| 摘要 | 第9-11页 |
| Abstract | 第11-12页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题背景和研究意义 | 第13-14页 |
| 1.2 国内外研究现状及发展动态 | 第14-15页 |
| 1.3 研究内容和研究目标 | 第15-16页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 研究目标 | 第16页 |
| 1.4 技术路线 | 第16-17页 |
| 1.5 论文创新点 | 第17-19页 |
| 第二章 基于漏损量变化的供水管网压力变化特性分析 | 第19-31页 |
| 2.1 管道漏损成因分析 | 第19-21页 |
| 2.2 供水管网仿真模拟实验平台 | 第21-23页 |
| 2.2.1 实验平台开发背景 | 第21页 |
| 2.2.2 实验平台组成部分 | 第21-23页 |
| 2.3 供水管网仿真模拟实验平台的水力建模 | 第23-25页 |
| 2.3.1 实验平台与实际管网对比 | 第23-24页 |
| 2.3.2 对实验平台进行EPANET水力建模 | 第24-25页 |
| 2.4 实验平台压力监测点的优化布置 | 第25-27页 |
| 2.4.1 关于供水管网压力监测点优化布置的研究 | 第25-26页 |
| 2.4.2 给定测点位置时测点所示区域的确定 | 第26页 |
| 2.4.3 给定测点所示区域时测点位置的确定 | 第26-27页 |
| 2.5 EPANET中多工况水力模型校核 | 第27-28页 |
| 2.6 管网漏损模拟与分析 | 第28-29页 |
| 2.7 本章小结 | 第29-31页 |
| 第三章 基于BP神经网络的供水管网漏损状态判别与漏损点定位 | 第31-49页 |
| 3.1 人工神经网络简介 | 第31-34页 |
| 3.1.1 人工神经网络中模式识别的基本原理 | 第32-33页 |
| 3.1.2 利用人工神经网络进行漏损故障诊断的研究 | 第33页 |
| 3.1.3 利用人工神经网络进行故障诊断的特点 | 第33-34页 |
| 3.2 基于BP神经网络的管网漏损故障诊断模型 | 第34-44页 |
| 3.2.1 训练样本的准备 | 第35-37页 |
| 3.2.2 网络结构的确定 | 第37-42页 |
| 3.2.3 BP网络模型训练程序 | 第42-44页 |
| 3.3 管网漏损故障诊断计算结果与结果评价 | 第44-46页 |
| 3.4 本章小结 | 第46-49页 |
| 第四章 基于BP神经网络供水管网漏损状态判别的算法比较 | 第49-63页 |
| 4.1 参与比较的算法 | 第49-50页 |
| 4.2 三种算法简介 | 第50-51页 |
| 4.3 网络训练 | 第51-60页 |
| 4.3.1 三种BP算法的样本集准备 | 第51-52页 |
| 4.3.2 三种算法的网络拓扑结构 | 第52-58页 |
| 4.3.3 训练结果 | 第58-60页 |
| 4.4 算法总结 | 第60-61页 |
| 4.5 本章小结 | 第61-63页 |
| 第五章 基于监测点变化的BP神经网络漏损定位研究 | 第63-73页 |
| 5.1 理论分析 | 第63-64页 |
| 5.2 确定输入层节点数 | 第64-70页 |
| 5.2.1 以6个压力监测点和2个流量监测点作为输入层节点数 | 第65-67页 |
| 5.2.2 以12个压力监测点和4个流量监测点作为输入层节点数 | 第67-68页 |
| 5.2.3 以17个压力监测点和5个流量监测点作为输入层节点数 | 第68-70页 |
| 5.2.4 结果分析 | 第70页 |
| 5.3 实验训练 | 第70-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第六章 结论与展望 | 第73-75页 |
| 6.1 结论 | 第73页 |
| 6.2 展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间发表的学术论文 | 第79-81页 |
| 致谢 | 第81页 |
