宁波大学:使用机器学习方法评估下水道系统中降雨产生的流入和渗透
论论资讯 | 2024-04-29 |
26热度
Water Science and Technology
Explore content
About the journal
Publish with us
Assessment of rainfall-derived inflow and infiltration in sewer systems with machine learning approaches
Wang Yong; Huang Biao; Zhu David Z
Published:2024-04-01
DOI:10.2166/wst.2024.115
研究背景
随着城市化进程的加速,城市下水道系统的管理变得尤为重要。在暴雨天气中,雨水渗入下水道系统,给排水管理带来挑战。然而,目前的研究领域存在着如何更好地预测下水道系统中雨水渗入量的问题。
研究内容
一篇来自《水科学与技术》杂志的论文,题为《利用机器学习方法评估下水道系统中的雨水渗入量》,着重解决了暴雨事件中的雨水渗入/渗透(RDII)建模问题。研究采用了两种机器学习算法,随机森林(RF)和长短期记忆(LSTM),基于实地监测数据开展了下水道流量预测和RDII估计。该研究实施了特征工程,提取了在下水道流量建模中具有物理意义的特征,并研究了相关特征的重要性。两个案例研究的结果表明,机器学习模型在联合和分开下水道系统中RDII估计方面具有卓越能力,其中LSTM模型表现出色。与传统方法相比,机器学习模型能够模拟RDII过程的时间变化,并提高了在暴雨事件中峰值流量和RDII量的预测准确性。
研究意义
这项研究的创新之处在于利用机器学习技术,提高了对下水道系统中雨水渗入量的估计精度。通过该研究,我们可以更有效地管理下水道系统,减少暴雨事件对城市排水系统的影响,为城市发展提供更可靠的基础设施支持。
学术热榜
查看全部
相关资讯
换一批