基于多尺度卷积神经网络的管道泄漏检测模型研究
如何有效检测管道泄漏是节水型社会建设迫切需要解决的关键和热点问题之一.近年来基于深度学习的管道泄漏检测方法发展迅速,本文针对传统单尺度卷积神经网络对泄漏特征提取不充分的问题,提出一种基于多尺度一维卷积神经网络(MS1 DCNN)的管道系统泄漏检测模型.该方法利用多个不同卷积尺度的卷积通路并行提取管道泄漏的特征并进行泄漏信息的分类预测.基于经典的管道系统布置,利用瞬变流模型生成管道泄漏工况下的三个水压数据集对模型进行验证,三个数据集分别用于预测管道的泄漏位置、泄漏量和非恒定摩阻系数,对应样本数为39601、3980、4900,并将预测结果与其他深度学习方法和传统的机器学习方法进行对比分析.结果表明:MS1 DCNN模型对数据集样本下泄漏位置、泄漏量、非恒定摩阻系数的分类准确率达到99.96％、98.48％、100％,三者平均预测精度比传统一维卷积神经网络(1 DCNN)、BP神经网络、支持向量机(SVM)和k近邻算法(KNN)提高0.31％、2％、1.27％、22.8％;MS1 DCNN在信噪比为-4～12 dB的噪声环境下各数据集的平均F1分数分别为99.2％、97.02％、100％,三者平均值分别比1 DCNN、BP、SVM、KNN模型提高0.61％、2.3％、2.78％、28.59％,证明了MS1 DCNN模型的预测性能.本文方法在管道泄漏参数、非恒定摩阻的同步预测方面有一定的潜力.
管道泄漏检测、瞬变流模型、非恒定摩阻系数、多尺度泄漏特征、卷积神经网络
54
TV134(水利工程基础科学)
国家重点研发计划;国家重点研发计划;国家自然科学基金;国家自然科学基金;国家自然科学基金
2023-03-09（万方平台首次上网日期，不代表论文的发表时间）
共12页
220-231
