《Journal of Water Process Engineering》:Benchmarking Diverse Learning Architectures for Leak Detection and Localization in Water Distribution Systems
编辑推荐:
Ranganathan S | Vinothkumar N | Muthuramalingam E
电子与仪器工程系,Kumaraguru理工学院,哥印拜陀,泰米尔纳德邦,印度
摘要
在水分配系统(WDSs)中,泄漏检测和定位对于减少非收益性水资源损失和确保可持续供水至关重要
Ranganathan S | Vinothkumar N | Muthuramalingam E
电子与仪器工程系,Kumaraguru理工学院,哥印拜陀,泰米尔纳德邦,印度
摘要
在水分配系统(WDSs)中,泄漏检测和定位对于减少非收益性水资源损失和确保可持续供水至关重要。尽管进行了大量研究,但由于检测小泄漏、处理传感器稀疏性问题以及在噪声和运行不确定性下的鲁棒性维护方面的挑战,实际应用仍然有限。本研究首次提出了一个统一的基准测试,用于评估机器学习(ML)、深度学习(DL)、图神经网络(GNNs)和Transformer架构在WDSs中的泄漏检测和定位性能。利用Net3水力模型生成了一个大规模数据集,包含超过47,000个样本,模拟了不同的泄漏大小、节点配置和传感器条件。结果表明,二进制泄漏检测问题在很大程度上已经得到解决,所有模型的准确率均超过95%。然而,泄漏定位仍然具有挑战性——集成ML方法(随机森林、XGBoost、LightGBM)的准确率约为75-77%,而Transformer和LSTM模型则表现出了竞争力的结果。通过对泄漏大小、传感器覆盖范围和噪声的全面鲁棒性分析,发现集成ML是最稳定的方法。这一基准测试为未来的水信息学研究提供了可复现的基础,突显了混合式和基于物理的AI架构在水务应用中的潜力。
引言
水分配系统(WDSs)是城市基础设施的支柱,确保了饮用水的可靠和安全供应。然而,由于管道老化、腐蚀、地面移动和运行压力等原因导致的泄漏会导致大量水资源损失和效率下降。根据国际水协会的数据,全球非收益性水资源(NRW)的平均损失约为30%,某些地区甚至超过50%,这对经济和环境造成了重大负担[1],[2]。因此,解决泄漏问题是实现现代水网络可持续性和韧性的关键。
传统的泄漏检测方法大致可以分为基于硬件的方法和基于软件的方法[3],[4]。基于硬件的方法包括声学记录器、压力传感器和地面穿透雷达——这些方法具有高灵敏度,但需要大量的仪器和维护,从而导致较高的运营成本。相比之下,基于软件的方法依赖于分析、水力或统计建模来从传感器数据中推断泄漏事件。尽管这些方法更具可扩展性,但它们对噪声敏感,需要校准,并且通常难以检测到小泄漏或初期泄漏[5],[6]。
实时传感器数据的日益普及和计算智能的进步促进了机器学习(ML)和深度学习(DL)在泄漏检测和定位中的应用。支持向量机(SVM)、随机森林(RF)和XGBoost等技术在泄漏检测任务中表现出强大的分类性能[5],[6]。深度学习架构——特别是卷积神经网络(CNN)和长短期记忆(LSTM)网络——分别能够学习空间和时间依赖性,并在复杂系统中提高了检测精度[7]。然而,这些模型面临着数据稀缺、传感器不确定性和泛化到未见情况等方面的挑战。
最近,图神经网络(GNNs)和Transformer被探索用于水信息学应用。GNNs利用WDSs的拓扑图结构来捕捉节点和链接之间的空间依赖性,而Transformer则通过自注意力机制擅长处理顺序和不规则间隔的时间序列数据[8]。然而,大多数先前的研究都是在不同的数据集或假设下单独考察这些架构的,阻碍了模型家族之间的公平比较。
为了解决这一差距,本研究开发了一个统一的基准测试,系统地在相同的水力、数据和评估条件下评估ML、DL、GNN和Transformer架构。使用Net3网络生成了一个包含多个泄漏节点、泄漏大小和传感器覆盖水平的基准数据集。模型被评估用于泄漏检测(二分类)和泄漏定位(多分类),随后针对三个关键不确定性进行了鲁棒性测试:泄漏大小变化、传感器减少和测量噪声。
本工作的关键贡献有三方面:
- 1.
开发了第一个用于泄漏检测和定位的ML、DL、GNN和Transformer模型的统一基准测试框架。
- 2.
在实际运行条件下的全面鲁棒性评估。
- 3.
集成了EPANET/WNTR水力模拟和AI模型的可复现数据集和分析流程。
虽然之前的多项研究已经探索了机器学习和深度学习模型在水分配系统中的泄漏检测和定位应用[2],[3],[6],[7],[9],但大多数研究都集中在特定网络配置下的单一算法或少数模型类别上。即使有比较分析,也往往在数据集设计、泄漏模拟条件或评估指标上存在差异,使得跨研究比较不一致。与这些零散的方法不同,本研究引入了第一个统一的基准测试框架,在相同的水力、数据和鲁棒性条件下系统地评估ML、DL、GNN和Transformer架构。这种统一设计消除了数据集和参数的差异,使得模型家族之间的性能比较更加公平。此外,该研究通过纳入鲁棒性分析(包括泄漏大小变化、传感器覆盖范围减少和噪声注入)扩展了之前的比较工作,提供了直接支持实际公用事业网络部署决策的实用见解。
本文的结构如下:第2节描述了数据集准备、建模框架和评估指标;第3节展示了实验结果和比较分析;第4节讨论了鲁棒性和实际意义;第5节总结了主要发现和未来研究的方向。
章节片段
方法论
本研究采用的泄漏检测和定位框架结合了基于模型和数据驱动的方法,以确保对方法论类别的全面评估。
泄漏检测
在不同数据集和建模框架下对泄漏检测方法的评估揭示了来自文献和我们实验的几个重要见解。
在平衡数据集上训练的人工神经网络(ANNs)实现了完美的分类准确率,这突显了空间压力数据在可靠区分泄漏状态方面的潜力。在非泄漏数据上训练的无监督自动编码器(AE)模型也显示出了强大的检测率(68-100%),并且误报率较低
讨论
在本研究中,泄漏定位成为关键挑战。虽然集成ML模型始终表现出强劲的Top 1和Top 5性能,但DL模型的结果参差不齐,其中CNN的表现不如LSTMs和Transformers。文献中也报告了类似的模式,其中网络拓扑[47]和泄漏复杂性[2]被认为是影响定位的因素。
从实际部署的角度来看,考虑因素不仅限于准确性。
结论
由于基础设施老化、非收益性水资源增加和城市需求增长,水分配系统(WDSs)中的泄漏检测和定位仍然是全球性的重大挑战。本研究使用Net3数据集,包含了多种泄漏场景、泄漏大小和传感器配置,对包括传统机器学习(ML)、深度学习(DL)以及新兴的图神经网络(GNNs)和Transformer在内的多种方法进行了基准测试。
CRediT作者贡献声明
Ranganathan S:撰写——原始草稿、软件开发、方法论设计、调查、形式分析、概念化。Vinothkumar N:验证、监督。Muthuramalingam E:撰写——审稿与编辑、可视化、概念化。
写作过程中生成式AI和AI辅助技术的声明
作者确认这项研究是原创的,所有模拟、分析和解释都是独立完成的。OpenAI的ChatGPT仅用于辅助语言润色、结构编辑和提高可读性。所有科学内容、数据分析和结论均由作者负责。水分配网络的模拟使用了EPANET/WNTR,而机器学习和深度学习模型的实现则是在
利益冲突声明
作者声明他们没有已知的财务或个人利益冲突会影响本文所述的工作。