论文部分内容阅读
近些年来,我国各地供水管道爆管事故频繁发生,其带来的各种损失令人触目惊心。因此,建立有效的爆管预测模型至关重要。有效的预测模型可以从源头上对管网漏损进行控制,做到早发现、早预防,科学合理地进行维护,实现漏损的主动控制。由于历史维修数据的有限性、供水管网爆管本身的不确定性、影响因素之间的非线性、实际供水管网的复杂性,导致基于统计分析的统计模型和基于受力分析的物理模型等传统爆管预测模型难以建立且预测精度不高。所以针对现有爆管预测模型存在的局限性,论文提出了基于BP神经网络的供水管网爆管风险预测模型。论文基于BP神经网络算法,以部分满足风险等级定义的管段作为样本集,采用样本集中的管材、管径、管段埋深、管段压力以及管段流速等五个爆管因素作为输入值,爆管风险等级作为输出值,然后对模型进行训练和测试,最后对不满足定义的剩余管段进行爆管风险等级预测。该方法能够对整个管网的爆管风险进行合理预测,为管网的更新提供科学依据。首先,收集重庆市TL区的实际管网拓扑结构、水量、水压等基础数据,利用水力建模软件Mike Urban,通过生成拓扑结构、节点高程赋值、水量空间分配、可视化排错、模型校核,快速建立TL区水力模型。然后,结合TL区的爆管维修数据,利用GIS的空间连接工具,对爆管点和爆管管段进行空间连接,明确爆管点的管材、管径、管段埋深、管段压力以及管段流速,基于此对爆管机理进行研究,进而对爆管因素的不同类别制定爆管风险等级划分标准。最后,依照划分标准对整个管网所有管段的所有爆管因素进行爆管风险等级划分,并定义当某一具体管段的5个爆管因素中至少有3个属于同一风险等级,则认为该管段的爆管风险属于该风险等级。选取部分满足定义的管段作为样本集,对BP神经网络爆管预测模型进行预处理、训练、测试,训练的均方误差终止于1.06×10-17,测试的预测正确率高达97.5%,表明基于BP神经网络的爆管预测模型能够用于不满足定义的管段爆管风险预测。为了将爆管预测模型预测的结果直观表达,在GIS中将管段按照爆管风险等级分类显示。