基于LSTM的两阶段框架：用于深隧洞排水泵的早期预测决策支持系统

《Journal of Water Process Engineering》：Decision-making support via early prediction for deep-tunnel drainage pumps: An LSTM-based two-stage framework

　　

杨成俊|金俊永|欧智英|金敏瑞|哈桑·安沃尔|李康勋

• •
  两级神经网络模型将隧道水位与泵组状态预测相关联。
• •
  多时间延迟的水位数据被用作泵组温度预测的外生输入。
• •
  预测得到的水位变化趋势使泵组温度预测的准确度提升了20.5%。
• •
  基于阈值的评估方法可为运营和维护决策提供支持。
• •
  该框架有助于通过预防性维护降低城市洪水风险。

引言

气候变化的加速以及城市化导致的不透水表面增多，使得城市洪水的发生问题日益受到关注[1]、[2]、[3]、[4]、[5]、[6]。尤其是随着城市规模的快速扩张，现有的污水系统超出了设计承载能力，因排水能力不足而引发的淹没灾害愈发频繁[5]、[7]。然而，尽管风险不断增加，传统的排水和防洪系统仍因响应速度慢、监测能力不足以及过度依赖经验知识，难以满足管理需求[8]、[9]。这类维护方式无法及时应对问题，加之环境条件的多变和意外情况的出现，还可能造成财产损失及其他现场问题[9]、[10]。例如，在强降雨期间，地表径流可能超过污水管道和进水口的排水能力，导致系统处于超负荷状态，进而引发检查井溢水及地表淹没，即城市雨洪灾害[11]、[12]。此类检查井溢水不仅会导致水力淹没，还会为污染物从污水系统进入地表洪水创造途径，从而增加洪水期间的环境污染风险[13]。此外，当下游水位上升，如河流水位或潮汐水位升高时，出水口可能会被淹没或排水受到限制。在这种出水口被淹没的情况下，也被称为潮汐锁定现象，排水系统的实际排水能力会大幅下降。若再伴有降雨，管道超负荷和倒流现象会加剧，进一步加重淹没损失[14]。在此过程中，由于降雨、沉积物以及机械和电气故障等内部和外部因素，排水泵站的可用排水能力可能会下降甚至丧失，而淹没的范围和风险则会因泵组故障的不同情况而有很大差异[15]。因此，工程师们正在努力通过加强洪水和排水基础设施的运营管理，提升防洪和应急响应能力[16]、[17]、[18]。

在此背景下，为提升城市排水系统的容量，人们提出了修建深隧道等新排水管道的措施，这些措施正逐渐被作为解决城市淹没问题的关键基础设施[5]。在这类深隧道系统中，降雨来水的储存、转移和排放过程是分步进行的，其实际的防淹效果不仅取决于隧道本身的物理容量，还与泵组和闸门等运行设施的可用性以及所采用的运行策略密切相关[15]、[19]、[20]。尤其是在水位波动、短期来水波动、储存容量限制、泵组启停设置以及泵组容量限制等多种因素同时存在的情况下，仅依靠基于经验的被动式运营很难可靠地降低洪水风险。因此，需要实时且具有预测性的运营控制策略[21]、[22]、[23]、[24]。另外，随着水资源管理系统的复杂性不断增加，越来越需要先进的数据驱动技术来辅助决策并提升排水设施的运营效率[25]、[26]。在这方面，预测性维护能够提高决策的准确性和可靠性，显著提升运营效益，它是通过改善现有设备状况、降低故障率来最大化运营效率的有效策略[27]、[28]、[29]。预测结果对于提前掌握资产状况、辅助决策、规划维护活动、确定备件供应路线、评估运营绩效和确定维护优先级，以及降低运营风险具有重要意义[30]、[31]。然而，目前还缺乏针对与实际深隧道系统运行直接相关的水位预测或泵组状态预测的系统性预测性维护研究。因此，开展基于人工智能的水位和泵组状态预测研究十分必要，这有助于在降雨、来水波动以及设备老化等情况下，降低运营不确定性和环境风险，从而实现主动式运营和高效应急响应。

本研究旨在克服现有研究缺乏基于现场运行数据的集成预测诊断框架的缺陷，通过对深隧道城市排水系统中与运行直接相关的水位和泵组状态进行预测和诊断，提出一种用于主动响应维护的实用策略。为此，我们采用了长短期记忆网络（LSTM）以及基于编码器-解码器的LSTM-ED模型进行水位提前预测，并构建了一种将预测得到的未来水位变化趋势作为外生输入用于泵组状态预测和诊断的运营框架。该框架可用于为深隧道中的泵组提供预防性维护决策支持，通过提前预估未来状态来确保及时的运营响应。提前预测的结果表明，这种可操作的预测方法能够为运营控制和预防性维护决策争取必要的时间，而非事后补救。因此，本研究将为城市排水系统的优化和管理提供重要启示，通过提升城市洪水风险和运营风险的管理水平，提高城市水环境管理的效率，进而提升整个城市水资源系统的运营效率。

章节摘要

研究区域与数据收集

本研究的研究对象是一条兼具污水和雨水排放与储存功能的深隧道。这是一处用于防灾的设施，长度约为4.7公里，直径在5.5至10米之间，位于韩国扬川区新月洞到墨洞之间地下约40至50米处[5]。图1展示了该深隧道的示意图。该设施的主要功能是在降雨期间将来水储存在隧道内

隧道水位的提前预测性能

表1展示了用于隧道水位预测的深度学习模型的训练集和测试集。该隧道水位提前预测模型是基于每十分钟一次的运行数据构建的。其预测性能表现为：随着预测时间提前量的增加，预测误差趋于增大，解释能力则有所下降。在30分钟的预测时间内，直接多输出LSTM模型的预测效果表现为R²值为0.993，均方根误差为0.115米，平均绝对误差为0.052米

对现场应用和资产管理中决策支持的启示

目前，排水和防洪设施的传统维护计划依赖于经验判断，这增加了洪水风险的不确定性[8]、[49]。因此，本研究通过提前预测深隧道的水位和泵组状态，为现场工作人员的决策提供支持，本节介绍了基于深度学习的预警系统。在各种预测方法中，两阶段LSTM-ED模型在30分钟预测时间内的表现最为优异

结论

本研究提出了一种基于两阶段LSTM-ED模型的提前预测和基于阈值的预警框架，该框架体现了水位与泵组状态之间的关联，证明了可以通过泵组Tw和Tb的状态变化来为运营决策提供支持。该框架旨在改进深隧道城市防洪中的泵组运行方案，为运营自动化、控制以及风险管理方面的决策提供支持。

• 1.
  基于运行数据，我们

CRediT作者贡献说明

杨成俊：文章撰写——初稿撰写、可视化分析、方法设计、正式分析、数据整理、概念构建。金俊永：方法设计、数据整理。欧智英：数据采集、正式分析。金敏瑞：数据采集。哈桑·安沃尔：数据采集。李康勋：文章撰写——审阅与编辑、项目监督。

利益冲突声明

作者声明不存在任何可能影响本文研究成果的已知财务利益关系或个人关系。

致谢

本研究得到了韩国环境产业技术院（KEITI）在韩国气候、能源与环境部资助下的“气候适应型水相关灾害管理研发项目”（项目编号：RS-2024-00335526）的支持。此外，本研究还获得了韩国天主教大学2024年的研究基金支持。