污水管道入渗缺陷模拟装置、模型训练方法及预测方法与流程

本发明涉及污水管道入渗检测，具体涉及污水管道入渗缺陷模拟装置、模型训练方法及预测方法。

背景技术：

1、城镇污水管网系统是城市水环境基础设施的重要组成部分，其运行效能直接关系到污水处理厂的进水水质及污染物削减效率。在实际施工及长期服役过程中，污水管道受施工工艺不规范、地基不均匀沉降、树根侵入、管道接口松动或腐蚀破损等因素影响，易产生局部缺陷。此类缺陷导致地下水、雨水等外水通过管壁破损处渗入管道内部，挤占了污水输送的有效过流断面，造成污水处理厂进水污染物浓度降低，进而影响管网运行效能。

2、目前，针对地下水入渗问题，现有技术主要依赖管道闭路电视检测（cctv）手段进行管道内部缺陷的定性或半定量识别。然而，上述方法仅能获取管道内壁的可见缺陷形态，无法定量评估地下水向管道内部的实际入渗流量及其动态演化过程。由于污水管道通常埋深较大、运行环境复杂，本底污水流量受上游来流波动影响难以稳定控制，而地下水入渗流量难以在运行状态下直接分离测量，导致现场原位实验研究入渗机制极为困难。此外，现有研究多聚焦于单一缺陷形态下的渗漏描述，缺乏对管道-土壤-地下水多介质耦合作用下入渗过程的多因素协同模拟手段，亦未见能够建立入渗流量与入渗缺陷等级（如滴漏、线漏、涌漏、喷漏等）之间定量映射关系的实验方法与装置。

技术实现思路

1、本发明提供了一种污水管道入渗缺陷模拟装置、模型训练方法及预测方法，以解决现有技术中无法在实验室条件下定量模拟地下水入渗过程、无法同步获取入渗形态与入渗流量数据、进而无法建立入渗关联参数与管道入渗缺陷之间定量映射关系，导致管道入渗缺陷无法实现非开挖定量化评估的技术问题。本发明能够精准模拟排水管道地下水入渗过程，同步获取入渗流量与入渗形态动态数据，揭示地下水入渗管道的影响机制，并为管网缺陷等级的非开挖、定量化评估提供技术支撑。

2、第一方面，本发明提供了一种污水管道入渗缺陷模拟装置，包括：模拟土槽，用于装填土壤并提供入渗模拟空间；缺陷模拟管道，为可替换的管道试件，构建于模拟土槽内，其管壁预置有破损缺陷；供水装置，与模拟土槽连接，用于提供水头压力；摄像监测系统，用于采集管道缺陷处的入渗形态图像；入渗流量监测系统，用于采集管道出水口的入渗流量数据，且摄像监测系统与入渗流量监测系统的采集时序同步；数据处理单元，用于对同一时刻采集的入渗形态图像和入渗流量数据进行处理，以生成训练数据；训练数据用于对深度学习模型进行训练，得到污水管道入渗缺陷预测模型；污水管道入渗缺陷预测模型用于根据待测管道的入渗关联参数预测待测管道的入渗形态类别和涌出投影面积，入渗关联参数包括入渗流量。

3、本发明通过摄像监测系统与入渗流量监测系统的联动，实现管道缺陷处入渗形态图像与入渗流量数据的时空同步采集，解决了现有技术中无法在实验室条件下同步获取入渗形态与入渗流量数据的问题；在此基础上，利用同步采集的数据生成训练数据并对深度学习模型进行训练，得到能够根据入渗流量等入渗关联参数预测管道入渗形态类别和涌出投影面积的预测模型，从而建立了从可测量参数到入渗缺陷的定量映射关系，填补了现有技术中无法对管道入渗缺陷进行非开挖定量化评估的技术空白。

4、在一种可选的实施方式中，供水装置为可升降水箱，通过水柱静压原理控制水头压力，压力波动误差小于或等于预设压力波动阈值。本实施方式通过将供水装置设置为可升降水箱，利用水柱静压原理控制水头压力，并将压力波动误差控制在预设阈值范围内，能够为模拟实验提供稳定且可调节的水头压力条件，从而真实还原不同埋深工况下的地下水入渗环境，保证实验数据的可靠性和可重复性。

5、在一种可选的实施方式中，入渗流量监测系统包括电子天平，电子天平设置于缺陷模拟管道的出水口处，用于以称重法采集入渗流量数据。本实施方式能够实现对地下水入渗量的高精度实时测量，避免传统方法中因间接推算带来的误差，为后续深度学习模型的训练提供准确的流量标签数据。

6、在一种可选的实施方式中，摄像监测系统包括工业相机，用于配合示踪剂拍摄管道缺陷处的入渗形态图像。本实施方式通过工业相机配合示踪剂拍摄管道缺陷处的入渗形态图像，能够清晰捕捉地下水经管周土体渗入管道时的流动形态和涌出范围，为后续图像处理提取涌出投影面积提供高质量的图像数据。

7、在一种可选的实施方式中，数据处理单元搭载图像处理算法；图像处理算法用于对入渗形态图像进行处理，提取涌出投影面积。本实施方式通过在数据处理单元中搭载图像处理算法，对入渗形态图像进行自动处理并提取涌出投影面积，能够将入渗形态从定性观察转化为定量指标，为深度学习模型提供客观、一致的训练标签，避免了人工判读带来的主观性和不一致性。

8、在一种可选的实施方式中，入渗关联参数还包括水头差、土壤参数和缺陷尺寸。本实施方式通过将水头差、土壤参数和缺陷尺寸纳入入渗关联参数，使深度学习模型能够学习多因素耦合作用下的入渗规律，提高了模型对不同工况的适应能力和预测精度。

9、在一种可选的实施方式中，深度学习模型为双分支深度神经网络，包括共享特征层、分类分支和回归分支；分类分支用于输出入渗形态类别，回归分支用于输出涌出投影面积；训练数据包括由同一时刻的入渗关联参数、入渗形态类别、涌出投影面积构成的时空关联矩阵；深度学习模型以入渗关联参数为输入特征，以入渗形态类别和涌出投影面积为训练标签，进行训练，得到污水管道入渗缺陷预测模型。本实施方式通过采用包含共享特征层、分类分支和回归分支的双分支深度神经网络结构，并以同一时刻的入渗关联参数、入渗形态类别和涌出投影面积构成的时空关联矩阵作为训练数据，使得模型能够同时学习入渗形态类别的分类任务和涌出投影面积的回归任务，两者共享特征提取层可以促进多任务之间的信息互补，从而同步输出入渗缺陷的定性类别和定量面积，为管道缺陷等级的精细化判定提供更加全面的预测信息。

10、在一种可选的实施方式中，数据处理单元还根据污水管道入渗缺陷预测模型输出的入渗形态类别和涌出投影面积，判定管道入渗缺陷等级。本实施方式通过数据处理单元根据模型输出的入渗形态类别和涌出投影面积自动判定管道入渗缺陷等级，实现了从原始数据采集到缺陷等级评估的全流程自动化，无需人工干预即可完成缺陷的定量化分级诊断。

11、第二方面，本发明提供了一种污水管道入渗缺陷预测模型训练方法，包括以下步骤：使用上述第一方面或其对应的任一实施方式的装置进行模拟实验，同步采集管道缺陷处的入渗形态图像和管道出水口的入渗流量数据；对入渗形态图像进行处理，提取涌出投影面积；将同一时刻采集的入渗关联参数、入渗形态类别、涌出投影面积进行对齐，构建时空关联矩阵；基于时空关联矩阵训练深度学习模型，建立从入渗关联参数到入渗形态类别、涌出投影面积的定量映射关系，得到污水管道入渗缺陷预测模型。本发明通过使用上述装置进行模拟实验并同步采集入渗形态图像与入渗流量数据，进而构建时空关联矩阵训练深度学习模型，能够建立从入渗流量等可测量参数到入渗形态类别及涌出投影面积的定量映射关系，为管道入渗缺陷的非开挖智能诊断提供可靠的预测模型。

12、第三方面，本发明提供了一种污水管道入渗缺陷预测方法，包括以下步骤：获取待测管道的入渗关联参数，入渗关联参数包括入渗流量；将入渗关联参数输入上述第二方面或其对应的任一实施方式得到的污水管道入渗缺陷预测模型，输出待测管道的入渗形态类别和涌出投影面积。本发明通过获取待测管道的入渗流量等入渗关联参数，并输入已训练好的预测模型，即可直接输出管道的入渗形态类别和涌出投影面积，实现了在不挖开地面、不停运管道的情况下对地下管道入渗缺陷的快速定量化诊断，显著降低了检测成本和工程风险。

13、第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第二方面或其对应的任一实施方式的污水管道入渗缺陷预测模型训练方法，或，第三方面或其对应的任一实施方式的污水管道入渗缺陷预测方法。