CN114673246A - 一种污水管道防堵塞测量方法及其测量系统 - Google Patents
一种污水管道防堵塞测量方法及其测量系统 Download PDFInfo
- Publication number
- CN114673246A CN114673246A CN202210344418.9A CN202210344418A CN114673246A CN 114673246 A CN114673246 A CN 114673246A CN 202210344418 A CN202210344418 A CN 202210344418A CN 114673246 A CN114673246 A CN 114673246A
- Authority
- CN
- China
- Prior art keywords
- neural network
- time
- state data
- real
- pipeline
- 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
- 239000010865 sewage Substances 0.000 title claims abstract description 38
- 238000005259 measurement Methods 0.000 title claims description 9
- 238000000691 measurement method Methods 0.000 title claims description 4
- 238000013528 artificial neural network Methods 0.000 claims abstract description 54
- 239000012530 fluid Substances 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 230000001537 neural effect Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 210000005036 nerve Anatomy 0.000 description 9
- 125000004122 cyclic group Chemical group 0.000 description 6
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E03—WATER SUPPLY; SEWERAGE
- E03F—SEWERS; CESSPOOLS
- E03F7/00—Other installations or implements for operating sewer systems, e.g. for preventing or indicating stoppage; Emptying cesspools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- E—FIXED CONSTRUCTIONS
- E03—WATER SUPPLY; SEWERAGE
- E03F—SEWERS; CESSPOOLS
- E03F2201/00—Details, devices or methods not otherwise provided for
- E03F2201/20—Measuring flow in sewer systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Hydrology & Water Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种污水管道防堵塞测量方法及其测量系统，其包括传感器节点、神经网络分析模块和云计算平台，传感器节点用于实时采集污水管道内流体通过时的介电常数，并发送给神经网络分析模块，神经网络分析模块可得出表示管道内流体堵塞情况的实时状态数据，并发送给云计算平台；云计算平台包含数据库、神经网络预测模块和API接口，数据库用于存放接收到的实时状态数据，神经网络预测模块可预测出管道内流体未来设定时间内发生堵塞的概率，API接口用于实时状态数据和预测结果发送给客户端；本方案实现实时在线监测楼宇污水管道内流体的堵塞情况，完善了智慧城市的楼宇污水管道数据信息。
Description
技术领域
本发明涉及防堵塞测量技术领域，具体涉及一种污水管道防堵塞测量方法及其测量系统。
背景技术
楼宇污水管道大多是隐蔽工程，随着时间的推移，楼宇污水管道壁附着力增大、杂物淤积、房屋沉降等原因，造成楼宇污水管道经常出现堵塞、反水的问题，轻则要采用人工或机械进行疏通，且在原因不明以及经过人工或机械疏通后还不能解决的情况下，必须对楼宇排污系统进行重新改造，这不仅会影响居民的正常生活秩序，破坏原有的园林景观绿化等，甚至会产生不必要的纠纷。
发明内容
针对上述现有技术的不足，本发明提供了一种污水管道防堵塞测量方法及其测量系统，为楼宇污水管道的堵塞提供预测性维护，解决了楼宇污水管道堵塞发现不及时的问题。
为实现上述目的，本发明所采用的技术方案为：
提供一种污水管道防堵塞测量方法，其特征在于，包括以下步骤：
S1：接收传感器节点采集的楼宇污水管道内流体通过时管道内流体的介电常数；
S2：将实时采集的介电常数输入神经网络分析模块，计算出表示管道内流体流动状态的实时状态数据；
S3：将预设时间段内的若干历史状态数据输入神经网络预测模块，预测出管道内流体未来设定时间内发生堵塞的概率；
S4：将实时状态数据和预测结果发送给客户端。
提供一种污水管道防堵塞测量系统，其包括传感器节点、神经网络分析模块和云计算平台，传感器节点用于实时采集楼宇污水管道内流体通过时的介电常数，并发送给神经网络分析模块，神经网络分析模块用于对实时采集的介电常数进行分析和推理，并得出表示管道内流体堵塞情况的实时状态数据，并发送给云计算平台；云计算平台包含数据库、神经网络预测模块和API接口，数据库用于存放接收到的实时状态数据，神经网络预测模块用于对数据库内的预设时间段内的若干历史状态数据进行分析和推理，并预测出管道内流体未来设定时间内发生堵塞的概率，API接口用于实时状态数据和预测结果发送给客户端。
进一步地，神经网络分析模块和神经网络预测模块均包括卷积层、循环神经层和全连接层，卷积层用于将实时采集的介电常数或历史状态数据映射到隐层特征空间，循环神经层用于将卷积层提取的隐层特征空间的特征序列按时间序列映射为特征值，全连接层用于将循环神经层提取出的特征值进行线性回归，并得出当前时间管道的实时状态数据或未来设定时间内管道发生堵塞的概率。
本发明的有益效果为：本发明通过传感器节点获取测量数据，并通过神经网络分析模块分析出管道内流体的实时状态数据，同时神经网络预测模块可根据一段时间内累计的历史数据，预测楼宇污水管道未来的堵塞情况，输出堵塞的报警信息或预警信息值客户端，并通过传感器节点给出定位，实现自动实时监测区域内各楼栋每个单元的污水管道，完善了智慧城市的楼宇污水管道数据信息，其自动化程度高，实用性强。
附图说明
图1为本方案的的污水管道防堵塞测量系统的组成图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，本方案的污水管道防堵塞测量系统包括传感器节点、神经网络分析模块和云计算平台，传感器节点用于实时采集楼宇污水管道内流体通过时的介电常数，并发送给神经网络分析模块，神经网络分析模块用于对实时采集的介电常数进行分析和推理，并得出表示管道内流体堵塞情况的实时状态数据，并发送给云计算平台；云计算平台包含数据库、神经网络预测模块和API接口，数据库用于存放接收到的实时状态数据，神经网络预测模块用于对数据库内的预设时间段内的若干历史状态数据进行分析和推理，并预测出管道内流体未来设定时间内发生堵塞的概率，API接口用于实时状态数据和预测结果发送给客户端。
神经网络分析模块和神经网络预测模块均包括卷积层、循环神经层和全连接层，卷积层用于将实时采集的介电常数或历史状态数据映射到隐层特征空间，循环神经层用于将卷积层提取的隐层特征空间的特征序列按时间序列映射为特征值，全连接层用于将循环神经层提取出的特征值进行线性回归，并得出当前时间管道的实时状态数据或未来设定时间内管道发生堵塞的概率。
提供一种污水管道防堵塞测量系统的测量方法，其包括以下步骤：
S1：传感器节点通过高精度电容测量技术实时采集楼宇污水管道内流体通过时的介电常数，即电容值，并将实时采集的介电常数传递给神经网络分析模块；
S2：神经网络分析模块通过卷积层、循环神经层和全连接层对实时采集的介电常数进行逐层分析和推理，卷积层将实时采集的介电常数映射到隐层特征空间，循环神经层将卷积层提取的隐层特征空间的特征序列按时间序列映射为特征值，全连接层用于将循环神经层提取出的特征值进行线性回归，最终得出表示管道内流体堵塞情况的实时状态数据，并传递给云计算平台；
S3：云计算平台通过数据库将接收到的实时状态数据进行存放后，并将预设时间段内的历史数据传递给神经网络预测模块；
S4：神经网络预测模块通过卷积层、循环神经层和全连接层对预设时间段内的历史数据进行进一步的逐层分析和推理，卷积层将历史数据映射到隐层特征空间，循环神经层将卷积层提取的隐层特征空间的特征序列按时间序列映射为特征值，全连接层用于将循环神经层提取出的特征值进行线性回归，预测出管道内流体未来设定时间内发生堵塞的概率；
S5：云计算平台通过API接口将实时状态数据和预测结果推送至客户端。
其中神经网络分析模块的训练方法为：
S11：获取历史介电常数数据，将历史介电常数数据序列分为正常值、预警值和报警值，并进行标注；
S12：将标注后的数据分为训练集和验证集；
S13：基于误差最小的判断准则和反向梯度传播算法，采用训练集数据对神经网络分析模块进行训练；
S14：采用验证集数据对训练完成后的神经网络分析模块进行验证；
S15：若验证成功，则训练完成；若验证失败，则重复步骤S11，直至验证成功。
其中神经网络预测模块的训练方法为：
S21：获取历史状态数据序列，将历史状态数据序列分为正常值、预警值和报警值，并进行标注；
S22：将标注后的数据分为训练集和验证集；
S23：基于误差最小的判断准则和反向梯度传播算法，采用训练集数据对神经网络预测模块进行训练；
S24：采用验证集数据对训练完成后的神经网络预测模块进行验证；
S25：若验证成功，则训练完成；若验证失败，则重复步骤S21，直至验证成功。
其中步骤S13和S23中误差最小的判断准则公式为：
其中，x为神经网络分析模块或神经网络预测模块中输出的运算结果，t为历史介电常数数据或历史状态数据序列的验证集标注数据，x与t均为N维向量。
具体实施时，本方案优选卷积层的网络模型为：
其中，*为卷积运算符，input为归一化后实时采集的介电常数或历史状态数据，weig ts为卷积核权重，bias为输出偏移；(Ni,Cin,L)为输入张量尺寸，(Ni,Cout,L)为输出张量尺寸，Ni为处理批次数，Cin为传感器输出信号通道数，Cout为网络输出通道数，L为处理信号序列长度，out1为网络输出，即隐层特征空间的特征序列。
本方案优选循环神经层的网络模型为：
Ht＝f(Wi*out1+bi+W*(t-1)+B)
其中Ht为t时刻的特征序列的特征值，Wih为输入权重矩阵，Whh为状态转移矩阵，h(t-1)为t-1时刻的网络状态，bih和Bhh均为偏移量，out1为卷积层的输出张量，f为神经网络的激活函数。
本方案优选全连接层的网络模型为：
y＝f(Ht*AT+b)
其中，Ht为循环神经层的输出张量，AT为权重矩阵，b为偏移量，f为神经网络的激活函数，y为神经网络回归线性的运算输出结果，即当前时间管道的状态数据或未来设定时间内管道发生堵塞的概率。
本方案优选传感器节点采用电容传感器极板，其工作原理为：目标物体和传感器极板构成了振荡电路。当目标物体成分、容量发生变化时，极板间电容出现变化改变振荡电路工作频率，通过测量振荡电路工作频率推算目标物体成分和容量。
综上所述，本方案的污水管道防堵塞测量方法及其测量系统可实现实时在线监测楼宇污水管道内流体的堵塞情况，完善了智慧城市的楼宇污水管道数据信息。
Claims (7)
1.一种污水管道防堵塞测量方法，其特征在于，包括以下步骤：
S1：接收传感器节点采集的楼宇污水管道内流体通过时管道内流体的介电常数；
S2：将实时采集的介电常数输入神经网络分析模块，计算出表示管道内流体流动状态的实时状态数据；
S3：将预设时间段内的若干历史状态数据输入神经网络预测模块，预测出管道内流体未来设定时间内发生堵塞的概率；
S4：将实时状态数据和预测结果发送给客户端。
2.根据权利要求1所述的污水管道防堵塞测量方法，其特征在于，所述神经网络分析模块和神经网络预测模块均包括：
卷积层，用于将实时采集的介电常数或管道历史状态数据映射到隐层特征空间，其网络模型为：
其中，*为卷积运算符，input为归一化后实时采集的介电常数或历史状态数据，weigts为卷积核权重，bias为输出偏移；(Ni，Cin，L)为输入张量尺寸，(Ni，Cout，L)为输出张量尺寸，Ni为处理批次数，Cin为传感器输出信号通道数，Cout为网络输出通道数，L为处理信号序列长度，out1为网络输出，即隐层特征空间的特征序列；
循环神经层用于将卷积层提取的隐层特征空间的特征序列按时间序列映射为特征值，其网络模型为：
Ht＝f(Wi*out1+bi+W*(t-1)+B)
其中Ht为t时刻的特征序列的特征值，Wih为输入权重矩阵，Whh为状态转移矩阵，h(t-1)为t-1时刻的网络状态，bih和Bhh均为偏移量，out1为卷积层的输出张量，f为神经网络的激活函数；
全连接层用于将循环神经层提取出的特征值进行线性回归，其网络模型为：
y＝f(Ht*AT+b)
其中，Ht为循环神经层的输出张量，AT为权重矩阵，b为偏移量，f为神经网络的激活函数，y为神经网络回归线性的运算输出结果，即当前时间管道的状态数据或未来设定时间内管道发生堵塞的概率。
3.根据权利要求1所述的污水管道防堵塞测量方法，其特征在于，所述神经网络分析模块的训练方法包括：
S11：获取历史介电常数数据，将历史介电常数数据序列分为正常值、预警值和报警值，并进行标注；
S12：将标注后的数据分为训练集和验证集；
S13：基于误差最小的判断准则和反向梯度传播算法，采用训练集数据对神经网络分析模块进行训练；
S14：采用验证集数据对训练完成后的神经网络分析模块进行验证；
S15：若验证成功，则训练完成；若验证失败，则重复步骤S11，直至验证成功。
4.根据权利要求1所述的污水管道防堵塞测量方法，其特征在于，所述神经网络预测模块的训练方法包括：
S21：获取历史状态数据序列，将历史状态数据序列分为正常值、预警值和报警值，并进行标注；
S22：将标注后的数据分为训练集和验证集；
S23：基于误差最小的判断准则和反向梯度传播算法，采用训练集数据对神经网络预测模块进行训练；
S24：采用验证集数据对训练完成后的神经网络预测模块进行验证；
S25：若验证成功，则训练完成；若验证失败，则重复步骤S21，直至验证成功。
5.根据权利要求3或4所述的污水管道防堵塞测量系统的测量方法，其特征在于，所述误差最小的判断准则公式为：
其中，x为神经网络分析模块或神经网络预测模块中输出的运算结果，t为历史介电常数数据或历史状态数据序列的验证集标注数据，x与t均为N维向量。
6.一种应用于权利要求1-5任一项所述的污水管道防堵塞测量方法的测量系统，其特征在于，包括：
传感器节点，用于实时采集楼宇污水管道内流体通过时的介电常数，并发送给神经网络分析模块；
神经网络分析模块，用于对实时采集的介电常数进行分析和推理，并得出表示管道内流体堵塞情况的实时状态数据，并发送给云计算平台；
云计算平台，用于存储接收到的实时状态数据，并将预设时间段内的若干历史状态数据进行分析和推理，预测楼宇污水管道内未来设定时间内发生堵塞的概率，之后将污水管道内流体的实时状态数据和预测结果发送给客户端。
7.根据权利要求6所述的测量系统，其特征在于，所述云计算平台包括：
数据库，用于存放接收到的实时状态数据；
神经网络预测模块，用于对数据库内的预设时间段内的若干历史状态数据进行分析和推理，并预测出管道内流体未来设定时间内发生堵塞的概率；
API接口，用于实时状态数据和预测结果发送给客户端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210344418.9A CN114673246B (zh) | 2022-03-31 | 2022-03-31 | 一种污水管道防堵塞测量方法及其测量系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210344418.9A CN114673246B (zh) | 2022-03-31 | 2022-03-31 | 一种污水管道防堵塞测量方法及其测量系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114673246A true CN114673246A (zh) | 2022-06-28 |
| CN114673246B CN114673246B (zh) | 2024-07-02 |
Family
ID=82076186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210344418.9A Active CN114673246B (zh) | 2022-03-31 | 2022-03-31 | 一种污水管道防堵塞测量方法及其测量系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114673246B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523146A (zh) * | 2023-06-30 | 2023-08-01 | 天津蓝天环科环境科技股份有限公司 | 一种基于神经网络的医院污水量预测方法及装置 |
| GB2618171A (en) * | 2022-09-20 | 2023-11-01 | Stormharvester Ipr Ltd | Anomaly detection in wastewater networks |
| WO2024061986A1 (en) * | 2022-09-20 | 2024-03-28 | Stormharvester IPR Limited | Anomaly detection for wastewater assets with pumps in wastewater networks |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040044475A1 (en) * | 2001-07-16 | 2004-03-04 | Toshiaki Oka | Sewage inflow amount predicting device and method, and server device |
| CN106090627A (zh) * | 2016-06-12 | 2016-11-09 | 南京大学 | 一种基于电容法的排水管堵塞检测方法与装置 |
| CN109725366A (zh) * | 2018-11-23 | 2019-05-07 | 北京建筑大学 | 雨水堵塞点的定位方法及系统 |
| CN110841143A (zh) * | 2019-10-22 | 2020-02-28 | 江苏爱朋医疗科技股份有限公司 | 一种用于预测输液管路状态的方法及系统 |
| CN110929359A (zh) * | 2019-11-20 | 2020-03-27 | 合肥泽众城市智能科技有限公司 | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 |
| US20210088369A1 (en) * | 2019-09-24 | 2021-03-25 | Ads Llc | Blockage detection using machine learning |
| WO2021073152A1 (zh) * | 2019-10-14 | 2021-04-22 | 平安科技（深圳）有限公司 | 基于神经网络的数据标签生成方法、装置、终端及介质 |
| US20210181119A1 (en) * | 2019-12-11 | 2021-06-17 | Can-Explore Inc. | System and method for inspection of a sewer line using machine learning |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
-
2022
- 2022-03-31 CN CN202210344418.9A patent/CN114673246B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040044475A1 (en) * | 2001-07-16 | 2004-03-04 | Toshiaki Oka | Sewage inflow amount predicting device and method, and server device |
| CN106090627A (zh) * | 2016-06-12 | 2016-11-09 | 南京大学 | 一种基于电容法的排水管堵塞检测方法与装置 |
| CN109725366A (zh) * | 2018-11-23 | 2019-05-07 | 北京建筑大学 | 雨水堵塞点的定位方法及系统 |
| US20210088369A1 (en) * | 2019-09-24 | 2021-03-25 | Ads Llc | Blockage detection using machine learning |
| WO2021073152A1 (zh) * | 2019-10-14 | 2021-04-22 | 平安科技（深圳）有限公司 | 基于神经网络的数据标签生成方法、装置、终端及介质 |
| CN110841143A (zh) * | 2019-10-22 | 2020-02-28 | 江苏爱朋医疗科技股份有限公司 | 一种用于预测输液管路状态的方法及系统 |
| CN110929359A (zh) * | 2019-11-20 | 2020-03-27 | 合肥泽众城市智能科技有限公司 | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 |
| US20210181119A1 (en) * | 2019-12-11 | 2021-06-17 | Can-Explore Inc. | System and method for inspection of a sewer line using machine learning |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2618171A (en) * | 2022-09-20 | 2023-11-01 | Stormharvester Ipr Ltd | Anomaly detection in wastewater networks |
| WO2024061986A1 (en) * | 2022-09-20 | 2024-03-28 | Stormharvester IPR Limited | Anomaly detection for wastewater assets with pumps in wastewater networks |
| WO2024061980A1 (en) * | 2022-09-20 | 2024-03-28 | Stormharvester IPR Limited | Anomaly detection in wastewater networks |
| CN116523146A (zh) * | 2023-06-30 | 2023-08-01 | 天津蓝天环科环境科技股份有限公司 | 一种基于神经网络的医院污水量预测方法及装置 |
| CN116523146B (zh) * | 2023-06-30 | 2023-09-26 | 天津蓝天环科环境科技股份有限公司 | 一种基于神经网络的医院污水量预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114673246B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114673246A (zh) | 一种污水管道防堵塞测量方法及其测量系统 | |
| Choubin et al. | Combined gamma and M-test-based ANN and ARIMA models for groundwater fluctuation forecasting in semiarid regions | |
| CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
| CN114611778B (zh) | 一种基于入库流量的水库水位预警方法及系统 | |
| CN109058771B (zh) | 基于样本生成和间隔Markov特征的管道异常检测方法 | |
| US12055464B2 (en) | Systems and methods for improved pipeline leak detection | |
| CN115031776A (zh) | 一种排水管网淤积监测分析的方法 | |
| Asghari et al. | Spatial rainfall prediction using optimal features selection approaches | |
| CN116364203A (zh) | 一种基于深度学习的水质预测方法、系统和装置 | |
| CN118152990B (zh) | 一种水文塔用在线测流系统 | |
| Wu | A Novel Artificial Neural Network Ensemble Model Based on K--Nearest Neighbor Nonparametric Estimation of Regression Function and Its Application for Rainfall Forecasting | |
| CN113468804A (zh) | 一种基于矩阵束和深度神经网络的地下管道识别方法 | |
| CN118504751A (zh) | 一种松散回潮工序中烟片出口含水率的预测方法、系统、介质和设备 | |
| CN115356400B (zh) | 一种基于BiLSTM的超声波木材无损检测方法及系统 | |
| Wu et al. | Modeling error learning based post-processor framework for hydrologic models accuracy improvement | |
| CN117372629A (zh) | 一种基于数字孪生的水库可视化数据监管控制系统及方法 | |
| Masngut et al. | Comparison of daily rainfall forecasting using multilayer perceptron neural network model | |
| Wu et al. | A novel bayesian additive regression trees ensemble model based on linear regression and nonlinear regression for torrential rain forecasting | |
| Darvishi Salookolaei et al. | Application of grey system theory in rainfall estimation | |
| Gandhi et al. | IoT and ML-based Water Flow Estimation using Pressure Sensor | |
| Huu et al. | Development of warning and predicting system for quality of air in smart cities using RNN | |
| Vivekanandan | Prediction of rainfall using mlp and rbf networks | |
| Zheng et al. | A multi-factor data-driven prediction model for cyanobacteria blooms in lakes and reservoirs | |
| CN118447459B (zh) | 基于深度学习的滑坡堆积体监控方法及系统 | |
| Sun et al. | Early Warning System of Sewage Pipe Network Blocking Based on RBFNN |
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 |