CN120235457A 蓄滞洪区堤防渗漏风险智能预警与处置决策系统及方法 （广东省水利水电科学研究院）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120235457A(43)申请公布日2025.07.01

(21)申请号202510468744.4

(22)申请日2025.04.15

(71)申请人广东省水利水电科学研究院

地址510635广东省广州市天河区天寿路

116号

(72)发明人刘达谭彩袁明道林慧

(74)专利代理机构广州中粤知识产权代理事务所(普通合伙)44752

专利代理师杨毅宇

(51)Int.CI.

GO6Q10/0635(2023.01)

GO6N20/00(2019.01)

GO6Q10/0637(2023.01)

GO6Q50/26(2024.01)

权利要求书2页说明书9页附图1页

(54)发明名称

蓄滞洪区堤防渗漏风险智能预警与处置决策系统及方法

(57)摘要

CN120235457A本发明公开了蓄滞洪区堤防渗漏风险智能预警与处置决策系统及方法，涉及水利工程与智能监测技术领域，所述系统包括数据采集模块，用于采集堤防的多源感知数据，并对数据进行实时预处理，以获取监测数据，AI分析模块，用于利用监测数据结合历史数据，通过预训练的AI模型分析堤防当前工况及渗漏初期特征，风险预测模块，用于根据分析结果构建渗漏风险动态预测模型，生成不同工况下的风险预测报告，应急响应模块，用于基于风险预测报告指导现场应急响应，并实施动态预警机制，及时调整应对策略；该蓄滞洪区堤防渗漏风险智能预警与处置决策系统及方法，对不同工况下渗漏风险的发展趋势进

CN120235457A

数据采集模块

AI分析模块

风险预测模块

应急响应模块

CN120235457A权利要求书1/2页

2

1.蓄滞洪区堤防渗漏风险智能预警与处置决策系统，其特征在于，所述系统包括：

数据采集模块，用于采集堤防的多源感知数据，并对数据进行实时预处理，以获取监测数据；

与数据采集模块连接的AI分析模块，用于利用监测数据结合历史数据，通过预训练的AI模型分析堤防当前工况及渗漏初期特征，包括通过结合监测数据和历史数据来分析堤防的当前工况和渗漏初期特征，在AI模型的训练和推理过程中，评估信息的复杂度，具体公式为：A=B/M;

其中，A表示从监测数据到分析结果生成过程中需要的计算和处理能力，B表示堤防的监测数据的复杂性，M表示用于数据处理的资源容量；

与AI分析模块连接的风险预测模块，用于根据分析结果构建渗漏风险动态预测模型，生成不同工况下的风险预测报告，包括根据堤防的历史数据和当前监测数据，预测渗漏风险随时间的变化趋势，具体公式为：

G(t)=G?·e;

其中，G(t)表示堤防在时间t的渗漏风险的程度，G?表示堤防渗漏风险的初始程度，t表示时间，x表示渗漏风险的增长速率，e表示自然对数的底数；

与AI分析模块和风险预测模块连接的应急响应模块，用于基于风险预测报告指导现场应急响应，并实施动态预警机制，及时调整应对策略。

2.根据权利要求1所述的蓄滞洪区堤防渗漏风险智能预警与处置决策系统，其特征在于：所述数据采集模块采集堤防的多源感知数据，并对数据进行实时预处理，以获取监测数据包括对堤防的监测数据进行建模，分析堤防在不同压力下的响应。

3.根据权利要求1所述的蓄滞洪区堤防渗漏风险智能预警与处置决策系统，其特征在于：所述应急响应模块基于风险预测报告指导现场应急响应，并实施动态预警机制，及时调整应对策略包括评估时间变化与影响因素的变化，预测事件是否即将发生重大变化，具体公式为：

其中，Z表示应急响应的强度，β表示调节参数，△t表示时间变化量，△y表示影响因素的变化量。

4.根据权利要求1所述的蓄滞洪区堤防渗漏风险智能预警与处置决策系统，其特征在于：所述AI分析模块利用监测数据结合历史数据，通过预训练的AI模型分析堤防当前工况

及渗漏初期特征中堤防的监测数据的复杂性B的计算公式为：

其中，B表示堤防的监测数据的复杂性，n表示堤防监测数据中的不同变量，w;表示第i个变量的权重，q;表示第i个监测数据的复杂度指标，i堤防监测数据中每个不同变量的索引。

5.根据权利要求1所述的蓄滞洪区堤防渗漏风险智能预警与处置决策系统，其特征在于：所述AI分析模块利用监