在贾姆谢德布尔工业城的可持续供水网络中，利用基于机器学习的管道性能预测技术实现智能城市公用事业管理

《Scientific Reports》：Smart urban utility management using ML-based prediction of pipeline performance in the sustainable water supply network of Jamshedpur industrial city

　　

摘要

城市管道基础设施对于保障现代公用事业系统的运行效率和服务可靠性至关重要，尤其是在工业区。以往的研究主要集中于管道故障预测，而在基础设施资产管理背景下，针对流量、压力和水头损失等关键管道性能指标的预测研究则相对较少。本研究探讨了多种先进机器学习模型——PSO-ANN、遗传CNN、量子SVR、模糊逻辑树以及贝叶斯GPR——在预测流量、水头损失和压力这三个关键参数方面的表现。研究使用了包含91个样本的数据库，这些样本包含了几何和流体动力学相关参数，统计分析显示与流量相关的参数存在显著差异。基于SHAP的敏感性分析表明，海拔高度是影响压力预测的最主要因素（权重为0.9287），而流量（权重0.4574）和管道直径（权重0.2273）对水头损失有显著影响。在流量预测中，流量是最重要的影响因素（权重为0.1139），尽管其他参数也有一定作用，这也解释了为何要将它们纳入建模体系。这些模型是用印度贾姆谢德布尔东辛格布姆地区的加德拉供水网络（第三计量区域）的数据进行训练的。模型评估采用了R2、RMSE、MAE和MAPE等指标。评估结果显示，贝叶斯GPR和模糊逻辑树的准确性和稳定性最高（R2≥0.98，RMSE≤0.06，MAPE≤0.13），而PSO-ANN和遗传CNN的性能则相对较差。模糊逻辑树之所以能获得近乎完美的R2值，是因为数据集规模较小，且该模型具有较高的泛化能力，但这也意味着在更大或未知的数据集上其泛化能力可能会受限。回归图、残差分布以及标准化精度矩阵的分析进一步验证了这些结果。总体而言，本研究认为贝叶斯GPR和模糊逻辑树是用于流体动力学建模的可靠预测工具，同时也指出了数据集的限制可能影响模型的泛化能力。