用于水分配网络中基于瞬态现象的泄漏检测的可解释仿真到现场迁移学习方法

《Water Research》：Explainable simulation-to-field transfer learning for transient-based leak detection in water distribution networks

　　韩东宇|乌萨马·丘拉|穆罕默德·瓦卡尔|莫埃兹·卢阿蒂|戴林涵|穆罕默德·萨拉赫·吉达维 中国香港特别行政区香港科技大学土木与环境工程系

摘要
本文提出了一种数据驱动的框架，用于在实地数据有限的情况下对供水管网中的瞬态泄漏进行检测。泄漏检测被定义为三项监督任务：（i）泄漏管道分类，（ii）泄漏位置回归，以及（iii）泄漏大小回归。为生成瞬态压力响应，人们构建了大规模的部分校准模拟数据集，但仅基于这些模拟数据训练的模型在应用于实际测量数据时表现不佳，这反映出模拟与现实之间存在显著差异。为解决这一问题，我们在含有测量噪声的模拟瞬态数据上训练了多种先进的人工神经网络架构，包括卷积神经网络、长短期记忆网络、门控循环单元以及Transformer模型。随后，我们利用迁移学习技术，结合实验数据对预训练模型进行微调，并通过留一法交叉验证来评估其适配性。迁移学习测试既包括原有的17种场景实验数据集，也包括在不同减压阀设定压力下收集的40种场景扩展数据集。在各类架构中，与直接从模拟到实验的测试相比，迁移学习始终能提升泄漏管道分类和泄漏位置回归的性能；在40种场景的评估中，经过迁移学习后最佳的分类准确率可达62.50%，而直接测试的最佳准确率为30.00%；最佳泄漏位置均方误差则从直接测试的18.44米降至微调后的6.57米。为解读所学到的模型，我们采用了积分梯度技术，确定驱动预测的传感器-时间区域，并比较迁移学习前后它们的行为差异。归因图显示，这些网络主要依赖后期出现的、多次散射的瞬态信号，而非仅依靠特征波周期的前半部分——即波从瞬态源传播到最远边界再返回所需的时间——而且通过迁移学习进行的微调能够抑制虚假的时间特征，同时保留具有物理意义的特征。总体而言，所提出的框架提供了一种可靠的泄漏检测策略，它充分利用模拟数据、有限的实验数据以及可解释性工具，提升了实际供水管网应用中基于瞬态的缺陷检测可靠性。

引言
供水管网中的非收益水问题带来了诸多挑战，严重的泄漏事件会导致巨大的能源浪费、外部污染物污染、地面沉降等问题（Fontanazza等人，2015年；Gao等人，2025年；Wu等人，2024a年；Pillot等人，2016年），同时还需承担高昂的维修成本（Liemberger和Wyatt，2019年；Sophocleous等人，2019年）。因此，供水管网中的泄漏检测技术不断发展（Farah和Shahrour，2024年），从传统方法逐步迈向更先进的技术。早期的检测方法，如基于非瞬态稳态信号的方法，依赖于持续监测，但由于基线变化极小，难以检测到微小的泄漏（Miller等人，1999年；Meland等人，2011年；Negm等人，2023年）。这些方法主要依赖稳定的声学信号，而这些信号很容易受到背景噪声（Wu等人，2023年；Agrawal等人，2024年；Liu等人，2024年）以及背景压力波动（Barros等人，2024年）的影响，从而导致误报。

为了获得更准确可靠的检测方法，基于瞬态测试的技术应运而生（Che等人，2021年；Colombo等人，2009年）。这类技术采用主动感知方式，向供水管网注入水力瞬态（压力）波（例如通过快速操作阀门），然后测量并分析系统的瞬态响应，以此推断缺陷特征，从而能够检测出泄漏、堵塞以及管壁变薄等多种类型的缺陷（Che等人，2021年）。与侵入式检测技术相比，基于瞬态测试的技术更具成本效益（Brunone等人，2019年），且在系统运行过程中几乎不会对其造成干扰（Brunone和Meniconi，2018年）。在相关研究中，有多种方法用于分析瞬态压力信号并识别其中蕴含的缺陷特征，例如：（i）基于瞬态反射的方法（Brunone，1999年；Liou，1998年；Ferrante等人，2014年）；（ii）基于瞬态阻尼的方法（Wang等人，2002年；Nixon等人，2006年；Brunone等人，2019年；Capponi等人，2020年）；（iii）基于频率响应的方法（Mpesha等人，2001年；Lee等人，2006年；Duan等人，2011年）；（iv）逆向瞬态分析方法（ITA）（Liggett和Chen，1994年；Covas和Ramos，2010年；Kim，2014年；Shamloo和Haghighi，2009年；Sarkamaryan等人，2021年；Keramat等人，2019年；Malekpour和She，2021年）；以及（v）时间反演技术（TRT）（Wang等人，2020年；Waqar等人，2023年；Waqar等人，2021年；Wang和Ghidaoui，2018年），这些方法已被证明在面对测量噪声时仍具有较强的统计稳定性。

基于瞬态测试的技术的前提是拥有精确的水力模型，以便解读波的传播时间、反射现象、内部多次反射以及衰减情况。然而在埋地系统中，系统信息往往存在不确定性、不完整性，甚至错误（Waqar等人，2021年；Pickering等人，1993年；Threlfall，2018年）。这些不确定性使得泄漏检测问题变得极为复杂（Wang等人，2020年）。正因如此，人们提出了数据驱动的解决方案，即直接从实测的瞬态数据中学习诊断特征，明确量化不确定性，并将物理规律作为软约束而非硬性假设来运用。

近年来，人们越来越多地探索将水力瞬态分析与深度学习相结合用于管道泄漏检测，第2节将对相关研究进行详细综述。本质上，只要拥有足够具有代表性的训练数据，基于学习的模型就能够被训练出来，从而实现准确且可靠的泄漏检测。虽然深度神经网络模型能够提升检测的准确性和稳定性，但它们对数据量要求很高：实际系统很难提供足够多样化的带标签的泄漏数据，因此通常依赖数值模拟得到的瞬态数据来进行训练。这样一来，数据驱动的模型就有可能继承模拟/建模过程中的误差，其在实际运行条件下的性能也会下降，这进一步凸显了模拟与现实之间的差距（Farah和Shahrour，2024年；Pandian和Alphonse，2024年）。这一限制很可能就是为何大多数基于深度学习的瞬态泄漏检测方法都仅在合成数据或简化的实验室规模系统中得到验证的原因，在这些系统中，数值模型能够较好地再现实测响应。因此，目前尚未解决的关键问题并非仅仅是深度学习能否从合成瞬态数据中识别出泄漏，而是从模拟波响应中学习得到的特征是否能够有效地转移到那些模拟模型无法准确再现实测响应的实际系统中。

为应对实地数据匮乏以及模拟与现实之间的差距，基于波形反演的相关研究中提出了迁移学习方法（Tempelman等人，2024年；Kollmannsberger等人，2023年；Zhang和Gao，2021年）。在这种方法中，首先在合成数据源域S上训练模型，优化机器学习模型的参数，使得模型的隐藏层能够捕捉到对目标最具信息量的特征（Bishop和Nasrabadi，2006年）。在我们的研究场景中，这些特征对应于由泄漏引起的波动力学属性，比如泄漏反射（其发生时间和幅度分别主要由泄漏位置和大小决定），以及系统中以特定方式体现在瞬态信号中的多次散射和衰减模式。在S域上完成预训练后，再以在S域学到的最终权重作为初始值，在目标域T上对模型进行微调，同时利用目标域T中的实际实验瞬态数据进一步更新模型权重。这样，将深度学习模型参数从S域传递到T域，就相当于将包含波与泄漏相互作用信息的物理知识也一同传递了过去，为逆向映射提供了有依据的初始值，而非随机初始化的权重。在其他领域的全波形反演问题中，这种基于物理知识的初始值已被证明有助于在数据不足的情况下提高算法的收敛性（Tempelman等人，2024年；Kollmannsberger等人，2023年；Zhang和Gao，2021年）。然而据作者所知，目前尚未有类似的、针对加压供水管网中基于瞬态的泄漏检测而开发的、经过验证的模拟到实地的迁移学习框架。正是这一空白促使我们开展了这项研究。

在本文中，我们将来自实地试验台的主动感知水力瞬态信号与在模拟数据上训练得到的深度学习模型相结合，构建了一个模拟到实地的迁移学习框架，用以实现泄漏检测。本研究使用的试验台包括一个上游减压阀、一根主干管道，以及一个下游集管，该集管又分为三条平行的高密度聚乙烯支管，每条支管末端都设有流量调节装置。我们为该试验台建立了水力瞬态模型，并利用它生成合成瞬态数据用于模型训练。为体现该问题的复杂性，我们首先采用了传统的机器学习基准方法——支持向量机、线性判别分析和k-近邻算法——来处理泄漏支管识别任务，结果发现这些方法的性能无法满足当前问题的需求，这也进一步证明了使用深度学习模型的必要性。之后，我们选择了三种深度学习架构，即卷积神经网络、长短期记忆网络和门控循环单元，利用合成数据对它们进行训练，以完成三种泄漏检测任务：泄漏支管识别、泄漏位置回归以及泄漏大小估算。通过这一框架，本研究得出了以下结论：（i）在实验数据上直接评估在模拟数据上训练得到的深度学习模型，发现其泛化能力较差，从而量化出了模拟与实际之间的差距；（ii）通过迁移学习，利用有限的实验数据对预训练模型进行微调，能够显著提升检测性能；（iii）通过对数据采集长度和滑动窗口位置的敏感性分析，可以找出富含泄漏相关信息的时间段，而积分梯度分析则有助于了解微调前后特征分配的变化规律。

本文的其余结构如下：第2节回顾了利用机器学习模型进行基于瞬态的泄漏检测的相关研究；第3节介绍了本文提出的方法，包括迁移学习框架以及模型可解释性分析方法；第4节描述了实验装置、水力模型以及数值数据的生成过程；第5节展示了研究结果，并对其进行了讨论，内容包括模型性能、迁移学习的效果以及可解释性分析结果；最后，第6节总结了主要结论，并提出了未来研究的方向。

相关研究
供水管网中的泄漏检测是一个广泛的研究领域，过去几十年来人们已经开发出了多种检测方法。在这一领域中，机器学习和深度学习方法在泄漏检测、爆裂识别以及故障易发性评估等任务中越来越受到重视。为明确研究范围，有些研究主要聚焦于爆裂检测（X. Zhou等人，2019年），还有些则致力于一般的故障易发性预测（Bakhtawar等人，2025年）。

总体研究内容
本研究在同一泄漏检测问题上对比分析了两类独立的模型。第一类是传统的机器学习分类器，如支持向量机、k-近邻算法和线性判别分析，它们被用作基准模型。第二类则是基于人工神经网络的模型，包括卷积神经网络、长短期记忆网络、门控循环单元以及Transformer模型，这类模型可以直接利用压力-时间信号完成三项监督任务：泄漏管道分类、泄漏位置回归以及泄漏大小回归。本研究还采用了迁移学习技术。

实验装置与数据收集
本研究使用的试验装置是一个分支管道网络，属于实地规模的实验设施，位于九龙的碧云山中间级淡水供应水库。该试验装置是在香港水务局的配合下建立的。图6展示了该试验装置的简化布局图，这个示意图有助于读者了解与瞬态测试相关的主要水力元件和边界条件，为后续更详细的分析做准备。

基准测试结果
在评估传统的机器学习方法时，我们使用了三种分类器：k-近邻算法、支持向量机以及线性判别分析。图11显示，在无噪声环境下，这三种分类器的性能都相当不错。在本研究中，准确率指的是模型正确识别出泄漏管道的测试样本所占的比例。具体而言，支持向量机和线性判别分析的准确率分别达到了96.46%和98.13%，而k-近邻算法的准确率最低，为50.75%。随着噪声的出现，准确率会出现下降。

结论
本研究探讨了在供水管网中应用基于数据驱动的方法，以及基于人工神经网络模型进行基于瞬态的泄漏检测的可行性。传统的机器学习算法，如支持向量机、k-近邻算法和线性判别分析，虽然能够有效从瞬态响应中提取特征，但在存在噪声的条件下其稳定性较差。相比之下，包括卷积神经网络、长短期记忆网络、门控循环单元以及Transformer在内的各种人工神经网络架构，在分类和回归任务中的性能都有显著提升。此外，多任务学习方法也为进一步提升检测性能提供了可能。

CRediT作者贡献说明
韩东宇：写作——审阅与编辑，写作——初稿撰写，可视化，验证，软件，方法论，研究，形式分析。乌萨马·丘拉：方法论，数据整理。穆罕默德·瓦卡尔：写作——审阅与编辑，写作——初稿撰写，方法论，形式分析，概念设计。莫埃兹·卢阿蒂：写作——审阅与编辑，监督，项目管理，形式分析，概念设计。戴林涵：数据整理。穆罕默德·萨拉赫·吉达维：写作——审阅与编辑。

关于写作过程中生成式人工智能及人工智能辅助技术的声明
在撰写本文档时，作者使用了Gemini 2.5 Pro来提升文本的语言表达质量和可读性。在使用该工具/服务后，作者们根据需要对内容进行了审阅和修改，并对最终发表的内容承担全部责任。利益冲突声明：作者声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢：作者衷心感谢香港研究资助委员会（项目编号16213823）以及创新科技署（项目编号ITS/033/22MS）的财政支持。同时，作者也感谢香港水务署提供Q-Leak测试设施及技术支持。第一作者还感谢程树博士提出的宝贵建议和深入讨论，这些都有助于提升本文的清晰度和表达质量。