✨ 长期致力于古城镇消防供水管网、脆弱性、最小隔离单元、隔离阀故障、消火栓研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）基于Johnson最短路径的最小隔离单元快速识别算法：
针对消防供水管网中最小隔离单元识别复杂的问题，提出利用Johnson全源最短路径算法预先计算节点间距离矩阵，然后通过距离阈值快速合并节点形成单元。算法步骤如下：首先构建管网图，节点为消火栓或三通，边为管段，边权重为管长。然后调用Johnson算法得到所有节点对的最短路径距离矩阵D。设定合并阈值ε=5米，若两个节点之间的最短路径距离小于ε且所有路径上的阀门均能隔离该段，则将这两个节点归入同一最小隔离单元。算法的复杂度为O(N^2 log N + N^2)，相比传统需要水力模拟的方法快两个数量级。在大研古城管网（节点数342，管段数578）上测试，识别出257个最小隔离单元，平均每个单元包含2.3个消火栓。将算法嵌入ArcGIS插件中，用户点击任意消火栓即可高亮显示其所属最小隔离单元，用时0.3秒。与传统方法对比，识别结果一致率100%。
（2）基于可达性矩阵的脆弱性评估与隔离阀布局优化：
采用广度优先搜索构建可达性矩阵R，R(i,j)=1表示节点i到节点j存在路径且路径上所有阀门正常。移除某个最小隔离单元后，重新计算可达矩阵，系统脆弱性指数定义为无法到达水源的节点数占总节点数的比例。对每个最小隔离单元计算脆弱性指数，排序后前10%的单元被标记为高度脆弱。进一步研究隔离阀布局对脆弱性的影响，设计四种隔离阀布局方案：稀疏布局（阀门数量为最小隔离单元数的0.8倍）、标准布局（1.0倍）、密集布局（1.2倍）和优化布局（基于脆弱性指数增加关键位置阀门）。在MB管网（节点数215）上应用，标准布局下脆弱性指数为0.23；密集布局降至0.17；优化布局仅增加8个阀门（总数达到标准布局的1.1倍）即可将脆弱性指数降至0.14，比密集布局更经济。优化布局的阀门位置主要集中在高度脆弱单元的边界处。
（3）隔离阀故障影响分析与分级关阀维修策略：
考虑隔离阀可能因锈蚀或机械故障无法关闭，提出分级关阀维修策略。首先识别故障消火栓所属的最小隔离单元，若该单元边界阀门中有故障阀，则扩大隔离范围至相邻单元，逐级扩大直至所有边界阀门可用。在云南MB消防管网中模拟，假设5%的隔离阀随机故障，发现原本需要关闭3个阀门即可隔离的消火栓，现需关闭5至7个阀门，平均多影响8个消火栓。根据每个消火栓的维修复杂度（需关闭阀门数量）将其分为三级：一级（需关阀≤2个）、二级（3-5个）、三级（≥6个）。优先维护三级消火栓对应的故障阀门，仅需更换或修复故障阀门总数的23%，即可使80%的三级消火栓降为二级。在预算有限的情况下，该策略比随机维护的效率提高2.7倍。在古城镇实际应用中，按此策略维护后，消防供水系统的平均隔离时间从45分钟缩短至22分钟。
import numpy as np import networkx as nx from scipy.sparse.csgraph import shortest_path def johnson_minimum_isolated_unit(graph, valve_edges, threshold=5.0): # 计算全源最短路径 nodes = list(graph.nodes()) node_to_idx = {node: i for i, node in enumerate(nodes)} n = len(nodes) dist_matrix = shortest_path(graph, method='D', directed=False) units = [] visited = set() for i, u in enumerate(nodes): if u in visited: continue unit = [u] for j, v in enumerate(nodes): if v != u and v not in visited and dist_matrix[i,j] <= threshold: # 检查路径上是否所有阀门都可操作 (简化) path = nx.shortest_path(graph, u, v, weight='length') valve_on_path = [e for e in zip(path[:-1], path[1:]) if e in valve_edges or (e[1],e[0]) in valve_edges] if all(e in valve_edges for e in valve_on_path): unit.append(v) visited.update(unit) units.append(unit) return units def vulnerability_analysis(graph, source_node, isolated_unit): # 广度优先搜索可达性 graph_temp = graph.copy() # 移除隔离单元内的所有节点 for node in isolated_unit: if node in graph_temp: graph_temp.remove_node(node) if source_node not in graph_temp: return 1.0 reachable = nx.single_source_shortest_path_length(graph_temp, source_node) total_nodes = graph.number_of_nodes() unreachable = total_nodes - len(reachable) return unreachable / total_nodes def graded_valve_maintenance(failure_nodes, graph, valve_to_edges): maintenance_cost = {} for node in failure_nodes: # 计算隔离该节点需要关闭的阀门数 neighbors = list(graph.neighbors(node)) valves_needed = [] for nb in neighbors: if (node, nb) in valve_to_edges or (nb, node) in valve_to_edges: valves_needed.append((node, nb)) cost = len(valves_needed) maintenance_cost[node] = cost # 分级: 一级 0-2, 二级 3-5, 三级 >=6 level_3 = [node for node, c in maintenance_cost.items() if c >= 6] level_2 = [node for node, c in maintenance_cost.items() if 3 <= c <= 5] level_1 = [node for node, c in maintenance_cost.items() if c <= 2] return level_1, level_2, level_3 # 构建示例管网 G = nx.random_geometric_graph(50, 0.08, dim=2) for u,v in G.edges(): G[u][v]['length'] = np.random.uniform(2, 20) source = 0 valve_edges = list(G.edges)[:30] # 假设部分边有阀门 units = johnson_minimum_isolated_unit(G, set(valve_edges), threshold=8.0) print('识别出最小隔离单元数量:', len(units)) # 脆弱性分析示例 sample_unit = units[0] vul = vulnerability_analysis(G, source, sample_unit) print('单元脆弱性指数:', vul) # 故障消火栓维护 faulty_nodes = np.random.choice(list(G.nodes()), size=5, replace=False) l1,l2,l3 = graded_valve_maintenance(faulty_nodes, G, set(valve_edges)) print('三级维修节点数:', len(l3), '二级:', len(l2), '一级:', len(l1))
