通过基于时间延迟的深度学习方法,定位水分网络的声学泄漏.
Rongsheng Liu1, Tarek Zayed1, Rui Xiao2
1Department of Building and Real Estate, The Hong Kong Polytechnic University, Hung Hom, Kowloon, Hong Kong.
Water research
|October 16, 2024
概括
本研究介绍了一种深度学习方法,用于定位分布网络中的水泄漏. Res1D-CNN模型在噪音条件下表现出强的性能,提高了泄漏检测的准确性.
科学领域:
- 环境工程环境工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 分配网络中的水泄漏会造成基础设施损坏,经济损失和公共卫生风险.
- 传统的声学泄漏定位方法与环境噪音和信号扭曲作斗争.
研究的目的:
- 开发和验证一种基于深度学习的方法,用于在声泄漏局部化中准确地估计时间延迟.
- 提高水分网泄漏检测的稳定性和准确性,特别是在不利的条件下.
主要方法:
- 利用深度学习技术,特别是Res1D-CNN模型,用于声信号的时间延迟估计.
- 在不同的信号噪声比率 (SNR) 条件下,将Res1D-CNN模型与传统方法 (GCC-SCOT和BCC) 的性能进行比较.
- 通过实证现场测量验证了拟议方法的有效性.
主要成果:
- 与GCC-SCOT和BCC相比,Res1D-CNN模型在低信号噪声比 (SNR) 场景中表现出优异的性能.
- 虽然在高SNR条件下表现不如其他方法,但Res1D-CNN模型在具有挑战性的声环境中表现出强大的能力.
- 现场测量证实了拟议的深度学习方法的实际适用性和准确性.
结论:
- 这种基于深度学习的方法为水分网络中的声泄漏局部化提供了显著的进步.
- 在低SNR环境中Res1D-CNN模型的稳定性解决了传统方法的一个关键局限性.
- 这种方法有可能大大改善水分系统的故障诊断,维护和整体管理.


