尹海龙,郭龙天,胡意杨,吕 游

基于光纤分布式测温的污水管道入流识别方法研究

尹海龙*,郭龙天,胡意杨,吕 游

(同济大学环境科学与工程学院,上海 200092)

针对排水管网物探检测需断水操作和无法对管道内部实时探查的问题,建立了一种基于光纤分布式测温的污水管道入流诊断方法,实现了无干扰条件下污水管道污水和雨水入流实时监控.采用感温光缆对选择的试验管段开展了时空高精度观测(空间精度1m、时间精度1min),获得了超过118万个管道水温数据.基于解析出的管道水温时空图像,提出了基于水温温差背景噪声值的入流定位方法;确定出无外部入流影响时管道水温空间和时间温差的背景噪声值分别约为±0.2℃和±0.5℃.采用水温图像降噪处理方法,自动识别出污水管道的旱天污水接入和雨天雨水接入事件,与现场调查结果一致.因此,该方法对污水管道入流的动态识别定位具有可靠性.

污水管道；光纤测温；管道水温；雨水入流；低成本检测

排水管网是城市的生命线,是防止城市内涝和改善城市水环境质量不可缺少的基础设施.近年来随着城市化的快速发展,我国排水管道长度已达到74万km以上,其中近46%的管道建成年限超过10年以上[1].在我国经济发达和排水管道基础设施建设较早的省市,建成年限长的管道比例更高.对此,亟需对排水管道的运行状况进行评估,为排水管道改造、修复和提质增效提供科学依据.

管道闭路电视成像技术(CCTV)是20世纪60年代发展起来的排水管道检测技术,其基本原理是通过带有摄像装置的管道行走机器人在管道内部拍照,实现管道检测和运行状况评估.该方法目前仍是排水管道运行评估中最常用的技术方法.但是CCTV检测需要断水、排空、清淤等操作,不但费用昂贵(估算每公里检测费用平均在5万元以上),而且受管道无法持续断水检测的影响,不能做到管道内部的连续实时成像观测.此外,一些污水干管或者总管输送流量大、运行水位高,甚至难以断水开展CCTV检测.近年来,国外还开展了基于红外照相技术的排水管道检测研究. 2017年Lepot等[2]在实验水槽中开展了748组实验研究,针对不同管径(75～200mm)的接入管和入渗点位(圆形、线性裂缝)和不同的管道流速、水深、水温等,发现红外照相对入流入渗识别具有良好的检测精度.相比CCTV检测,红外照相可以实现不断水检测;但是在实际应用中需要将其固定在漂浮装置中且受管道水流流速等的影响,尚无实际管道中的研究案例报道.

基于水量和水质特征因子的排水管道检测近年来也受到关注.其特点是在筛选水质特征因子和建立水质特征因子数据库的基础上(如表征生活污水的氨氮、总氮、甜味剂、个人护理品和工业废水水质特征因子等),通过在管道检查井中开展流量观测和水质特征因子检测,并结合水量平衡和化学质量平衡分析方法,分区域定量解析管道中的各种水量来源(污水、地下水、其它外来水)[3-14].在大范围排水系统检测中,该项技术的特点是能够通过有限点位流量和水质监测来识别高风险区域,从而有效缩小排查范围和降低成本,且具有不对管道运行造成干扰的优势.但是若从入流入渗定位的角度,则需要进一步在各个检查井中分别开展水质采样监测,也面临着较高的成本.

光纤分布式测温(FDTS)是20世纪80年代发展起来的一项技术,通过沿纵向铺设光缆对周边介质温度进行感知,判定温度异常点位和进行实时预警.FDTS技术目前已经较为广泛应用于水工构筑物(例如大坝)、燃气输送管线和输油管线的漏损实时监测预警[15-16].在排水管道检测中,作为一种管道内部水温信号的分布式实时“听诊”技术,FTDS同样对排水管道运行不造成任何干扰,而且具有全天候的时空高频观测优势.国际上Hoes等[17]在2009年率先报道了基于光纤分布式测温的排水管网入流检测技术研究(空间观测精度2m、时间观测精度30s),针对荷兰某地的排水系统,识别了雨水管道中居住区生活污水的间歇性混接排放现象.此后de Hann[18]、Schilperoot[19]、Nienhuis[20]、Kessili[21]、Kechavarzi[22]等相继开展了基于FDTS的管网混接、破损检测技术研究,表明该项技术在管道检测中具有可行性.在国内,目前还没有关于FDTS用于排水管道检测评估和实时运行监控的报道.然而,现场观测中FDTS会形成大量的排水管道水温时空数据,如何从大量数据中快速和准确识别水量接入点的位置,是需要深入研究的问题.仅有的报道是Kessili等[21]在2018年研究了基于FDTS的污水管道异常入流事件自动识别方法;通过管道空间相邻观测点的温差概率频次分析确定了噪声背景阈值,并在此基础上自动生成管道入流事件的水温图像.但是,一方面噪声背景阈值既受管道水温空间变化影响,也受水温时间变化影响;另一方面管道入流事件并非单一来源,包括污水、雨水、地下水等.因此,如何进一步完善噪声背景阈值的判断方法,以及更有效地对管道各种入流事件(污水、雨水、地下水入渗等)进行精准区分和智能化定位,仍有待于进一步研究.

本文针对以上关键问题,开展基于FDTS的污水管道入流诊断与实时监控方法研究,以期进一步完善该方法和推动该项技术在城镇排水管道检测与运行监控中的应用.

1 基于光纤测温的排水管道实时监控原理

1.1 光纤测温技术原理

如图1(a)示,FDTS系统由一条标准光纤和一台包括激光发射器、光电信号接受器在内的主处理机终端组成.使用时,沿管道先将穿线器由下游检查井引至上游,待末端连接感温光纤后再拉回至下游.对于较长的管段,在若干个检查井之间依次重复上述步骤,即可完成光纤在整个管段内部的敷设.相邻检查井间应尽量拉直感温光纤,避免弯曲引起的测量距离及激光信号损失等误差.光纤的一端与放置在管道外的主机连接.由于光纤在管道内的布设不对排水管道正常运行干扰,因此该技术相对于传统的CCTV物探检测降低了成本,且具有全天候高频监控的优势.

FDTS系统利用光在光纤中传输时产生的自发拉曼(Raman)散射和光时域反射(OTDR)原理来获取管道空间温度分布信息[23].如图1示,当通过主处理机的激光器将激光信号注入光纤后,它在光纤中向前传输的过程中,不断产生后向拉曼散射光(包括斯托克斯光和反斯托克斯光).根据光纤不同点位(即代表了管道不同点位)后向拉曼散射光中的反斯托克斯光和斯托克斯光光子强度相对大小,可将对应点位的温度实时计算出来,计算公式为

一次激光脉冲信号可以获取某一特定时刻的管道中不同点位水温.当激光脉冲信号周期性注入光纤时,则可以获取监测时间段内不同时刻的管道中水温空间信息.

图1 FDTS用于污水管道运行实时监控的示意

1.2 水温信号处理与管道入流识别

FTDS系统通过光学处理将后向散射光转化为数字信息,其过程包括光学滤波、光电转换、模拟放大、模-数转换等.监测信息包括水温监测值、光纤位置和监测时间序列,上述监测信息均以二进制编码格式存储于与终端设备连接的存储设备中.通过编写解译程序,将上述存储的二进制信息转换为十进制信息,从而可以生成管道水温图像.

光纤测温系统采集的排水管道水温时空数据可表示为以下形式

式中:为光纤测温矩阵;为测量时间,min;∈{1,2,…,};为光纤点位位置,m;∈{1,2,…,}.

为在水温图像上识别潜在的入流点位,需要从中寻找水温发生突变的临界点.鉴于光纤测温系统可能会产生背景噪声值,需对式(3)中的数据信号进行降噪处理,消除自然条件下的水温背景值变化(或称之为背景噪声),从而排除管道中水温正常幅度变化范围可能造成的结果误判.

某一时刻管道空间相邻两点水温差值表示为

由此,管道水温温差矩阵表示为

式中:1为水温温差矩阵;为某一时刻的相邻两个观测点水温温差序号,∈{1,2,…,-1}.

为确定背景噪声值,应保证所选管段应没有受到外部入流的影响,即管道水温变化仅与内部的自然变化有关.相应需要在温差矩阵1中选择一组不受外界影响的数据,构成新的行列式矩阵2.

针对矩阵2,水温温差的概率计算公式为

原则上值应达到95%以上.此时温差区间的下限1和上限1分别代表负向和正向背景噪声值.基于确定的噪声背景值,进一步将水温温差矩阵(式(5))表示为降噪后的三值矩阵形式,即

式中,

针对识别出的污水管道入流点位,还可分析对应管道断面水温随时间的变化,对入流点源进行核实.为此还需确定管道断面水温随时间变化的背景噪声值,定义为

2 基于光纤测温的实证研究

2.1 研究区域

图2 研究区域位置示意

研究区域为某排水公司的管线公司内部,如图2示.选取该公司院内的生活污水收集管道为研究管段,全长约50m.管道为非满流状态,其污水来源主要为公司办公楼、食堂等排放废水(图2中1、2号点位).

试验时段为2020年8月6日13:00至2020年8月25日16:00,共计19d的时间,期间既包括了旱天也包括了雨天.雨天时雨水径流会通过污水检查井井孔进入污水管道(图2中3、4号点位).

2.2 数据采集和解译

研究使用的光纤为GL-KZ-100-MM-H2型,其适用温度为-45～300℃.该类型光纤在长度方向上可每间隔1m采集1个水温数据,对应光纤中散射点的间距为1m;在时间尺度上每间隔1min采集1个水温数据,对应激光脉冲的发射频率为1min.温度测量精度达0.01℃.

研究使用的感温光纤总长度约为110m.最初的0～32m和最后的75～110m位于排水管道外部或没有水流的起始管段,其监测结果为外界空气的气温.因此,上述两个距离范围的测温结果不予以考虑,而是只分析位于污水管道内部的33～75m 距离光纤测温结果.

图3 基于光纤测温的污水管道水温时空图像

由于光纤采集的温度数据在主处理机中以二进制形式存储,采用Python编程语言开发了数据解译程序,将二进制数据转换为ASCII码数据,并生成水温时空图(图3).

2.3 管道水温温差噪声阈值分析

选取2020年8月14～16日00:00～24:00时段的56～75m光纤测温数据(共计82080个数据)进行噪声阈值分析.如图3所示,该条件下所选管段水温没有受到外来水入流的干扰,仅表现为系统自身水温的时空变化.

根据式(4)～(6),对管道相邻两点的温差进行概率分布统计,结果如图4示.可以看出位于±0.2℃区间内的水温温差数据点占总数据点的98.8%,因此空间上水温变化的噪声阈值约为±0.2℃.

图4 污水管道相邻观测点水温差值占比统计

所选管段的各观测点位每日水温随时间变化如图5示.可以看出,该管段各点位水温随时间变化幅度均不明显,同样反映了管道内部的水温背景值.总体上各点位一天内最高、最低水温均值分别为26.02℃、25.52℃;根据式(9),2=-0.50℃,2= 0.50℃.

试验监测时段内发生了多次正负响应事件.若进一步扩展到33～75m的整个管道内部光纤测温数据分析,可以得出约86.3%的管道相邻两点水温差值处于-0.2～0.2℃范围内;约9.0%的相邻两点水温温差处于-2.3～-0.2℃范围内,约4.7%的水温温差处于0.2～2.3℃范围内.总体上,相邻两点水温温差超出±0.2℃的数据点占观测时间段所有数据点总数的13.7%,与管道水温的异常变化有关.

以±0.2℃作为水温温差空间噪声阈值进行降噪处理,处理后的正负响应信号图像如图6所示.图中出现的正负响应事件即代表了与外部入流有关的管道内部水温响应.

图5 无外部入流影响管段的各观测点每日水温变化

图6 基于降噪后图像的污水接入点位识别

2.4 污水管道旱天污水接入点位识别

观察图6所示的水温温差图像,感温光纤36m及45m的上游位置均出现了正响应事件(红色标识),即水温在上游一段距离逐步升高;而下游则表现为负响应信号(蓝色标识),即水温在下游一段距离逐渐降低.两类现象的交界点位即表示了存在高温水入流的位置.观测时间段内该现象出现频次较为频繁.对比图3,管道沿程的水温温差最高可达2.3℃,远超出背景噪声值.结合研究区域实际情况,上述点位分别对应食堂(图2中1号点位)和办公楼的污水支管位置(图2中2号点位),且管道入流的发生时间与用水时间基本吻合.

具体针对感温光纤45m处的污水接入点,其管道断面水温变化情况如图7所示.图7(a)给出了8月12日18:00～24:00的污水接入点水温变化.当污水接入时,该断面水温由前1min(19:28)的27.6℃升至28.6℃(上升幅度为1℃),并在随后的数分钟内(19:40)迅速升至最高值30.7℃.在此期间上升幅度为3.1℃,明显高于时间温差背景阈值(2=0.50℃).历经数小时后,接入点处水温恢复至初始状态.

(a) 08-12 18:00～24:00

(b) 08-17 16:00～24:00

图7 污水接入点处的管道内水温随时间变化

Fig.7 Temporal in-sewer water temperature at the location of sewage entry point

水温信号图像同时也捕捉了上述接入点位另一起污水入流事件引起的水温变化现象(8月17日16:00～24:00),如图7(b)所示.该点位水温由17:22时的26.3℃逐步升至19:02时的最高温30.6℃,历时数十分钟,相对图7(a)中的水温变化更为平缓,但上升幅度更大,约4.3℃.由于接入污水的水温相对较高且管道中流速缓慢,导致管道下游水温数小时后仍高于污水接入前的水平,其增幅约1.2℃.

2.5 污水管道雨天雨水入流点位识别

监测期间经历了多场降雨事件.FDTS监测结果捕捉到降雨期间部分位置的温度变化偏离了管网水温的正常状态,为污水管道雨水入流所致.2020年8月 10日 13:00～21:00,研究区域经历了一场强降雨事件.FDTS系统捕捉到了该期间的污水管道内部水温温差正负响应事件,对应的光纤41～75m处降噪后水温温差图像如图8所示.

图8 基于降噪后图像的管道内雨水入流点位识别

降雨伊始46～49m间出现了正负响应信号.46～48m处像素为红色(表示升温),而48～49m处像素为蓝色(表示降温).根据文中给出的判断准则,为温度较高的降雨径流入流(图2中3号点位).这一现象与夏季地面温度相对较高有关.随着降雨持续进行,正负响应事件辐射范围逐步扩大至42～55m;同时,沿感温光缆66～71m间也陆续出现了正负响应信号(图2中4号点位).伴随降雨停止、气温下降及地表径流水温降低等因素,正负响应事件频次降低并最终消失,污水水温逐步恢复至降雨前水平.

图9记录了降雨事件前后空气温度与识别的雨水入流点位水温变化情况.降雨开始后,两处点位的水温几乎同时自16:44开始升温;17:03前后分别由26.2℃、25.8℃升至最高温28.3℃、28.0℃,升温幅度分别约为2.1℃、2.2℃,也明显高于水温温差背景阈值(2=0.50℃).在此期间气温值始终处于下降状态,于17:08降至最低温28.2℃.随着降雨强度减弱或停止,气温有所回升,进入管道的雨水径流温度及流量减弱,管道水温呈现快速下降趋势.一段时间后雨势增强,管道水温又表现为前述升温状况,但是第二次升温幅度显著减弱,约1.2℃.最终随着降雨事件趋于尾声,管道水温开始逐渐下降.

降雨开始前,两断面的水温差约为0.2～0.3℃.降雨过程中,两个监测点水温变化趋势及水温变化幅度大致相当,表示两个监测点位的水温变化是由于相同事件影响所致.与污水接入的情况相似,雨水入流也会引起管道水温的异常变化,其水温变化的方向与雨水径流的温度相关.夏季降雨过程中汇集的地面雨水径流温度较高,经上游支管或污水检查井进入管道造成管道水温升高.此外,雨水入流引起的水温温差变化多表现为同一时段内不同点位出现的相似变化,且正负响应事件与雨水入流点的数目有关.

时刻

3 结论

3.1 通过在排水管道中安装光纤测温系统,可以获取时空高分辨率的管道水温图像信息.在无外部入流影响时,污水管道空间上相邻两点的水温温差基本上处于±0.2℃的区间内.可以认为该临界值是污水管道内部水温自然变化的背景噪声值,超出该区间可判定为存在污水管道的外部入流.

3.2 在确定背景噪声值后,可对水温图像进行数字降噪处理,从而能够通过水温温差的正负信号对管道入流点位及入流持续时间进行智能识别.降噪后图像识别出的管道污水接入现象,与研究区域的现场情况吻合.管道中有高温污水接入时,接入点断面的水温会出现超出背景值(一天内最大温差为±0.5℃)的随时间剧烈变化,最高温差可达3.0℃以上.

3.3 基于降噪后的信号图像还能够识别降雨期间的污水管道雨水接入现象.观测时间段内的夏季降雨期间,由于进入污水管道的地表径流温度较高,也会对污水管道水温造成较为显著的影响,雨水入流点断面水温温差最大幅度可达1～2℃.当存在多个雨水入流点时,会造成各个入流点附近管道水温的相似变化.

3.4 基于光纤测温的污水管道入流诊断精度与管道水温与入流水温之间的差值有关:两者之间的水温温差越大,则识别精度越高.总体上该方法适用于较大流量和较大温差的入流入渗.为此,可首先基于水量水质分区调查方法确定大流量的入流入渗重点问题区域,再针对重点区域采用光纤测温技术进行入流入渗点位的识别定位.

3.5 该方法不仅可以用于管道污水和雨水入流点位识别,也可以用于管道破损造成的地下水入渗点位和河湖水入流定位.未来研究中应进一步加强对不同季节管道水温和污水、雨水、地下水、河湖水水温的分析,从而更好地总结光纤测温用于污水管道入流入渗定位的精度.

[1] 中华人民共和国住房与城乡建设部. 2020年城乡建设统计年鉴[M].

Ministry of Housing and Urban-Rural Development of the People’s Republic of China. China urban-rural construction statistical yearbook 2020 [M].

[2] Lepot M, Makris K F, Clemens F H L R. Detection and quantification of lateral, illicit connections and infiltration in sewers with infra-red camera: Conclusions after a wide experimental plan [J]. Water Research, 2017,122:678-691.

[3] 李 田,时珍宝,张善发.上海市排水小区地下水渗入量研究[J]. 给水排水, 2004,(1):29-33.

Li T, Shi Z B, Zhang S F. Study on groundwater infiltration of Shanghai drainage systems [J]. Water & Wastewater Engineering, 2004,(1):29-33.

[4] Environmental Protection Agency. Investigation of inappropriate pollutant entries into storm drainage systems: a user’s guide [R]. Washington D C: Environmental Protection Agency, 1993.

[5] Environmental Protection Agency. Illicit discharge detection and elimination:a guidance manual for program development and technical assessments [R]. Environmental Protection Agency, 2004.

[6] Xu Z X, Yin H L, Li H Z, et al. Quantification of non-stormwater flow entries into storm drains using a water balance approach [J]. Science of the Total Environment, 2014,487:381-8.

[7] 徐祖信,汪玲玲,尹海龙.基于水质特征因子和Monte Carlo理论的雨水管网混接诊断方法[J]. 同济大学学报(自然科学版), 2015, 43(11):1715-1721.

Xu Z X, Wang L L, Yin H L. Quantification of non-storm water flow entries into storm drains using Monte Carlo based maker species approach [J]. Journal of Tongji University (Natural Science), 2015,43 (11):1715.

[8] Xu Z X, Wang L L, Yin H L, et al. Source apportionment of non-storm water entries into storm drains using marker species: Modeling approach and verification [J]. Ecological Indicators, 2016,61(2):546- 557.

[9] 徐祖信,王诗婧,尹海龙,等.基于节点水质监测的污水管网破损位置判定方法[J]. 中国环境科学, 2016,36(12):3678-3685.

Xu Z X, Wang S J, Yin H L, et al. Locating the sewer network defect based on marker investigation at pipe manholes [J]. China Environmental Science, 2016,36(12):3678-3685.

[10] 梅雪冰,隋 倩,张紫薇,等.不同特征污染源中指示性药物和个人护理品识别与筛选 [J]. 中国环境科学, 2019,39(3):1173-1180.

Mei X B, Sui Q, Zhang Z W, et al. Identification of indicator pharmaceutical and personal care products (PPCPs) in different emission sources [J]. China Environmental Science, 2019,39(3):1173- 1180.

[11] 尹海龙,郭龙天,解 铭,等.基于特征因子的食品工业废水排放追踪方法[J]. 同济大学学报(自然科学版), 2019,47(8):1168-1174.

Yin H L, Guo L T, Xie M, et al. Source Tracking of Food Industry Wastewater Discharge into Sewers Using Marker Species [J]. Journal of Tongji University (Natural Science), 2019,47(8):1168-1174.

[12] Yin H L, Xie M, Zhang L Y, et al. Identification of sewage markers to indicate sources of contamination: Low cost options for misconnected non-stormwater source tracking in stormwater systems [J]. Science of the Total Environment, 2019,648:125-134.

[13] 黄帅辰,左剑恶,陈 磊,等.排水管道沉积物微生物群落及环境因子分析 [J]. 中国环境科学, 2020,40(12):5369-5374.

Huang S C, Zuo J E, Chen L, et al. Analysis of microbial communities and environmental factors in sewer sediments [J]. China Environmental Science, 2020,40(12):5369-5374.

[14] Zhao Z C, Yin H L, Xu Z X, et al. Pin-pointing groundwater infiltration into urban sewers using chemical tracer in conjunction with physically based optimization model [J]. Water Research, 2020,175: 115689.

[15] Khan A A, Vrabie V, Mars j I, et al. Automatic monitoring system for singularities detection in dikes by DTS data measurement [J]. IEEE Transactions on Instrumentation and Measurement, 2010,59(8):2167- 2175.

[16] Mirzaei A, Bahrampour A R, TARAZ M, et al. Transient response of buried oil pipelines fiber optic leak detector based on the distributed temperature measurement [J]. International Journal of Heat and Mass Transfer, 2013,(10):110-122.

[17] Hoes O A C, Schilperoort R P S, Luxemburg W M J, et al. Locating illicit connections in storm water sewers using fiber-optic distributed temperature sensing [J]. Water Research, 2009,43(20):5187-5197.

[18] de Haan C J, Klootwijk M, Schilperoort R P S, et al. Locating and classifying illicit connections with Distributed Temperature Sensing [C]. 12th International Conference on Urban Drainage, 11- 16September 2011, Porto Alegre/Brazil.

[19] Schilperoort R P S, Clemens F H L R. Fiber-optic distributed temperature sensing in combined sewer systems [J]. Water Science and Technology, 2009,60(5):1127.

[20] Nienhuis J, de Haan C J, Langeveld J G, et al. Assessment of detection limits of fiber-optic distributed temperature sensing for detection of illicit connections [J]. Water Science and Technology, 2013,67(12): 2712-2718.

[21] Kessili A, Vollertsen J, Nielsen A H. Automated monitoring system for events detection in sewer network by distribution temperature sensing data measurement [J]. Water Science & Technology, 2018,78(7): 1499-1508.

[22] Kechavarzi C, Keenan P, Xu X, et al. Monitoring the hydraulic performance of sewers using fibre optic distributed temperature sensing [J]. Water, 2020,12:2451-2462.

[23] 王剑锋,刘红林,张淑琴,等.基于拉曼光谱散射的新型分布式光纤温度传感器及应用 [J]. 光谱学与光谱分析, 2013,33(4):865-871.

Wang J F, Liu H L, Zhang S Q, et al.New type distributed optical fiber temperature sensor (DTS) based on Raman scattering and its’ application [J].Spectroscopy and Spectral Analysis, 2013,33(4):865- 871.

A method on sewer inflow identification using fiber-optic distributed temperature sensing.

YIN Hai-long*, GUO Long-tian, HU Yi-yang, LÜ You

(College of Environmental Science and Engineering, Tongji University, Shanghai 200092, China)., 2022,42(4)：1737～1744

To overcome the shortcomings of physical inspection that needs prerequisite pipe draining and also can not afford real-time in-pipe monitoring, a sewer inflow detection method based on fiber-optic distributed temperature sensing (FDTS) was developed in this study, enabling non-disrupted timely monitoring of sewage and rainfall inflow into sewers. A temporal-spatial high-resolution monitoring (i.e., 1m interval in spatial scale and 1min interval in temporal scale) was performed using FDTS for the studied sewer reach, and over 118million in-pipe water temperature data was obtained. With interpreted in-pipe temporal-spatial water temperature mapping, a sewer inflow identification method based on the background noise of water temperature change at spatial and temporal scale was presented, and the determined spatial and temporal background noise levels at a condition free of external sewer inflow disruption were ±0.2℃ and ±0.5℃, respectively. By a denoising treatment method for water temperature mapping, the dry-weather sewage discharge and wet-weather rainfall inflow into sewers were identified automatically, which is in line with on-site investigated results. Therefore, the developed method is reliable for dynamic sewer inflow identification and location.

sewer pipe；fiber-optic temperature monitoring；in-pipe water temperature；rainfall inflow；low-cost detection

X52

A

1000-6923(2022)04-1737-08

尹海龙(1976-),男,山东烟台人,教授,博士,主要研究方向为水环境系统工程和城镇智慧水务.发表论文80余篇.

2021-09-12

国家自然科学基金资助项目(52170103);上海市优秀技术带头人项目(20XD1430600)

*责任作者, 教授, yinhailong@tongji.edu.cn