基于神经网络深度学习和结构优化的供水管网漏口失效形式及漏失量预测

为了量化供水管网漏失危害,根据漏失形式探究管网漏失原因,在管网漏失试验的基础上,通过分析不同管材、管径、漏口失效形式的管段在各种压力下漏失瞬态漏口周围20个压力波动数据,利用BP神经网络在压力数据与漏失量、漏口失效形式之间建立映射关系,并通过大量训练来优化BP神经网络结构。结果表明,优化后的神经网络可精确地预测出管网漏失量及漏口失效形式,为一种适用性强、快速有效的预测方法。

基于SAA-SVM模型的供水管网漏损预测技术研究

为探究城镇供水管网漏失量、漏口失效形式与漏失压力之间的关系,根据供水管网的水力特性和漏损变化规律,基于模拟退火算法(SAA)的突跳特性和支持向量机(SVM)的稀疏性和稳健性,构建了SAA-SVM组合模型,利用SAA对SVM的参数c、g进行优化,并通过供水管网仿真模拟试验平台将多工况实时监测漏失数据作为样本数据集输入至SAA-SVM模型,经SAA-SVM对样本数据集进行处理、训练,进而展开漏损预测。结果表明,支持向量机(SVM)的准确度和跳出局部最优解的能力大幅提高,优化后的SAA-SVM能对漏口失效形式、漏失量进行快速准确的预测,满足供水管网多工况漏损预测的需求。