基于机器学习的市政管网运维风险评估
发布时间：2021-11-22 07:15
城市市政给排水管道作为地下管线的重要组成部分,其规模不断扩大。其智慧化管理和运维水平,直接关系到整个城市综合管网的安全运行。传统的管网风险评估多为事故后果半定量分析,依赖水力模型的准确性与数值模拟的可靠度,不能配合多元监测手段的提升带来的管道系统中可用数据质量和数量相继增强的发展。因此本文提出基于机器学习的市政管网运维风险评估方法,该方法由数据驱动,成本更低,劳动和时间效率更高。一旦校准、优化和验证,不需要过多操作人员,主要由计算机系统工作,风险评估算法对管道系统进行连续监测,使得管网模型的维护变得非常高效。首先,搜集国内外市政管网的运维风险研究资料。通过数据挖掘,文献查阅,询问调研方法,在统计基础上研究城市市政管网运维风险的内容及事故发生原因,包括物理、操作和环境特征三种类型。整理导致市政管网运维过程中的安全事故因素,发现供水与排水管网的事故类型中腐蚀老化的占比都偏大,其次是施工质量或第三方破坏因素。其次,针对现有管网运维风险评估模型研究中的不足,提出一种基于机器学习的管网运维风险评估方法,包括模型的数学原理,数据预处理方法,参数选择和优化等。通过对几种算法的学习表现进行评估,确立了...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
给排水管网事故统计
哈尔滨工业大学工程硕士学位论文11图2-1给排水管网事故统计图2-2管网漏损及爆管统计根据图表可以看出供水与排水管网的事故类型中腐蚀老化的占比都偏大，其次是施工质量或第三方破坏因素。根据十二五以来管网漏损率曲线呈现下降趋势，可以推断，管段年龄与管段破损有相关性，另一种可能则是市政系统新建管道换用了更耐用的材料。2.3机器学习方法机器学习是一门从数据中研究算法，使用算法解析数据，从中学习，对未知事物做出决定或预测的科学学科。机器学习是多领域交叉学科，机器学习需要编程、数理统计以及相应的专业领域知识。机器学习研究的是计算机怎样模拟人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身。简而言之，就是计算机从数据中学习出规律和模式，以应用在新数据上做预测的任务。数据（Data）、学习算法（LearningAlgorithm）、模型（Model）是机器学习三要素，机器学习的输入是数据（Data），学到的结果叫模型（Model）。从数据中学
哈尔滨工业大学工程硕士学位论文12得模型这个过程叫做学习算法（LearningAlgorithm）。本研究所有计算都是在桌面计算机上进行的，该计算机具有3.0GHzInteli5CPU、8GBRAM和Windows10操作系统。图2-3机器学习算法流程图假设了GroundTruthf的存在，那么学习算法要做的就是找出某个映射，使这个映射尽可能得接近f。在实际的训练过程中，学习算法会有一个假设集合(HypothesisSet，记作H)，这个集合包含所有候选的映射函数。学习算法做的事情就是从中选出最好的g，使得g接近f。机器学习工作流程一般分为四步：（1）数据预处理（2）训练模型（3）模型评估（4）预测（测试）新数据根据训练数据是否有标注，机器学习问题大致划分为监督学习（SupervisedLearning）和无监督学习（UnsupervisedLearning）两大类：（1）监督学习：每个输入样本都有标注，这些标注就像标准答案一样“监督”学习的过程。而监督学习又大致分成两类：分类（Classification）和回归（Regression）：A.分类问题：标注是离散值，比如“破坏”和“非破坏”。如果标注只有两个值，则称为二分类，如果标注有多个值，则称为多分类。B.回归问题：标注是连续值，比如如果问题是预测温度变化，温度作为标注就是一个连续值，属于回归问题。（2）无监督学习：训练样本没有标注，无监督学习解决的典型问题是聚类（clustering）问题。
【参考文献】：
期刊论文
[1]基于动态贝叶斯网络的海底管道点蚀疲劳损伤失效模型研究[J]. 骆正山,赵乐新,王小完. 表面技术. 2020(01)
[2]EPANET在供水管网漏损检测中的研究[J]. 刘小俊,李寻,张雪. 供水技术. 2019(06)
[3]基于事故率的城市供水管网全寿命运行可靠性[J]. 刘威,宋朝阳. 同济大学学报(自然科学版). 2019(09)
[4]基于分布式传感器在线监测数据的排水管网安全运行问题识别与分析[J]. 周标,董毓良. 科技创新与应用. 2019(25)
[5]基于排水动态管控平台的在线监测系统在城市排水运维中的应用[J]. 朱志文,左达任,林健新,孙连鹏. 节能与环保. 2019(05)
[6]管线大数据挖掘应用探讨[J]. 吴思,高倩影,陈勇,陈静,张金花. 城市勘测. 2017(06)
[7]市政管网优化技术研究现状与趋势探究[J]. 郑卫国. 城市建设理论研究(电子版). 2017(03)
[8]基于SCADA压力监测的爆管定位分析[J]. 陶涛,颜合想,信昆仑,瞿玲芳. 供水技术. 2016(04)
[9]“十三五”中国经济转型、就业与社会保障——中国社会科学论坛（2015年·经济学）国际研讨会综述[J]. 谢倩芸. 劳动经济研究. 2015(06)
[10]关于城市供水管网综合评估方法的探讨[J]. 何维华. 给水排水. 2015(09)
博士论文
[1]大规模XML数据并行处理机制研究[D]. 宋坤芳.华中科技大学 2019
[2]地形因素影响下重庆市主要土壤的质地类型空间分布预测研究[D]. 李爱迪.西南大学 2019
硕士论文
[1]城市排水管网脆弱性诊断的应用研究[D]. 丁聿.天津理工大学 2019
[2]基于深度学习的程序识别算法的优化[D]. 李赵迪.西安电子科技大学 2018
[3]基于WATERGEMS的供水管网建模及优化调度研究[D]. 吴丹.沈阳建筑大学 2018
[4]城市供水管网风险分析及评价[D]. 邢翔轩.西安建筑科技大学 2012
本文编号：3511197
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
给排水管网事故统计
哈尔滨工业大学工程硕士学位论文11图2-1给排水管网事故统计图2-2管网漏损及爆管统计根据图表可以看出供水与排水管网的事故类型中腐蚀老化的占比都偏大，其次是施工质量或第三方破坏因素。根据十二五以来管网漏损率曲线呈现下降趋势，可以推断，管段年龄与管段破损有相关性，另一种可能则是市政系统新建管道换用了更耐用的材料。2.3机器学习方法机器学习是一门从数据中研究算法，使用算法解析数据，从中学习，对未知事物做出决定或预测的科学学科。机器学习是多领域交叉学科，机器学习需要编程、数理统计以及相应的专业领域知识。机器学习研究的是计算机怎样模拟人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身。简而言之，就是计算机从数据中学习出规律和模式，以应用在新数据上做预测的任务。数据（Data）、学习算法（LearningAlgorithm）、模型（Model）是机器学习三要素，机器学习的输入是数据（Data），学到的结果叫模型（Model）。从数据中学
哈尔滨工业大学工程硕士学位论文12得模型这个过程叫做学习算法（LearningAlgorithm）。本研究所有计算都是在桌面计算机上进行的，该计算机具有3.0GHzInteli5CPU、8GBRAM和Windows10操作系统。图2-3机器学习算法流程图假设了GroundTruthf的存在，那么学习算法要做的就是找出某个映射，使这个映射尽可能得接近f。在实际的训练过程中，学习算法会有一个假设集合(HypothesisSet，记作H)，这个集合包含所有候选的映射函数。学习算法做的事情就是从中选出最好的g，使得g接近f。机器学习工作流程一般分为四步：（1）数据预处理（2）训练模型（3）模型评估（4）预测（测试）新数据根据训练数据是否有标注，机器学习问题大致划分为监督学习（SupervisedLearning）和无监督学习（UnsupervisedLearning）两大类：（1）监督学习：每个输入样本都有标注，这些标注就像标准答案一样“监督”学习的过程。而监督学习又大致分成两类：分类（Classification）和回归（Regression）：A.分类问题：标注是离散值，比如“破坏”和“非破坏”。如果标注只有两个值，则称为二分类，如果标注有多个值，则称为多分类。B.回归问题：标注是连续值，比如如果问题是预测温度变化，温度作为标注就是一个连续值，属于回归问题。（2）无监督学习：训练样本没有标注，无监督学习解决的典型问题是聚类（clustering）问题。
【参考文献】：
期刊论文
[1]基于动态贝叶斯网络的海底管道点蚀疲劳损伤失效模型研究[J]. 骆正山,赵乐新,王小完. 表面技术. 2020(01)
[2]EPANET在供水管网漏损检测中的研究[J]. 刘小俊,李寻,张雪. 供水技术. 2019(06)
[3]基于事故率的城市供水管网全寿命运行可靠性[J]. 刘威,宋朝阳. 同济大学学报(自然科学版). 2019(09)
[4]基于分布式传感器在线监测数据的排水管网安全运行问题识别与分析[J]. 周标,董毓良. 科技创新与应用. 2019(25)
[5]基于排水动态管控平台的在线监测系统在城市排水运维中的应用[J]. 朱志文,左达任,林健新,孙连鹏. 节能与环保. 2019(05)
[6]管线大数据挖掘应用探讨[J]. 吴思,高倩影,陈勇,陈静,张金花. 城市勘测. 2017(06)
[7]市政管网优化技术研究现状与趋势探究[J]. 郑卫国. 城市建设理论研究(电子版). 2017(03)
[8]基于SCADA压力监测的爆管定位分析[J]. 陶涛,颜合想,信昆仑,瞿玲芳. 供水技术. 2016(04)
[9]“十三五”中国经济转型、就业与社会保障——中国社会科学论坛（2015年·经济学）国际研讨会综述[J]. 谢倩芸. 劳动经济研究. 2015(06)
[10]关于城市供水管网综合评估方法的探讨[J]. 何维华. 给水排水. 2015(09)
博士论文
[1]大规模XML数据并行处理机制研究[D]. 宋坤芳.华中科技大学 2019
[2]地形因素影响下重庆市主要土壤的质地类型空间分布预测研究[D]. 李爱迪.西南大学 2019
硕士论文
[1]城市排水管网脆弱性诊断的应用研究[D]. 丁聿.天津理工大学 2019
[2]基于深度学习的程序识别算法的优化[D]. 李赵迪.西安电子科技大学 2018
[3]基于WATERGEMS的供水管网建模及优化调度研究[D]. 吴丹.沈阳建筑大学 2018
[4]城市供水管网风险分析及评价[D]. 邢翔轩.西安建筑科技大学 2012
本文编号：3511197
本文链接：https://www.wllwen.com/jianzhugongchenglunwen/3511197.html
