开度、小流量工况点下非线性特性数据,利用改进BP网络与MATLAB神经网络工具箱相结合的方法,将已知的水轮机综合特性曲线数据与边界约束点相结合,经网络自动"学习"训练可获得低效区的流量延拓、力矩延拓仿真曲面。改进BP网络模型可以大大地提高水轮机综合特性曲线数据处理的效率与精度,是研究水轮机控制系统的一种新的非线性建模仿真模型。     

基于机器学习的跨海管道泄漏位置预测模型

为解决跨海管道泄漏位置定位问题,利用EPANET 软件对海底管道泄漏探测进行建模,采用BP 神经网络模型和经K-CV 改进的SVR 模型进行泄漏位置预测。对BP 神经网络的隐含层数和学习函数进行优化和选择,使用K-CV 方法对SVR 算法的惩罚系数c 和核函数参数g 进行最优组合探寻。利用EPANET 软件建模数据形成训练集,随机选取测试集进行预测,同时使用均方根误差和相关系数对预测结果进行评价。实例验证结果表明:K-CV 方法能够有效提高SVR 模型预测精度;与水力学稳态方程相比,BP 神经网络模型在泄露位置预测问题中应用范围更广、预测精度更高。     

自适应遗传算法优化管网状态估计神经网络模型

针对遗传算法收敛速度慢、传统BP算法易收敛于局部最优以及网络结构难以确定等问题，引进自适应遗传算法优化网络的权阈值以搜寻网络最优拓扑结构，并利用自适应遗传算法优化该网络的权阈值，建立基于改进BP网络的宏观管网状态模型．实例分析表明，改进模型具有较高的预测精度。     

基于遗传优化LMBP算法的变形分析与预报

本文针对传统BP神经网络存在收敛速度慢、计算量大、易收敛于局部最小点的缺点,引入遗传算法与LM算法优化BP神经网络,并对优化后的BP神经网络进行训练与预测。实验结果表明：优化后的模型具有训练速度快、预测精度高的特点,更适用于大坝的实时预报。     

基于主成分分析与BP神经网络模型的大坝渗流监测资料分析

大坝渗流观测资料分析中,各因子间常存在不同程度的相关性,这种相关性有时会对分析效果产生较大的影响,另外,通常的回归模型为线性模型,难以精确反映一般为非线性函数的因变量的变化规律。针对上述问题,本文将主成分分析和神经网络相结合,建立大坝渗流观测数据的主成分神经网络模型,经实例计算,该模型的预报精度较高。     

神经网络在三峡水库诱发地震预测中的应用

在地震地质背景研究的基础上,将三峡库首区划分为31个预测单元,再根据不同的诱震组合条件组合成35种方案,选用8个影响因子,运用神经网络理论中改进的BP算法对三峡水库诱发地震强度进行了预测.预测结果对比表明,应用神经网络模型预测的三峡库首区水库诱发地震的结论是可靠的,与其它的数学预测模型相比,运用神经网络模型预测水库诱发地震,具有能充分利用所掌握的资料,能充分表达变量间复杂的非线性关系以及预测精度较高等优点,值得推广应用.     

基于BP神经网络的桂林生态城市建设需水量预测

根据桂林市经济社会历年统计的主要指标数据,运用SPSS社会科学统计软件分析并选取出桂林市辖区生态城市建设需水量的显著性影响因子,采用改进的归一化进行非线性规格化数据处理,基于Matlab建立BP神经网络模型,预测桂林市辖区生态城市建设需水量,结果表明,预测结果与原始数据的平均相对误差为1.19%,最大为2.08%,最小为0.28%。该模型具有较高的预测精度和良好的泛化能力,BP神经网络与SPSS软件优化组合模型,可用于需水量预测。     

BP神经网络预测河流月径流量

河流的月径流量是随机变化的，影响因素很多，如人类活动、降雨、下垫面的土壤、植被覆盖情况。利用人工神经网络理论建立BP（Back-Propagation，反向传播方法）网络预测模型，用该模型对河流的月径流量进行预测，BP神经网络模型计算快速，占用内存小，还有很好的容错性，可以得到比较理想的结果，精度高，可靠性好。模型建立之后，将其用于实例，通过对大量样本进行很多次的训练学习，得到训练好的BP网络模型，最后进行预测，得到令人比较满意的结果。