System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于市政排水管道病害检测与诊断技术、数据处理技术以及人工智能技术集成,涉及一种耦合领域知识和深度学习的排水管道淤积病害诊断方法。
技术介绍
1、管线淤积与过流特性(出入口流速流量)之间具有明显的复杂耦合关系。为了研究管线淤积病害对过流的瞬时影响,现有研究提出管线淤积病害随机起动模型的受力分析方法。在这些模型中,管线淤积病害起动条件的不同取值将使水流状态参数的计算产生严重偏差。随着管线淤积病害起动理论的引入,现有研究建立了管线淤积病害起动与紊流相干作用模型,但管线淤积病害影响下的出入口流速/流量随时间动态变化的领域知识、初始条件和边界条件并未被有效提取出来。现有研究基于动态微分方程和试验分析了水锤波、管线淤积病害程度和长度之间的定量关系。然而,以上研究未考虑管线淤积病害、水流的互馈关系对管线过流特性的影响。因此,如何构建管道淤积细观水力学模型,定量分析模型中管道流速/流量控制方程、边界条件和初始条件,是目前亟待解决的关键问题之一。
2、随着人工智能和计算技术的快速发展,淤积程度和淤积长度可以通过基于人工智能的故障检测手段加以实现。目前,基于数据挖掘技术的复杂系统故障检测与诊断方法主要包括专家系统、贝叶斯网络、粗糙集、petri网、深度神经网络等。尽管学者们对排水管道淤积过流特性分析进行了拓展和完善,但并未考虑管道淤积悬移质、推移质、水流、上层空气的多相流互馈关系和重力场、应力场、流场等多场耦合对管道过流特性的影响。与此同时,现有管道淤积智能诊断模型中损失函数调优过程缺乏管道淤积流固耦合领域知识引领的控制方程和
3、综上,如何从排水管道淤积细观水力学模型、管道出入口流速/流量序列数据集“异常值检测-最优化插值-样本扩充”、领域知识和深度学习耦合作用下的智能诊断算法三个方面构建排水管道淤积智能诊断模型,是目前急需解决的课题。
技术实现思路
1、针对以上问题,本专利技术的目的是基于排水管道淤积细观水力学模型分析、dem-cfd流固耦合数值模拟、管道淤积领域知识的深度小世界神经网络损失函数误差修正和样本数据集“异常值检测-缺失值插值-扩充”三个方面,提供一种耦合领域知识和深度学习的排水管道淤积病害诊断方法。
2、本专利技术采用的技术方案如下:s1:依据排水管道中水体参考单元的动量守恒原理、水流不可压缩和体积守恒原理,得到管道淤积细观水力学模型的雷诺时均运动方程和管道出入口边界条件;
3、s2:通过微分方程离散化和无溢流情况下管道流量不变原理,求解得到排水管道淤积的动量矩守恒方程;
4、s3:通过离散元分析与计算流体力学耦合数值模拟率定管道淤积多场耦合瞬态水力模型的参数;
5、s4:采用“足尺试验+流体力学耦合数值模拟+现场定期监测”的多维度训练样本数据集数据采集方式获取训练和测试样本数据集;
6、s5:训练和测试样本数据集的异常值检测和缺失值插值,由局部异常因子检测方法对样本数据集中的异常值进行检测,同时利用回归距离平方反比法和回归协同克里格法的最优化插值方法对缺失值进行插值操作,并采用交叉验证法对回归距离平方反比法和回归协同克里格法两种插值方法的精确度进行对比分析,取精确度相对高的方法进行插值;
7、s6:利用多尺度注意力神经网络作为逐步改进生成对抗网络的分类器,对采集到的样本数据集的数据进行扩充,提高管道出入口流速/流量时间序列样本数据集扩充结果的准确性;
8、s7:采用小世界神经网络、受限玻尔兹曼机网络和领域知识嵌入方法,建立领域知识和深度小世界神经网络耦合作用下的排水管道淤积病害智能诊断模型,并对智能诊断模型进行训练;
9、s8:利用训练样本数据集反复训练智能诊断模型中的权值参数,当智能诊断模型训练成熟后,利用输入的测试样本数据集,动态输出管道淤积诊断结果。
10、进一步的,所述步骤s1中雷诺时均运动方程和管道出入口边界条件见公式(1)公式(2)和公式(3):
11、
12、u(a,t)=va(t) (2)
13、u(b,t)=vb(t) (3)
14、其中,u表示管道水流平均流速在三维坐标系x轴上的分量,t表示时间维度的某一特定时刻,x表示与管道方向平行的坐标轴,g表示管道水流的重力加速度,α表示管道与标准水平面之间的夹角,表示分量u在三维坐标系x轴方向上的实时脉动流速,且ζ为紊流运动粘性系数,vt为单位质量水流的紊动能,μ表示动力粘性系数,表示三维空间中的拉普拉斯函数,u(a,t)和u(b,t)分别表示t时刻管道入口和出口的平均流速,va(t)和vb(t)分别表示由流量计测量得到的管道入口和出口在时刻t的流速。
15、进一步的,所述步骤s2中排水管道淤积的动量矩守恒方程,其管道出口的理论流速vbt(t+t1)和水流从管道入口a运动到管道出口b所需时间t1的具体表达式见公式(4)、公式(5)和公式(6):
16、
17、
18、
19、其中,ρ为含沙水流密度,q(t)表示时刻t流过管道目标位置的瞬时流量,δt表示无限小的时间间隔,ffw和ffs分别表示非淤积和淤积管段中流固耦合的摩擦阻力,lp表示从管道入口a到管道出口b的管道总长度,lc代表管道淤积的长度,η3为非淤积管段水流动能转换效率系数,sc代表管道淤积的厚度,t1表示水流从管道入口a运动到管道出口b所需的时间,vbt(t+t1)表示管道出口b处水流的理论流速,va(t)表示管道入口a处水流在时刻t时的流速,η1和η2分别代表未淤积管道和淤积管道的摩擦系数。
20、进一步的,所述步骤s3中管道淤积多场耦合瞬态水力模型的参数通过有限元分析和足尺试验进行率定,同时验证和剔除足尺试验中采集到的异常值。
21、进一步的,所述步骤s5中训练和测试样本数据集的异常值检测和缺失值插值,具体步骤包括:
22、步骤s51:计算待检测指标即管道出入口流速/流量序列的第k小的距离dk(p),其定义为dk(p)=d(p,o),这里的距离为时间维度,满足:
23、(1)在集合c中至少有不包括p在内的k个点,对于任意的点q,满足q∈c{q≠p},有d(p,q)≤d(p,o);
24、(2)在集合c中最多有不包括p在内的k-1个点,对于任意的点q,满足q∈c{q≠p},有d(p,q)<d(p,o);
25、步骤s52:计算指标数据p的第k小的距离的邻域nk(p),满足指标数据p的第k小的距离的邻域点个数|nk(p)|≥k;
26、步骤本文档来自技高网...
【技术保护点】
1.耦合领域知识和深度学习的排水管道淤积病害诊断方法,其特征在于具体步骤为:
2.根据权利要求1所述的耦合领域知识和深度学习的排水管道淤积病害诊断方法,其特征在于:步骤S1中雷诺时均运动方程和管道出入口边界条件见公式(1)、公式(2)和公式(3):
3.根据权利要求2所述的耦合领域知识和深度学习的排水管道淤积病害诊断方法,其特征在于:步骤S2中排水管道淤积的动量矩守恒方程,其管道出口的理论流速和水流从管道入口A运动到管道出口B所需时间的具体表达式见公式(4)、公式(5)和公式(6):
4.根据权利要求3所述的耦合领域知识和深度学习的排水管道淤积病害诊断方法,其特征在于:步骤S3中管道淤积多场耦合瞬态水力模型的参数通过有限元分析和足尺试验进行率定,同时验证和剔除足尺试验中采集到的异常值。
5.根据权利要求4所述的耦合领域知识和深度学习的排水管道淤积病害诊断方法,其特征在于:步骤S5中训练和测试样本数据集的异常值检测和缺失值插值,具体步骤包括:
6.根据权利要求5所述的耦合领域知识和深度学习的排水管道淤积病害诊断方法,其特征
7.根据权利要求6所述的耦合领域知识和深度学习的排水管道淤积病害诊断方法,其特征在于:所述步骤S7中排水管道淤积病害智能诊断模型,并对智能诊断模型进行训练,具体步骤包括:
...【技术特征摘要】
1.耦合领域知识和深度学习的排水管道淤积病害诊断方法,其特征在于具体步骤为:
2.根据权利要求1所述的耦合领域知识和深度学习的排水管道淤积病害诊断方法,其特征在于:步骤s1中雷诺时均运动方程和管道出入口边界条件见公式(1)、公式(2)和公式(3):
3.根据权利要求2所述的耦合领域知识和深度学习的排水管道淤积病害诊断方法,其特征在于:步骤s2中排水管道淤积的动量矩守恒方程,其管道出口的理论流速和水流从管道入口a运动到管道出口b所需时间的具体表达式见公式(4)、公式(5)和公式(6):
4.根据权利要求3所述的耦合领域知识和深度学习的排水管道淤积病害诊断方法,其特征在于:步骤s3中...
【专利技术属性】
技术研发人员:方宏远,狄丹阳,王念念,李斌,孙斌,张朝阳,白渝,
申请(专利权)人:郑州大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。