PI-HydroGNN：一种基于物理原理的时空图神经网络框架，用于水分配系统中的可靠性分析、泄漏检测以及节能运行

《Scientific Reports》：PI-HydroGNN: a physics-informed spatiotemporal graph neural network framework for hydraulic reliability, leakage detection, and energy-efficient operation in water distribution systems

　　

摘要

为确保供水管网能够可持续运行，水力可靠性、泄漏检测以及节能运行至关重要。尽管图神经网络的发展推动了数据驱动的水力建模技术，但现有解决方案均为黑箱预测模型，无法直接遵循物理守恒定律，因此其稳定性、可解释性及性能均较差。本研究提出了PI-HydroGNN，这是一种基于物理原理的时空图学习框架，用于供水系统的监测与控制。该框架将各类建模组件整合到统一架构中，并将水力质量平衡、能量守恒以及与压力相关的泄漏动态直接纳入优化目标，从而提升了模型的物理一致性和稳定性。在为期60天的扩展EPANET模拟中，研究使用了三个具有随机需求变化和人为泄漏场景的基准管网（Net3、C-Town和Anytown）来评估该框架。与数据驱动的基准模型相比，PI-HydroGNN在泵类能耗方面实现了9.6%的节省，泄漏检测的F1分数提高了0.922，压力预测的均方根误差降低了39.9%，同时压力异常率也下降了68.9%。该模型在不同需求和泄漏条件下的各基准管网中均展现出良好的泛化能力。研究结果表明，通过将物理原理融入基于图的学习方法，可以构建出高质量且功能完善的供水管网数字孪生体。PI-HydroGNN在供水系统管理的数字孪生应用领域具有巨大潜力。