engineering-practice-oriented 数字孪生在智能水资源管理中的应用：框架、支持技术及未来发展方向

《Water Research》：Engineering-Practice-Oriented Digital Twins for Smart Water Management: Framework, Enabling Technologies, and Future Directions

　　摘要
城市水资源系统正日益受到极端气候、老化基础设施和洪水风险增加的挑战。传统的水资源管理方式在数据、运营和资产方面仍然存在碎片化问题，这限制了协调决策和可扩展的工程部署。数字孪生（DT）在克服这种碎片化方面显示出巨大潜力，有助于实现弹性且高效的管理。本综述提出了一种以工程实践为导向的数字孪生框架，用于智能水资源管理（DTSW）。首先通过基于情景的分解将公用事业需求结构化为关注点（POIs），从而将实际的工程问题与数字变量联系起来。综述进一步总结了一种基于概率图模型的方案作为POI实现的算法框架，并探讨了在有组织的数据基础、模型和实时控制方面的关键技术。特别关注了基于人工智能的DTSW技术，包括软感知和数据清洗、混合建模以及考虑不确定性的模型部署。未来的发展从主动优化、人机协作和可扩展工程部署的角度进行了讨论。因此，本综述为指导数字孪生在城市水资源系统中的实际设计和部署提供了一个结构化的框架，促进了协调、可扩展和有弹性的水资源管理。

引言
城市水资源系统对城市公共卫生、工业活动和环境质量至关重要。城市水资源系统通常遵循线性路径，包括水资源输送、处理和分配，随后是用水、废水收集、处理和排放（Bhatti等人，2021年；Campisano等人，2017年）。随着城市化和气候变化的加速，这一路径面临着水资源短缺、水质恶化、基础设施老化和洪水风险以及碳约束日益增加的压力（Jordan和Mitchell，2015年）。同时，对水资源再利用和循环经济的兴趣日益增长，扩大了城市水资源管理的目标，从安全供应和排放扩展到资源回收、系统级协调和长期可持续性。这种转变对跨部门整合、运营协调和系统级管理提出了更高的要求。然而，传统的水资源管理在资产、流程和数据方面仍然存在碎片化问题，限制了其支持这些新兴需求的能力。这就需要数字方法来将碎片化的资产、流程和数据整合到一个连贯的运营框架中。这样的方法通过支持生命周期资产管理、动态优化以及对城市水资源系统中波动条件的适应反应来实现智能水资源管理。

基于对数字孪生（DT）研究的综合，本综述探讨了用于智能水资源管理（DTSW）的数字孪生的构建和实施，以解决城市水资源系统中的实际公用事业需求。数字孪生在实现城市水资源系统的智能管理方面显示出巨大潜力。它们整合了实时数据、模型和运营规则，以表示物理孪生的结构、环境背景和动态行为，同时保持物理和数字领域之间的同步（Chen等人，2025年）。在这种背景下，用于智能水资源管理的数字孪生支持对处理厂、管道网络和排水系统的监控、优化和决策（He等人，2018年；Hoffmann等人，2020年）。最近的研究表明，DTSW可以带来可衡量的好处，包括在废水处理过程中节省约17%的能量，并使淡化电力成本每立方米降低约0.01-0.30欧元（Cuba等人，2025年；Filipe等人，2019年）。然而，当前的DTSW发展仍受限于概念与实践之间的持续差距。在许多项目中，数字孪生仍局限于三维可视化、静态建筑信息模型或孤立的模型部署（Keller，2023年）。同时，当前的DTSW研究和部署对工程要求、日常运营工作流程和跨领域整合的关注不足。例如，许多当前在水资源系统中的数字孪生应用仍然集中在三维可视化、基于BIM的静态资产表示、孤立的水力或过程模型部署或单场景演示上（Lee等人，2025年；Tian等人，2024年；Wang等人，2024年）。这些应用虽然有用，但往往不能完全解决日常运营工作流程或城市水资源子系统之间协调管理所需的跨领域整合问题。实际上，异构数据标准、不一致的模型接口和项目特定的定制仍然增加了实施成本，并限制了在不同公用事业中的可复制性。总体而言，构建和实施真实城市水资源系统中的数字孪生所需的工程逻辑尚未得到系统性的澄清（Keller，2024年）。本文不仅将数字孪生作为一个一般概念进行讨论，而且从工程实践的角度对其进行了综述。其主要贡献是将文献围绕一个概念框架进行组织，该框架将实际的公用事业需求与数据、模型和控制方面的关键技术联系起来（Dutta和Sarma，2026年；Nazarpour等人，2023年）。与主要关注个别关键技术（如深度学习、数字可视化、废水处理数字孪生或基于AI的排水系统弹性）的先前研究相比（Guo等人，2024年；Tian等人，2024年；Wang等人，2024年），本综述强调如何将这些技术组织成一个以情景驱动的实现路径，用于实际的水资源运营。特别是，所提出的框架将工程场景、数据要求、模型边界、不确定性表示和控制决策联系起来，从而区别于以技术为中心的综述，并突出了其以工程实践为导向的贡献。具体而言，我们通过目标-情景-关注点（POI）的分解将水资源管理需求组织成标准化流程（Khajvand等人，2022年；Laubenbacher等人，2021年）。在这方面，数字孪生与城市水资源系统中的明确运营目标和工程问题相联系（Szel?g等人，2020年；Lee等人，2017年）。第1节进一步介绍了所提出的DTSW框架，在该框架中，POIs与概率图模型（PGMs）作为实现的计算支柱相连接。第2节讨论了将POI处的物理状态转换为可靠观测数据的数据基础。第3节回顾了将观测值映射到数字状态并预测感兴趣量的机械模型、数据驱动模型和混合模型。第4节探讨了将模型输出转换为操作行动和反馈的控制和决策方法。这样，数据、模型和控制部分分别对应于所提出的DTSW框架的观测、推理和行动组件。未来的发展从主动优化、人机协作和可扩展工程部署的角度进行了讨论（White等人，2021年）。

功能边界和范围
作为整体的管理结构，智能水资源管理显著增强了城市水资源系统的长期规划、运营可靠性和适应能力，从而奠定了总体水资源安全、生态和环境韧性的基础（Polycarpou等人，2023年；Wu等人，2023年）。从系统工程和控制论的角度来看，智能水资源管理旨在解决工程复杂性与管理需求之间的矛盾。

数据来源和特征
DTSW构成了对物理实体的高保真虚拟映射，其准确性取决于底层数据的深度和广度。如图2a所示，分布式传感器收集源数据，提供了系统状态的实时反映，这构成了构建复杂的多源异构DTSW数字网络的基础（Syed等人，2024年）。具体来说，连续的监测数据流来自广泛分布的来源，如计量器、流量计等。

模型类别和特征
在DTSW中，模型作为连接数据和决策的核心桥梁。根据构建方法和特征，模型可以大致分为三种类型：机械模型、数据驱动模型和混合模型。机械模型（图3a1），也称为第一原理模型，主要基于物理、化学和水动力学定律构建。具体来说，这些定律包括水质和过程模型，如活性污泥模型或厌氧模型。

分层控制和决策架构
控制和决策占据DTSW的核心位置，作为连接数据、模型和数字孪生应用的关键枢纽，将分散的原始数据资产转化为科学和准确的水资源系统治理（Cheng和Li，2023年；Kavya等人，2023年；Polycarpou等人，2023年；Yuan等人，2019年）（表S2b）。从数学架构的角度来看，控制和决策是由概率推理、状态相关性和决策形成的关键过程。

结论
以工程实践为导向的数字孪生框架（DTSW）对于解决以模型为中心的发展与城市水资源系统实际运营需求之间的持续不匹配至关重要。通过将DTSW重新定义为一系列与运营目标一致的工具和服务，本文将公用事业需求组织为关键管理领域、特定工程场景，最终以关注点（POIs）作为模拟和操作的基本单位。

数据可用性
作者声明，所有支持本研究发现的数据均包含在文章及其补充信息中。任何额外的数据可向相应的作者索取。

未引用参考文献
Xu等人，2025年；Xu等人，2025年；Carmigniani等人，2011年；Jeong等人，2024年；Li等人，2024年；Bolorinos等人，2023年；Sharmeen等人，2022年；Skambraks等人，2017年

作者贡献声明
Haozheng Wang：撰写——原始草稿、验证、资源调查。
Jinkuo Li：撰写——审稿与编辑、撰写——原始草稿、调查。
Xuhui Dang：撰写——审稿与编辑、撰写——原始草稿、调查。
Baoyi Zhong：撰写——审稿与编辑、撰写——原始草稿。
Rui Zhao：撰写——原始草稿、调查。
Xiaoxiang Wang：调查。
Chotiwat Jantarakasem：验证、调查。
Guangtao Fu：撰写——审稿与编辑。
Dragan Savic：

利益冲突声明
作者声明以下财务利益/个人关系可能被视为潜在的利益冲突：
Yumeng Zhao报告称得到了中国教育部基础和跨学科领域突破计划（编号JYB2025XDXM906）、国家自然科学基金（编号52200008）以及哈尔滨工业大学城乡水资源与环境国家重点实验室开放项目的财政支持。

致谢
本研究得到了中国教育部基础和跨学科领域突破计划（编号JYB2025XDXM906）、哈尔滨工业大学城乡水资源与环境国家重点实验室开放项目（编号MS202618）和国家自然科学基金（编号52200008）的支持。

Haozheng Wang | Jinkuo Li | Xuhui Dang | Baoyi Zhong | Rui Zhao | Xiaoxiang Wang | Chotiwat Jantarakasem | Guangtao Fu | Dragan Savic | Jun Ma | Yumeng Zhao
哈尔滨工业大学城乡水资源与环境国家重点实验室，哈尔滨150090，中国