基于光纖分布式測溫的污水管道入流識別方法研究

尹海龍,郭龍天,胡意楊,呂 游

基于光纖分布式測溫的污水管道入流識別方法研究

尹海龍*,郭龍天,胡意楊,呂 游

(同濟大學環境科學與工程學院,上海 200092)

針對排水管網物探檢測需斷水操作和無法對管道內部實時探查的問題,建立了一種基于光纖分布式測溫的污水管道入流診斷方法,實現了無干擾條件下污水管道污水和雨水入流實時監控.采用感溫光纜對選擇的試驗管段開展了時空高精度觀測(空間精度1m、時間精度1min),獲得了超過118萬個管道水溫數據.基于解析出的管道水溫時空圖像,提出了基于水溫溫差背景噪聲值的入流定位方法;確定出無外部入流影響時管道水溫空間和時間溫差的背景噪聲值分別約為±0.2℃和±0.5℃.采用水溫圖像降噪處理方法,自動識別出污水管道的旱天污水接入和雨天雨水接入事件,與現場調查結果一致.因此,該方法對污水管道入流的動態識別定位具有可靠性.

污水管道；光纖測溫；管道水溫；雨水入流；低成本檢測

排水管網是城市的生命線,是防止城市內澇和改善城市水環境質量不可缺少的基礎設施.近年來隨著城市化的快速發展,我國排水管道長度已達到74萬km以上,其中近46%的管道建成年限超過10年以上[1].在我國經濟發達和排水管道基礎設施建設較早的省市,建成年限長的管道比例更高.對此,亟需對排水管道的運行狀況進行評估,為排水管道改造、修復和提質增效提供科學依據.

管道閉路電視成像技術(CCTV)是20世紀60年代發展起來的排水管道檢測技術,其基本原理是通過帶有攝像裝置的管道行走機器人在管道內部拍照,實現管道檢測和運行狀況評估.該方法目前仍是排水管道運行評估中最常用的技術方法.但是CCTV檢測需要斷水、排空、清淤等操作,不但費用昂貴(估算每公里檢測費用平均在5萬元以上),而且受管道無法持續斷水檢測的影響,不能做到管道內部的連續實時成像觀測.此外,一些污水干管或者總管輸送流量大、運行水位高,甚至難以斷水開展CCTV檢測.近年來,國外還開展了基于紅外照相技術的排水管道檢測研究. 2017年Lepot等[2]在實驗水槽中開展了748組實驗研究,針對不同管徑(75～200mm)的接入管和入滲點位(圓形、線性裂縫)和不同的管道流速、水深、水溫等,發現紅外照相對入流入滲識別具有良好的檢測精度.相比CCTV檢測,紅外照相可以實現不斷水檢測;但是在實際應用中需要將其固定在漂浮裝置中且受管道水流流速等的影響,尚無實際管道中的研究案例報道.

基于水量和水質特征因子的排水管道檢測近年來也受到關注.其特點是在篩選水質特征因子和建立水質特征因子數據庫的基礎上(如表征生活污水的氨氮、總氮、甜味劑、個人護理品和工業廢水水質特征因子等),通過在管道檢查井中開展流量觀測和水質特征因子檢測,并結合水量平衡和化學質量平衡分析方法,分區域定量解析管道中的各種水量來源(污水、地下水、其它外來水)[3-14].在大范圍排水系統檢測中,該項技術的特點是能夠通過有限點位流量和水質監測來識別高風險區域,從而有效縮小排查范圍和降低成本,且具有不對管道運行造成干擾的優勢.但是若從入流入滲定位的角度,則需要進一步在各個檢查井中分別開展水質采樣監測,也面臨著較高的成本.

光纖分布式測溫(FDTS)是20世紀80年代發展起來的一項技術,通過沿縱向鋪設光纜對周邊介質溫度進行感知,判定溫度異常點位和進行實時預警.FDTS技術目前已經較為廣泛應用于水工構筑物(例如大壩)、燃氣輸送管線和輸油管線的漏損實時監測預警[15-16].在排水管道檢測中,作為一種管道內部水溫信號的分布式實時“聽診”技術,FTDS同樣對排水管道運行不造成任何干擾,而且具有全天候的時空高頻觀測優勢.國際上Hoes等[17]在2009年率先報道了基于光纖分布式測溫的排水管網入流檢測技術研究(空間觀測精度2m、時間觀測精度30s),針對荷蘭某地的排水系統,識別了雨水管道中居住區生活污水的間歇性混接排放現象.此后de Hann[18]、Schilperoot[19]、Nienhuis[20]、Kessili[21]、Kechavarzi[22]等相繼開展了基于FDTS的管網混接、破損檢測技術研究,表明該項技術在管道檢測中具有可行性.在國內,目前還沒有關于FDTS用于排水管道檢測評估和實時運行監控的報道.然而,現場觀測中FDTS會形成大量的排水管道水溫時空數據,如何從大量數據中快速和準確識別水量接入點的位置,是需要深入研究的問題.僅有的報道是Kessili等[21]在2018年研究了基于FDTS的污水管道異常入流事件自動識別方法;通過管道空間相鄰觀測點的溫差概率頻次分析確定了噪聲背景閾值,并在此基礎上自動生成管道入流事件的水溫圖像.但是,一方面噪聲背景閾值既受管道水溫空間變化影響,也受水溫時間變化影響;另一方面管道入流事件并非單一來源,包括污水、雨水、地下水等.因此,如何進一步完善噪聲背景閾值的判斷方法,以及更有效地對管道各種入流事件(污水、雨水、地下水入滲等)進行精準區分和智能化定位,仍有待于進一步研究.

本文針對以上關鍵問題,開展基于FDTS的污水管道入流診斷與實時監控方法研究,以期進一步完善該方法和推動該項技術在城鎮排水管道檢測與運行監控中的應用.

1 基于光纖測溫的排水管道實時監控原理

1.1 光纖測溫技術原理

如圖1(a)示,FDTS系統由一條標準光纖和一臺包括激光發射器、光電信號接受器在內的主處理機終端組成.使用時,沿管道先將穿線器由下游檢查井引至上游,待末端連接感溫光纖后再拉回至下游.對于較長的管段,在若干個檢查井之間依次重復上述步驟,即可完成光纖在整個管段內部的敷設.相鄰檢查井間應盡量拉直感溫光纖,避免彎曲引起的測量距離及激光信號損失等誤差.光纖的一端與放置在管道外的主機連接.由于光纖在管道內的布設不對排水管道正常運行干擾,因此該技術相對于傳統的CCTV物探檢測降低了成本,且具有全天候高頻監控的優勢.

FDTS系統利用光在光纖中傳輸時產生的自發拉曼(Raman)散射和光時域反射(OTDR)原理來獲取管道空間溫度分布信息[23].如圖1示,當通過主處理機的激光器將激光信號注入光纖后,它在光纖中向前傳輸的過程中,不斷產生后向拉曼散射光(包括斯托克斯光和反斯托克斯光).根據光纖不同點位(即代表了管道不同點位)后向拉曼散射光中的反斯托克斯光和斯托克斯光光子強度相對大小,可將對應點位的溫度實時計算出來,計算公式為

一次激光脈沖信號可以獲取某一特定時刻的管道中不同點位水溫.當激光脈沖信號周期性注入光纖時,則可以獲取監測時間段內不同時刻的管道中水溫空間信息.

圖1 FDTS用于污水管道運行實時監控的示意

1.2 水溫信號處理與管道入流識別

FTDS系統通過光學處理將后向散射光轉化為數字信息,其過程包括光學濾波、光電轉換、模擬放大、模-數轉換等.監測信息包括水溫監測值、光纖位置和監測時間序列,上述監測信息均以二進制編碼格式存儲于與終端設備連接的存儲設備中.通過編寫解譯程序,將上述存儲的二進制信息轉換為十進制信息,從而可以生成管道水溫圖像.

光纖測溫系統采集的排水管道水溫時空數據可表示為以下形式

式中:為光纖測溫矩陣;為測量時間,min;∈{1,2,…,};為光纖點位位置,m;∈{1,2,…,}.

為在水溫圖像上識別潛在的入流點位,需要從中尋找水溫發生突變的臨界點.鑒于光纖測溫系統可能會產生背景噪聲值,需對式(3)中的數據信號進行降噪處理,消除自然條件下的水溫背景值變化(或稱之為背景噪聲),從而排除管道中水溫正常幅度變化范圍可能造成的結果誤判.

某一時刻管道空間相鄰兩點水溫差值表示為

由此,管道水溫溫差矩陣表示為

式中:1為水溫溫差矩陣;為某一時刻的相鄰兩個觀測點水溫溫差序號,∈{1,2,…,-1}.

為確定背景噪聲值,應保證所選管段應沒有受到外部入流的影響,即管道水溫變化僅與內部的自然變化有關.相應需要在溫差矩陣1中選擇一組不受外界影響的數據,構成新的行列式矩陣2.

針對矩陣2,水溫溫差的概率計算公式為

原則上值應達到95%以上.此時溫差區間的下限1和上限1分別代表負向和正向背景噪聲值.基于確定的噪聲背景值,進一步將水溫溫差矩陣(式(5))表示為降噪后的三值矩陣形式,即

式中,

針對識別出的污水管道入流點位,還可分析對應管道斷面水溫隨時間的變化,對入流點源進行核實.為此還需確定管道斷面水溫隨時間變化的背景噪聲值,定義為

2 基于光纖測溫的實證研究

2.1 研究區域

圖2 研究區域位置示意

研究區域為某排水公司的管線公司內部,如圖2示.選取該公司院內的生活污水收集管道為研究管段,全長約50m.管道為非滿流狀態,其污水來源主要為公司辦公樓、食堂等排放廢水(圖2中1、2號點位).

試驗時段為2020年8月6日13:00至2020年8月25日16:00,共計19d的時間,期間既包括了旱天也包括了雨天.雨天時雨水徑流會通過污水檢查井井孔進入污水管道(圖2中3、4號點位).

2.2 數據采集和解譯

研究使用的光纖為GL-KZ-100-MM-H2型,其適用溫度為-45～300℃.該類型光纖在長度方向上可每間隔1m采集1個水溫數據,對應光纖中散射點的間距為1m;在時間尺度上每間隔1min采集1個水溫數據,對應激光脈沖的發射頻率為1min.溫度測量精度達0.01℃.

研究使用的感溫光纖總長度約為110m.最初的0～32m和最后的75～110m位于排水管道外部或沒有水流的起始管段,其監測結果為外界空氣的氣溫.因此,上述兩個距離范圍的測溫結果不予以考慮,而是只分析位于污水管道內部的33～75m 距離光纖測溫結果.

圖3 基于光纖測溫的污水管道水溫時空圖像

由于光纖采集的溫度數據在主處理機中以二進制形式存儲,采用Python編程語言開發了數據解譯程序,將二進制數據轉換為ASCII碼數據,并生成水溫時空圖(圖3).

2.3 管道水溫溫差噪聲閾值分析

選取2020年8月14～16日00:00～24:00時段的56～75m光纖測溫數據(共計82080個數據)進行噪聲閾值分析.如圖3所示,該條件下所選管段水溫沒有受到外來水入流的干擾,僅表現為系統自身水溫的時空變化.

根據式(4)～(6),對管道相鄰兩點的溫差進行概率分布統計,結果如圖4示.可以看出位于±0.2℃區間內的水溫溫差數據點占總數據點的98.8%,因此空間上水溫變化的噪聲閾值約為±0.2℃.

圖4 污水管道相鄰觀測點水溫差值占比統計

所選管段的各觀測點位每日水溫隨時間變化如圖5示.可以看出,該管段各點位水溫隨時間變化幅度均不明顯,同樣反映了管道內部的水溫背景值.總體上各點位一天內最高、最低水溫均值分別為26.02℃、25.52℃;根據式(9),2=-0.50℃,2= 0.50℃.

試驗監測時段內發生了多次正負響應事件.若進一步擴展到33～75m的整個管道內部光纖測溫數據分析,可以得出約86.3%的管道相鄰兩點水溫差值處于-0.2～0.2℃范圍內;約9.0%的相鄰兩點水溫溫差處于-2.3～-0.2℃范圍內,約4.7%的水溫溫差處于0.2～2.3℃范圍內.總體上,相鄰兩點水溫溫差超出±0.2℃的數據點占觀測時間段所有數據點總數的13.7%,與管道水溫的異常變化有關.

以±0.2℃作為水溫溫差空間噪聲閾值進行降噪處理,處理后的正負響應信號圖像如圖6所示.圖中出現的正負響應事件即代表了與外部入流有關的管道內部水溫響應.

圖5 無外部入流影響管段的各觀測點每日水溫變化

圖6 基于降噪后圖像的污水接入點位識別

2.4 污水管道旱天污水接入點位識別

觀察圖6所示的水溫溫差圖像,感溫光纖36m及45m的上游位置均出現了正響應事件(紅色標識),即水溫在上游一段距離逐步升高;而下游則表現為負響應信號(藍色標識),即水溫在下游一段距離逐漸降低.兩類現象的交界點位即表示了存在高溫水入流的位置.觀測時間段內該現象出現頻次較為頻繁.對比圖3,管道沿程的水溫溫差最高可達2.3℃,遠超出背景噪聲值.結合研究區域實際情況,上述點位分別對應食堂(圖2中1號點位)和辦公樓的污水支管位置(圖2中2號點位),且管道入流的發生時間與用水時間基本吻合.

具體針對感溫光纖45m處的污水接入點,其管道斷面水溫變化情況如圖7所示.圖7(a)給出了8月12日18:00～24:00的污水接入點水溫變化.當污水接入時,該斷面水溫由前1min(19:28)的27.6℃升至28.6℃(上升幅度為1℃),并在隨后的數分鐘內(19:40)迅速升至最高值30.7℃.在此期間上升幅度為3.1℃,明顯高于時間溫差背景閾值(2=0.50℃).歷經數小時后,接入點處水溫恢復至初始狀態.

(a) 08-12 18:00～24:00

(b) 08-17 16:00～24:00

圖7 污水接入點處的管道內水溫隨時間變化

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

水溫信號圖像同時也捕捉了上述接入點位另一起污水入流事件引起的水溫變化現象(8月17日16:00～24:00),如圖7(b)所示.該點位水溫由17:22時的26.3℃逐步升至19:02時的最高溫30.6℃,歷時數十分鐘,相對圖7(a)中的水溫變化更為平緩,但上升幅度更大,約4.3℃.由于接入污水的水溫相對較高且管道中流速緩慢,導致管道下游水溫數小時后仍高于污水接入前的水平,其增幅約1.2℃.

2.5 污水管道雨天雨水入流點位識別

監測期間經歷了多場降雨事件.FDTS監測結果捕捉到降雨期間部分位置的溫度變化偏離了管網水溫的正常狀態,為污水管道雨水入流所致.2020年8月 10日 13:00～21:00,研究區域經歷了一場強降雨事件.FDTS系統捕捉到了該期間的污水管道內部水溫溫差正負響應事件,對應的光纖41～75m處降噪后水溫溫差圖像如圖8所示.

圖8 基于降噪后圖像的管道內雨水入流點位識別

降雨伊始46～49m間出現了正負響應信號.46～48m處像素為紅色(表示升溫),而48～49m處像素為藍色(表示降溫).根據文中給出的判斷準則,為溫度較高的降雨徑流入流(圖2中3號點位).這一現象與夏季地面溫度相對較高有關.隨著降雨持續進行,正負響應事件輻射范圍逐步擴大至42～55m;同時,沿感溫光纜66～71m間也陸續出現了正負響應信號(圖2中4號點位).伴隨降雨停止、氣溫下降及地表徑流水溫降低等因素,正負響應事件頻次降低并最終消失,污水水溫逐步恢復至降雨前水平.

圖9記錄了降雨事件前后空氣溫度與識別的雨水入流點位水溫變化情況.降雨開始后,兩處點位的水溫幾乎同時自16:44開始升溫;17:03前后分別由26.2℃、25.8℃升至最高溫28.3℃、28.0℃,升溫幅度分別約為2.1℃、2.2℃,也明顯高于水溫溫差背景閾值(2=0.50℃).在此期間氣溫值始終處于下降狀態,于17:08降至最低溫28.2℃.隨著降雨強度減弱或停止,氣溫有所回升,進入管道的雨水徑流溫度及流量減弱,管道水溫呈現快速下降趨勢.一段時間后雨勢增強,管道水溫又表現為前述升溫狀況,但是第二次升溫幅度顯著減弱,約1.2℃.最終隨著降雨事件趨于尾聲,管道水溫開始逐漸下降.

降雨開始前,兩斷面的水溫差約為0.2～0.3℃.降雨過程中,兩個監測點水溫變化趨勢及水溫變化幅度大致相當,表示兩個監測點位的水溫變化是由于相同事件影響所致.與污水接入的情況相似,雨水入流也會引起管道水溫的異常變化,其水溫變化的方向與雨水徑流的溫度相關.夏季降雨過程中匯集的地面雨水徑流溫度較高,經上游支管或污水檢查井進入管道造成管道水溫升高.此外,雨水入流引起的水溫溫差變化多表現為同一時段內不同點位出現的相似變化,且正負響應事件與雨水入流點的數目有關.

時刻

3 結論

3.1 通過在排水管道中安裝光纖測溫系統,可以獲取時空高分辨率的管道水溫圖像信息.在無外部入流影響時,污水管道空間上相鄰兩點的水溫溫差基本上處于±0.2℃的區間內.可以認為該臨界值是污水管道內部水溫自然變化的背景噪聲值,超出該區間可判定為存在污水管道的外部入流.

3.2 在確定背景噪聲值后,可對水溫圖像進行數字降噪處理,從而能夠通過水溫溫差的正負信號對管道入流點位及入流持續時間進行智能識別.降噪后圖像識別出的管道污水接入現象,與研究區域的現場情況吻合.管道中有高溫污水接入時,接入點斷面的水溫會出現超出背景值(一天內最大溫差為±0.5℃)的隨時間劇烈變化,最高溫差可達3.0℃以上.

3.3 基于降噪后的信號圖像還能夠識別降雨期間的污水管道雨水接入現象.觀測時間段內的夏季降雨期間,由于進入污水管道的地表徑流溫度較高,也會對污水管道水溫造成較為顯著的影響,雨水入流點斷面水溫溫差最大幅度可達1～2℃.當存在多個雨水入流點時,會造成各個入流點附近管道水溫的相似變化.

3.4 基于光纖測溫的污水管道入流診斷精度與管道水溫與入流水溫之間的差值有關:兩者之間的水溫溫差越大,則識別精度越高.總體上該方法適用于較大流量和較大溫差的入流入滲.為此,可首先基于水量水質分區調查方法確定大流量的入流入滲重點問題區域,再針對重點區域采用光纖測溫技術進行入流入滲點位的識別定位.

3.5 該方法不僅可以用于管道污水和雨水入流點位識別,也可以用于管道破損造成的地下水入滲點位和河湖水入流定位.未來研究中應進一步加強對不同季節管道水溫和污水、雨水、地下水、河湖水水溫的分析,從而更好地總結光纖測溫用于污水管道入流入滲定位的精度.

[1] 中華人民共和國住房與城鄉建設部. 2020年城鄉建設統計年鑒[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,時珍寶,張善發.上海市排水小區地下水滲入量研究[J]. 給水排水, 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,尹海龍.基于水質特征因子和Monte Carlo理論的雨水管網混接診斷方法[J]. 同濟大學學報(自然科學版), 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,王詩婧,尹海龍,等.基于節點水質監測的污水管網破損位置判定方法[J]. 中國環境科學, 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,張紫薇,等.不同特征污染源中指示性藥物和個人護理品識別與篩選 [J]. 中國環境科學, 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] 尹海龍,郭龍天,解 銘,等.基于特征因子的食品工業廢水排放追蹤方法[J]. 同濟大學學報(自然科學版), 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] 黃帥辰,左劍惡,陳 磊,等.排水管道沉積物微生物群落及環境因子分析 [J]. 中國環境科學, 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] 王劍鋒,劉紅林,張淑琴,等.基于拉曼光譜散射的新型分布式光纖溫度傳感器及應用 [J]. 光譜學與光譜分析, 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

尹海龍(1976-),男,山東煙臺人,教授,博士,主要研究方向為水環境系統工程和城鎮智慧水務.發表論文80余篇.

2021-09-12

國家自然科學基金資助項目(52170103);上海市優秀技術帶頭人項目(20XD1430600)

*責任作者, 教授, yinhailong@tongji.edu.cn