将网络拓扑结构和机械知识相结合的神经网络模型在供水网络中用于爆裂事件的定位应用

《Water Research》:Application of Neural Network Models Integrating Network Topology and Mechanistic Knowledge for Burst Localization in Water Distribution Networks

【字体: 大 中 小 】 时间:2026年05月05日 来源:Water Research 12.4

编辑推荐:

  许凯琴|蔡志鹏|陶阳|郑子轩|林梦凡|刘菲楠|罗静|范恭端 福建师范大学土木工程学院,中国福建省福州市350116 摘要 准确的管道破裂定位对于水分配网络(WDN)的应急响应至关重要,因为它直接影响修复响应的及时性以及供水系统的运行安全。传统的基于机器学习的管道破裂

  许凯琴|蔡志鹏|陶阳|郑子轩|林梦凡|刘菲楠|罗静|范恭端
福建师范大学土木工程学院,中国福建省福州市350116

摘要
准确的管道破裂定位对于水分配网络(WDN)的应急响应至关重要,因为它直接影响修复响应的及时性以及供水系统的运行安全。传统的基于机器学习的管道破裂定位方法通常采用表格输入格式(TIFMD)来处理监控数据,这种格式可能难以有效描述网络中管道破裂信号的传播特性。为了解决这一限制,本研究提出了一种基于网络拓扑和机制知识的破裂定位框架(BLF-NTMK)。该框架通过拓扑矩阵明确映射网络结构和监控数据,使卷积神经网络能够学习管道破裂特征的空间传播模式。同时,引入了一种基于在线水力模型的差异增强方法和一种基于区域计量区划分的范围约束方法来构建机制知识驱动的特征增强层,从而提高了模型识别管道破裂信号的能力,并从机制角度提升了定位结果的可解释性。实验结果表明,BLF-NTMK显著提高了定位精度,与基线TIFMD-CNN相比,均方误差减少了62.97%以上,并且在同样使用较轻CNN架构的情况下,其性能优于先进的FL-DenseNet模型。该框架对超参数变化和破裂泄漏强度的变化表现出很强的鲁棒性,一旦采用了合适的拓扑矩阵分辨率,就能保持稳定的定位性能。此外,在训练数据量有限的情况下,BLF-NTMK仍能保持较高的定位精度,仅使用全部数据的10%即可取得满意的成果,显示出出色的小样本学习能力。在F市的实际水分配网络上的验证进一步证明了该框架的实用性,即使在传感器故障率较高的情况下也能保持可接受的定位精度,展示了其在实际大规模和复杂水分配系统中的强大工程应用能力。这些发现突显了基于拓扑感知和机制信息的数据表示方法在现实水分配网络中实现可靠管道破裂定位的有效性。

引言
管道破裂是水分配网络(WDN)中最典型和极端的泄漏事件之一,其特征是发生突然、流量大和损坏严重。此类事件对城市WDN构成重大突发风险,主要导致宝贵的淡水资源大量流失(Cheng等人,2022年)。根据亚洲开发银行的报告(Frauendorfer和Liemberger,2010年),仅亚洲地区每年因管道破裂造成的经济损失就超过90亿美元。此外,管道破裂可能将土壤中的微生物和污染物引入水管系统,引发水质污染风险(Fontanazza等人,2015年)。在极端情况下,这些故障还会干扰工业和家庭供水,可能造成严重的社会动荡。

埋设的供水管道容易受到多种因素的影响而发生故障,如损坏或破裂。从内部原因来看,管道的固有老化和退化是导致金属管道因电化学腐蚀而穿孔和开裂的核心不可逆因素,而混凝土管道则随着使用寿命的增加而出现强度下降和结构破坏。这些隐藏的缺陷在水压波动时容易引发管道破裂。此外,供水系统中的压力瞬变,例如由于水泵突然启动和停止或阀门关闭引起的水锤效应,可能会瞬间产生远超管道设计承压能力的影响压力,直接导致薄弱管道段的破裂(Almheiri等人,2020年;Leite等人,2024年)。另一方面,外部干扰更为突然和破坏性。在城市道路施工过程中不当的机械挖掘可能导致未能准确定位WDN布局,从而直接损坏管道。超载重型车辆频繁碾压管道会使管道长期承受交变载荷,逐渐导致塑性变形直至结构失效。此外,由于土壤沉降以及极端温度差异引起的管道热胀冷缩造成的应力集中也会显著增加管道破裂的风险。与可以通过定期检查预测的管道老化等内部因素相比,施工干扰和负荷变化等外部因素往往具有很强的随机性和不可预测性,这使得水务部门难以制定全面有效的预防策略,从而无法从源头上完全避免管道破裂事故。在这种背景下,开发快速准确的管道破裂定位方法成为管道破裂发生后的运维工作中的关键环节。这不仅大大缩短了故障检测时间,减少了因供水中断造成的经济损失,还为紧急维修提供了精确的指导,确保了城市供水的持续稳定性和居民用水的安全。

在实际的WDN中,管道破裂定位长期以来依赖覆盖大面积的区域人工检查。一些水务部门采用了区域计量区(DMA)和声学泄漏检测等技术来提高检查效率(Cheng等人,2024年)。虽然人工检查方法简单直观,但需要大量人力,往往导致维修延迟,并且高度依赖于维护人员的专业技能水平(Joseph等人,2025年),从而导致显著的限制。随着监控和控制(SCADA)系统在城市WDN中的广泛应用,大量实时监控数据已被广泛用于破裂检测的学术研究。现有研究表明,SCADA提供的水力监测数据与管道破裂事件之间存在非线性关系(Hu等人,2022年;Liu等人,2021年)。此外,还有多项研究使用声学监测数据进行管道破裂检测(Santoni等人,2023年)。作为一种更为系统的方法,基于水力模型的方法长期以来一直被用于WDN中的管道破裂定位。这些方法通常依赖假设检验或逆向分析,通过水力模拟迭代假设和评估可能的破裂位置和泄漏量。由于其坚实的物理基础,这类方法因其高可靠性和鲁棒性而受到广泛认可。近年来,为了提高计算效率,引入了灵敏度矩阵分析、残差分析和并行计算等技术,有效减少了搜索空间并加速了定位过程,从而提高了其在近实时应用中的适用性(Daniel等人,2022年)。

与基于水力模型的方法同步发展的是,机器学习方法也被越来越多地应用于WDN中的破裂检测和定位(Bartos等人,2024年;Peng等人,2024年)。2020年的“泄漏检测与隔离方法比赛(BattLeDIM)”汇集了多个国内外研究团队,展示了多种机器学习解决方案(Vrachimis等人,2022年)。在此背景下,卷积神经网络(CNN)因其出色的特征提取能力而成为WDN破裂研究中的主流机器学习算法(Ma等人,2025年)。尽管取得了成功,但大多数现有的数据驱动的破裂定位方法仍然依赖于类似的数据表示范式,即所谓的表格输入格式(TIFMD)(Kang等人,2018年)。具体来说,TIFMD是一个二维矩阵,行对应传感器ID,列代表时间步长,然后将其输入CNN进行管道破裂检测(Zhang等人,2023年)。在这种范式中,监测的时间序列数据被组织成规则的表格矩阵,明显缺乏物理管道网络的拓扑结构(Zhou等人,2025年)。这种表示方式存在两个根本性限制:首先,管道和节点之间的水力连通性和空间邻接性没有明确编码,阻碍了模型学习由网络拓扑控制的干扰传播路径;其次,破裂引起的信号通常是瞬态和局部的,但它们被嵌入到长时间的监控序列中,导致信号严重稀释和信噪比降低。这些限制是数据表示本身固有的,仅靠模型训练无法完全解决(Zhang等人,2022年;Leite等人,2024年)。

为了弥补拓扑不可知数据表示带来的信息损失,许多研究致力于增加模型复杂性,例如采用更深的卷积架构、密集连接、注意力机制或集成学习策略(Hu等人,2021年,2023年)。尽管这些以模型为中心的方法可以在一定程度上提高定位精度,但往往以增加计算负担、更高的数据需求和降低可解释性为代价。此外,通过架构复杂性获得的性能提升对数据质量和数量非常敏感,限制了其在实际水网络中的鲁棒性和实用性。为了克服这些限制,一些研究人员提出了替代的输入数据结构。例如,Kim等人使用六种统计过程控制方法处理监控数据,将其转换为36个二进制输出,再进一步转换为2D灰度热图,以帮助CNN学习破裂与热图之间的关系(Kim等人,2022年)。Javadiha等人使用插值方法将压力监测数据映射到网络范围的压力分布图中,使CNN能够在破裂条件下学习空间压力分布模式,并在河内的管道网络中成功应用(Javadiha等人,2019年)。相比之下,一旦训练完成,数据驱动模型可以直接建立监控数据与破裂位置之间的映射,从而无需迭代模拟即可快速推断。因此,所提出的基于CNN的方法可以被视为一种计算效率高的替代方案,能够近似真实的液压响应模式,促进实际应用中的及时破裂定位。

因此,数据驱动管道破裂定位的核心瓶颈不在于模型相关的属性(如深度或复杂性),而在于数据表示范式的固有次优性。为此,本研究提出了一种基于网络拓扑和机制知识的新型破裂定位框架(BLF-NTMK)。其核心在于通过明确嵌入物理网络拓扑来捕获空间依赖性,并利用领域特定的机制知识突出显著性破裂特征。需要明确的是,本研究的范围仅限于事后管道破裂定位,假设破裂已经通过现有的监控或运营系统被识别。因此,任务的重点是估计破裂的空间位置,而不是判断是否发生了破裂。

**框架概述**
所提出的BLF-NTMK是一个用于WDN中管道破裂定位的技术框架,有两个核心驱动因素:拓扑矩阵和机制知识。该框架摒弃了通过提高深度学习模型架构复杂性来提高定位精度的方法,而是强调优化输入数据的组织形式和应用机制知识;L-Town管道网络的框架概览如图所示。

为了验证本文提出的BLF-NTMK方法的有效性和普适性,选择了L-Town作为研究案例。L-Town是一个开源的小规模网络模型,来源于2020年CCWI/WDSA第二届国际联合会议举行的“泄漏检测与隔离方法比赛(BattLeDIM)”(Vrachimis等人,2022年)。该网络在X方向上延伸1540.63米,在Y方向上延伸2700.41米,包含782个节点、905条管道和2个水源。

**结论**
传统方法主要依靠引入先进算法来提高性能。相比之下,所提出的BLF-NTMK通过结合管道网络拓扑信息和管道破裂机制知识,重新组织了管道破裂特征的组织方式,从而提高了定位模型的准确性和鲁棒性。因此,本文提出的BLF-NTMK可以为管道破裂定位模型的研究提供有价值的参考。经罗:撰写过程——利益冲突审查与声明
作者声明他们没有已知的可能影响本文研究结果的财务利益或个人关系。

致谢
作者衷心感谢以下机构提供的财务支持:中国国家重点研发计划(非传染性疾病领域)(项目编号:2024ZD0531600)、福建省自然科学基金(项目编号:2023J02006)以及福建省科技计划(项目编号:2021-Y-3002)。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号