首页期刊导航|水利学报
期刊信息/Journal information
水利学报
中国水利学会
水利学报

中国水利学会

陈炳新

月刊

0559-9350

slxb@iwhr.com

010-68786221；68786919

100038

北京复兴路甲一号中国水利水电科学研究院A座1156室

水利学报/Journal Journal of Hydraulic EngineeringCSCD北大核心CSTPCDEI
查看更多>>本刊是中国水利学会主办的综合性学术刊物。刊登反映水利、水电、水运领域较高水平的学术论文、专题综述和工程技术总结，开展学术论文的讨论和评论，介绍国内外科技动态和消息。主要专业范围包括：水文及水资源、防洪、灌溉及排水、水力学、泥沙、河港及水运、岩土工程、水工结构及材料、水利水电施工及监理、水力机电、水利经济、水环境、水利史研究等。
正式出版
收录年代

    基于VMD及深度学习的供水管道小尺度泄漏检测研究

    郑书闽颜建国郭鹏程徐燕...
    999-1008页
    查看更多>>摘要：针对常压、小尺度泄漏条件下,泄漏信号不明显、难以有效检测的问题,开展了供水管道泄漏检测研究,获取了 100～220 kPa压力、40～80 m3/h流量条件下的泄漏实验数据,并分析了压力泄漏信号的变化规律.为减少噪声干扰并增强泄漏信号特征,采用变分模态分解(VMD)对实验数据进行降噪,并进行标准化处理.基于长短期记忆网络(LSTM)、双向长短期记忆网络(BiLSTM)、门控循环单元(GRU)等典型循环神经网络,结合卷积神经网络(CNN),构建了 CNN-LSTM、CNN-BiLSTM以及CNN-GRU等3种深度学习泄漏检测模型,并进行了预测性能评价,其中,CNN-GRU模型对全部实验数据的预测精度高达99.56％.结果表明:所构建的泄漏模型能够有效判断常压、小尺度条件下的管道是否发生漏损;利用CNN进行特征提取,能够有效提取泄漏特征,从而提升泄漏检测模型的预测精度和泛化性.研究工作可为管道泄漏检测系统智慧管理提供支撑.

    泄漏检测小尺度泄漏变分模态分解深度学习供水管道

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 万方数据