一种供水管道动态风险评估方法技术

本发明专利技术公开了一种供水管道动态风险评估方法，涉及供水管道动态风险评估技术领域，通过引入神经网络模型，从管道的本身属性结合以往历史泄漏事故，对管道本身的泄漏概率进行评估；基于管道直径大小、周边环境，将管道泄漏后对用水造成的影响以及可能造成周边环境破坏的因素也纳入风险评估之中；此外，基于管控的信息，评估当前的管道运行状况；最后通过对管道泄露概率、泄露对周边环境可能的破坏程度以及管道实时运行状况进行综合评判；形成管道动态的风险评估，客观、准确的反应供水管道当前实时的运行风险。实时的运行风险。实时的运行风险。

【技术实现步骤摘要】
一种供水管道动态风险评估方法


[0001]本专利技术属于供水管道领域，涉及管道风险评估技术，具体是一种供水管道动态风险评估方法。

技术介绍

[0002]供水管道埋在地下，无法直接看到运行状况。每个城市的供水管道规模大，日常的巡检巡查、年度管道更换都需要有重点有针对性的去检查或者更换风险高的管道。如何科学有效的对管道进行评估，掌握管道的运行状况是解决以上问题的有效方法。
[0003]管道运行的风险，包括固有风险和剩余风险，固有风险一般主要从事件发生的概率和影响程度两个方面进行考虑，剩余风险主要是指采取管控以后的风险，包括进行了在线监测、加强巡检等。
[0004]一种供水管网巡检、查漏和改造三阶段病害诊断方法(CN202111681736.6)涉及一种供水管网巡检、查漏和改造三阶段病害诊断方法，包括健康诊断步骤、安全评估步骤和事故预测步骤。健康诊断步骤包括：根据供水管网的基本属性数据和历史事故数据，采用指标评分法确定供水管网的高风险管段；安全评估步骤包括：根据供水管网的基本属性数据和实时监测数据，建立供水管网在不同载荷下的力学模型，确定模型中的静态参数与动态参数，判断每根管道是否达到极限承载能力，若是则生成预警信号；事故预测步骤包括：根据每根管道的基本属性数据和历史事故数据，建立预测模型，预测未来不同年限内每根管道的事故率。与现有技术相比，本专利技术的病害诊断过程更加全面和完整，病害诊断结果更加准确、可靠和实用。该专利中的风险评估主要采取管道历史数据，建立与管道属性，如管龄、管材、管径等参数之间的概率关系，算出各管道属性对泄漏的贡献率，未考虑管道泄漏以后停水造成的影响，或者爆管对周边设施的影响；
[0005]为此，提出一种供水管道动态风险评估方法。

技术实现思路

[0006]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种供水管道动态风险评估方法，该一种供水管道动态风险评估方法通过从管道的本身属性结合以往历史泄漏事故，对管道本身的泄漏概率进行评估；基于管道直径大小、周边环境，将管道泄漏后对用水造成的影响以及可能造成周边环境破坏的因素也纳入风险评估之中；此外，基于管控的信息，评估当前的管道运行状况，形成管道动态的风险评估，客观、准确的反应供水管道当前实时的运行风险。
[0007]为实现上述目的，根据本专利技术的第一方面的实施例提出一种供水管道动态风险评估方法，包括以下步骤：
[0008]步骤一：预先收集供水管道的历史基本属性数据；历史基本属性数据包括发生泄露时以及未发生泄露时的管道基本属性；用于训练神经网络模型；
[0009]步骤二：使用管道历史基本属性数据训练出评估管道泄露概率的神经网络模型；
将训练完成的神经网络模型标记为M1；
[0010]步骤三：预先收集供水管道历史危害性数据；所述历史危害性数据包括每次产生漏水事故时，供水管道的区域属性以及产生的危害评级；所述危害评级为由实际经验对危害程度评估的评级；优选的，所述危害评级可以包括重度危害、中等危害、轻度危害以及无危害等；
[0011]步骤四：使用供水管道历史危害性数据，训练出评估发生各项评级的泄露危害概率的神经网络模型；将训练完成的神经网络模型标记为M2；
[0012]步骤五：预先收集供水管道历史的运行状况数据；所述运行状况数据包括管道运行状况特征数据以及管道运行状况评级；所述管道运行状况评级为根据实际经验对管道的运行状况评估的评级；优选的，所述管道运行状况可以为优、良、中以及差等；
[0013]步骤六：根据供水管道历史的运行状况数据，训练出评估当前管道运行状况的神经网络模型；将该神经网络模型标记为M3；
[0014]步骤七：根据当前供水管道的基本属性数据、危害性数据以及运行状况数据，分别输入至神经网络模型M1、神经网络模型M2以及神经网络模型M3；计算出当前供水管道泄露的概率、产生各级危害的概率以及管道当前运行状况；
[0015]步骤八：根据当前供水管道泄露的概率、产生各级危害的概率以及管道当前运行状况，计算出供水管道的动态评分；
[0016]其中，基本属性数据包括管龄、管材、管道埋设深度、管道上是否由附属设施、金属材质管道的防腐层是否被破坏、管道周边100米范围内有无地质灾害隐患点、管道所在地区域类型、管道上方用地类型以及管道防护措施；
[0017]对神经网络模型M1、M2以及M3的训练过程包括以下步骤：
[0018]步骤S1：将数字化的训练数据进行归一化；
[0019]步骤S2：将进行归一化的训练数据组成神经网络模型可以接受的数字向量形式；并将每组数字向量对应的实际的泄露情况或危害程度评级或管道运行状况作为实际值；
[0020]步骤S3：将数字向量输入至神经网络模型中；神经网络模型以预测值与实际值一致的预测正确率为训练目标；
[0021]步骤S3：根据实际经验调节神经网络参数，并训练神经网络模型；直至神经网络模型预测准确率达到根据实际经验预设的准确率阈值。
[0022]其中，所述危害性数据包括供水管道所在路网的类型、所在区域人口密度、所在区域经济密度、供水管道直径、当前季节以及周边三公里范围内大用水用户的数量；其中，大用水用户根据实际经验对周边用户进行划分；
[0023]其中，所述运行状况数据包括管道进三年内的泄露次数、泄露后的维修情况、周边压力流量漏失监测仪报警情况、管道上漏失声波报警情况以及报警处置情况；
[0024]根据当前供水管道泄露的概率、产生各级危害的概率以及管道当前运行状况，计算供水管道的动态评分包括以下步骤：
[0025]步骤P1：将当前供水管道泄露概率标记为P1，将危害评级标记为w，则由神经网络模型M2预测的危害评级w的概率为Pw；根据实际经验为每个运行状况评级设置一个权重系数；将运行状况评级标记为s，则运行状况s的权重系数为Ps；
[0026]步骤P2：计算危害评级的平均危害程度P2；计算方式为：根据实际经验为每个危害
评级w设置危害程度权重，将每个危害程度权重标记为Qw；则平均危害程度P2的计算公式为P2＝∑
w
Pw*Qw；
[0027]步骤P3：获取运行状况系数P3；运行状况系数P3即为由神经网络模型M3输出的运行状况评级s的权重系数Ps；
[0028]步骤P4：根据实际经验或专家评审，预先设置管道泄露概率P1、平均危害程度P2以及运行状况系数P3的权重系数Z1、Z2以及Z3；计算供水管道的动态评分H；动态评分H的计算公式为H＝P1*Z1+P2*Z2+P3*Z3。
[0029]与现有技术相比，本专利技术的有益效果是：
[0030]本专利技术不仅仅通过分析历史数据对管道泄露的概率进行分析，进一步的还通过分析管道泄露对周边环境的可能造成的破坏以及管道的实时运行状态，对管道的运行健康程度进行实时动态的监测，可以保证将管道的泄露危害控制在最小的范围内。
附图说明
[0031]图1为本专利技术的流程图。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种供水管道动态风险评估方法，其特征在于，包括以下步骤：步骤一：预先收集供水管道的历史基本属性数据；历史基本属性数据包括发生泄露时以及未发生泄露时的管道基本属性；步骤二：使用管道历史基本属性数据训练出评估管道泄露概率的神经网络模型；将训练完成的神经网络模型标记为M1；步骤三：预先收集供水管道历史危害性数据；所述历史危害性数据包括每次产生漏水事故时，供水管道的区域属性以及产生的危害评级；所述危害评级为由实际经验对危害程度评估的评级；步骤四：使用供水管道历史危害性数据，训练出评估发生各项评级的泄露危害概率的神经网络模型；将训练完成的神经网络模型标记为M2；步骤五：预先收集供水管道历史的运行状况数据；所述运行状况数据包括管道运行状况特征数据以及管道运行状况评级；所述管道运行状况评级为根据实际经验对管道的运行状况评估的评级；步骤六：根据供水管道历史的运行状况数据，训练出评估当前管道运行状况的神经网络模型；将该神经网络模型标记为M3；步骤七：根据当前供水管道的基本属性数据、危害性数据以及运行状况数据，分别输入至神经网络模型M1、神经网络模型M2以及神经网络模型M3；计算出当前供水管道泄露的概率、产生各级危害的概率以及管道当前运行状况；步骤八：根据当前供水管道泄露的概率、产生各级危害的概率以及管道当前运行状况，计算出供水管道的动态评分。2.根据权利要求1所述的一种供水管道动态风险评估方法，其特征在于，所述基本属性数据包括管龄、管材、管道埋设深度、管道上是否由附属设施、金属材质管道的防腐层是否被破坏、管道周边100米范围内有无地质灾害隐患点、管道所在地区域类型、管道上方用地类型以及管道防护措施。3.根据权利要求1所述的一种供水管道动态风险评估方法，其特征在于，所述危害性数据包括供水管道所在路网的类型、所在区域人口密度、所在区域经济密度、供水管道直径、当前季节以及周边三公里范围内大用水用户的数量；其中，大用水用户根据实际经验对周边用户进行划分。4.根...

【专利技术属性】
技术研发人员：许令顺，徐滨，孙星光，张培，张文博，
申请(专利权)人：安徽辉采科技有限公司，
类型：发明
国别省市：