【技术实现步骤摘要】
本专利技术涉及管道漏水爆管风险评估，具体涉及一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，还涉及一种计算机设备，还涉及一种存储介质。
技术介绍
1、近些年，城市供水管道爆漏事故频发，供水管网的安全运行逐渐成为各大中型城市关注的重点。城市供水管网的漏损不仅造成水资源浪费和经济损失，而且由此引发的地面塌陷等次生灾害还严重影响人们正常生活和生产活动。因此，通过进行供水管网研究，从根本上降低漏损率和爆管事故风险概率是当前供水管道系统急需解决的问题，由此，在管线事故发生前对供水管道漏损风险的评估就尤为重要。
2、模糊小波神经网络将小波神经网络的快速收敛能力和tsk模糊系统的推理能力相结合，更容易分析供水管道漏损所产生的非平稳信号，大大提高了系统达到全局最优结果的能力，预测的精度高，与实际情况更加吻合。
3、目前，供水管道风险评估大都采用模糊综合评价，数值模拟，事故树等方法，但当涉及管道漏损风险评估指标选取时，未能分析指标间的内在关系从而造成指标的错选、漏选，同时，管道的漏损风险评估中有许多不确定模糊因素，当前常用方法难以进行可靠准确的评估。因此，如何在能够反映供水管道漏损特征的情况下准确检测供水管道漏损风险成为一个急需解决的问题。
技术实现思路
1、针对现有技术中存在的技术问题，本专利技术的目的是：提供一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，可在反映供水管道漏损特征的情况下准确检测供水管道漏损风险。解决了上述
技术介绍
中供水管道
2、本专利技术的第二个目的在于提供一种计算机设备。
3、本专利技术的第三个目的在于提供一种存储介质。
4、为了达到上述目的，本专利技术采用如下技术方案：
5、一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，包括如下步骤：步骤s1：获取导致供水管道漏损的因素集及供水管道漏损的后果集，构建系统动力学模型；步骤s2：对系统动力学模型进一步分析，结合指标的可实施性、易获得性构建供水管道漏损风险评估指标体系；步骤s3：对供水管道漏损风险评估指标体系中的各个指标进行风险等级划分，并确定各风险等级下的风险指数；步骤s4：确定供水管道漏损风险评估中样本内各指标的风险指数数据和各样本的风险值；步骤s5：建立模糊小波神经网络模型，并将一定数量的样本作为训练集，其余样本作为测试集，代入模糊小波神经网络模型；步骤s6：根据模糊小波神经网络模型预测供水管道漏损风险值，判定供水管道漏损风险状况。需要注意的是，步骤s1-s6为基于系统动力学与模糊小波神经网络的供水管道漏损风险评估中的通用步骤，一旦建立，可重复实施。
6、优选的，步骤s1中，系统动力学模型使用概率链和后果链分别表示供水管道漏损风险因素和管道失效后果的内在联系，若联系双方从一方开始，并直接对联系另一方产生越来越大的影响时，这种联系被定义为正反馈，相反，则被定义为负反馈。
7、优选的，步骤s3具体包括：步骤s3.1：利用定量风险评价法评价供水管道漏损发生概率，确定步骤s2中供水管道漏损风险评估指标体系的等级范围；步骤s3.2：不同指标通过评分规则确定步骤s3.1中各等级下的评分标准，分值在1～10之间。步骤s3.2中，评分规则包括力学计算、数值分析或参照规范指标。
8、优选的，步骤s4具体包括：步骤s4.1：根据管道实际运行条件和管道调研情况获取步骤s2供水管道漏损风险评估指标体系中各指标的风险指数数据，样本个数为n；步骤s4.2：对供水管道漏损的风险值范围进行划分使其分别对应安全无漏损情况、低风险漏损、中度风险漏损、高风险漏损以及危险重大漏损情况五个风险等级；步骤s4.3：采用专家打分法根据步骤s3.1中指标等级范围和步骤s4.2中风险值范围确定n个样本的风险值。
9、优选的，步骤s5中，模糊小波神经网络模型包括输入层、模糊化层、模糊规则层、小波层和输出层。
10、优选的，步骤s5具体包括：
11、步骤s5.1：构建模型的输入层，输入层神经元为各样本的输入向量xi；
12、步骤s5.2：构建模型的模糊化层，模糊化层采用高斯隶属度函数(1)对网络的输入向量计算隶属度值；
13、
14、步骤s5.3：构建模型的模糊规则层，采用模糊连乘算法(2)计算得到uj，公式(3)为每个神经元归一化后的值；
15、uj＝μ1j(x1)×μ2j(x2)×…×μnj(xn) (2)
16、
17、步骤s5.4：构建模型的小波层，计算如下；
18、vj＝ψjwjk (4)
19、
20、式(4)～(5)中，wjk是隐含层与输出层之间的权重；ψj是隐含层第j个节点的小波基函数，选用morlet小波；wij是输入层与隐含层之间的权重；aj和bj是小波函数的伸缩和平移参数；
21、步骤s5.5：构建模型的输出层，计算如下：
22、
23、对于步骤s5.1-s5.4，其中，
24、
25、
26、
27、
28、
29、
30、
31、式(7)～(13)中，e为最小均方误差能量函数；yex代表期望输出；η为网络的学习率；ξ为动量因子。
32、优选的，步骤s6中，预测的供水管道漏损风险值与步骤s4.2中的风险值范围进行比较，从而确定预测的供水管道漏损风险等级。
33、一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法。
34、一种存储介质，存储有程序，所述程序被处理器执行时，实现一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法。
35、与现有技术相比，本专利技术的有益效果如下：
36、本专利技术依据系统动力学模型，分析供水管道漏损系统内部漏损因素之间，漏损因素与风险后果之间的内在联系，进而构建供水管道漏损风险评估指标体系，使得评估指标选取更加客观合理，此外，本专利技术所用的模糊小波神经网络模型更容易分析供水管道漏损所产生的非平稳信号，能大大提高系统达到全局最优结果的能力，预测的准确率高，与实际情况更加吻合。
本文档来自技高网...【技术保护点】
1.一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，其特征在于，包括如下步骤：
2.按照权利要求1所述的一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，其特征在于，步骤S1中，系统动力学模型使用概率链和后果链分别表示供水管道漏损风险因素和管道失效后果的内在联系，若联系双方从一方开始，并直接对联系另一方产生越来越大的影响时，这种联系被定义为正反馈，相反，则被定义为负反馈。
3.按照权利要求1所述的一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，其特征在于，步骤S3具体包括：
4.按照权利要求3所述的一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，其特征在于，步骤S3.2中，评分规则包括力学计算、数值分析或参照规范指标。
5.按照权利要求3所述的一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，其特征在于，步骤S4具体包括：
6.按照权利要求1所述的一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，其特征在于，步骤S5中，模糊小波神经
7.按照权利要求6所述的一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，其特征在于，步骤S5具体包括：
8.按照权利要求5所述的一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，其特征在于，步骤S6中，预测的供水管道漏损风险值与步骤S4.2中的风险值范围进行比较，从而确定预测的供水管道漏损风险等级。
9.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-8任一项所述的一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法。
10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-8任一项所述的一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法。
...【技术特征摘要】
1.一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，其特征在于，包括如下步骤：
2.按照权利要求1所述的一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，其特征在于，步骤s1中，系统动力学模型使用概率链和后果链分别表示供水管道漏损风险因素和管道失效后果的内在联系，若联系双方从一方开始，并直接对联系另一方产生越来越大的影响时，这种联系被定义为正反馈，相反，则被定义为负反馈。
3.按照权利要求1所述的一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，其特征在于，步骤s3具体包括：
4.按照权利要求3所述的一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，其特征在于，步骤s3.2中，评分规则包括力学计算、数值分析或参照规范指标。
5.按照权利要求3所述的一种基于系统动力学与模糊小波神经网络的供水管道漏损风险评估方法，其特征在于，步骤s4具体包括：
6.按照权利要求1所述的一种基于系...
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。