用于供水系统建模与决策的大语言模型

《Environmental Modelling & Software》：Large Language Models for Water Distribution Systems Modeling and Decision-Making

　　

摘要

将大语言模型（LLMs）整合到工程工作流中，为提升计算工具的易用性带来了新的机遇，尤其是在由于技术门槛或专业知识壁垒而导致此类工具应用不足的场景中，例如配水系统（WDS）管理。本研究提出了LLM-EPANET，一个基于智能体的框架，支持通过自然语言与EPANET——标杆性配水系统模拟软件——进行交互。该框架结合了检索增强生成（RAG）和多智能体协同编排技术，能够自动将用户查询翻译为可执行代码，运行模拟并返回结构化结果。本研究引入了一套精选的69条基准查询，用于评估当前主流大语言模型的性能。结果表明，大语言模型能够有效支持广泛的建模任务，总体准确率达到56%–81%，对于较简单的查询则超过90%，凸显了基于大语言模型的建模技术在促进数据驱动工具更广泛可及性以及通过透明、交互式的AI界面推进水系统建模民主化方面的潜力。框架代码和基准查询已作为开放资源共享。

引言

配水系统（WDS）是人类社会可持续运行的关键基础设施。随着城市化进程加速、基础设施老化以及气候变化加剧，有效管理这些系统比以往任何时候都更加重要。为应对这一挑战，研究人员开发了各类计算工具和模拟模型，以优化系统性能、预测水力与水质动态并支持决策过程（Fu等，2024）。然而，尽管这些计算工具潜力巨大，其采用往往受到操作所需专业知识门槛的限制。已被公认阻碍计算工具广泛采用的关键挑战包括：对模型可靠性信任不足、缺乏透明度以及模型搭建、校准和维护所需的大量时间和人力投入（Samadi等，2024；Vekaria和Sinha，2024）。此外，与模型交互所需的专业知识意味着基于模型的决策仅限于具备高水平技术技能的利益相关者（Rao和Salomons，2007）。

此类计算工具的一个典型代表是美国国家环境保护署网络评估工具（EPANET），由美国环境保护署（EPA）开发。EPANET是一款广泛使用的开源软件工具，用于模拟配水系统中的水力和水质行为（Rossman，2000）。凭借其4500余次被核心期刊引用和数十万次下载量，EPANET已成为配水系统建模的标杆。虽然EPANET最初使用C语言编写，但该工具已通过多种编程语言的开源封装器进行了扩展（Arandia和Eck，2018；Eliades等，未注明年份；Klise等，2017；Kyriakou等，2023），使其对工程师和学者具有很高的可访问性。EPANET强大的模拟能力使其成为水工程领域的基石，支撑着关键应用，如泄漏检测（Levinas等，2021）、最优能源管理（Luna等，2019）、传感器布点优化（Cardoso等，2021；Ohar等，2015）、水质控制（Elsherif等，2023；Perelman和Ostfeld，2025）以及网络攻击缓解（Taormina等，2019）。然而，EPANET的实际应用仍主要局限于技术技能较高的用户。典型终端用户依赖软件图形界面（GUI）与模拟交互，而更高级的用法通常需要编程技能，这阻碍了非技术背景的水务从业人员的广泛采用（Sela等，2019）。即使在基于GUI的使用方面，水务公司内部的工程师和决策者也往往忙于紧急的运营任务，几乎没有时间或动力去参与基于模型的分析。因此，EPANET等先进计算模型所提供的宝贵洞见往往被低估和利用不足，将决策限制在少数专家群体中。

人工智能（AI）的近期进展，特别是大语言模型（LLMs）的发展，为水务专业人员参与数据驱动的决策创造了新的机遇。大语言模型在代码生成任务中展现出巨大潜力，使其成为人类与模型之间的理想中介。通过将自然语言提示翻译为可执行命令，大语言模型使复杂计算工具的直觉式交互成为可能，从而降低技术壁垒并扩展对关键技术洞见的获取途径。

近期一些研究已初步探索了将大语言模型整合到水资源管理中的途径。Sela等（2024）调研了水务公司中的各种工作流，展示了生成式AI如何支持从缺失数据插补到资产管理和需求分析等任务。他们的发现突出了自然语言界面在减轻传统数据分析技术负担方面的价值。Marzouny和Dziedzic（2026, 2024）提出了一种用于泵组调度优化的少样本学习策略，其中大语言模型迭代生成泵组调度策略，从EPANET模拟中获取反馈，并在后续迭代中优化建议。Taormina和Werf（2024）开发了一个基于大语言模型的框架，利用图像数据进行管道缺陷检测。除故障识别外，该模型还通过语言化解释其决策过程来提供可解释性。

跨领域的应用案例也为大语言模型在配水系统中的应用提供了借鉴。例如，大语言模型已被用于洪水风险管理，允许利益相关者查询数据库和可视化场景（Martelo等，2024），以及推理洪水成因（Zafarmomen和Samadi，2025）。在电网领域，大语言模型已用于潮流计算模拟（Jia等，2024）和长期规划决策支持（Chaturvedi等，2025）。

尽管上述研究展现了令人鼓舞的潜力，但目前仍缺乏一个完全集成的框架，使水务专业人员能够自由地与水力及水质模拟进行交互，覆盖广泛的分析和运营任务。开发这样一个领域专用的无代码框架需要解决三个关键挑战：（1）为EPANET等复杂模拟环境生成准确的领域专用代码；（2）建立无缝的无代码提示到执行流水线，消除人工干预；（3）设计透明的、建立信任的界面，使非技术利益相关者能够理解和验证其输入如何影响模拟结果。以下各小节将详细阐述这些挑战，并介绍我们为EPANET提出的基于大语言模型的框架，该框架专门设计用于弥合上述局限，代表着迈向高级水系统建模民主化的一步。

大语言模型通过利用大量公开可用的源代码和技术文档，彻底改变了代码生成。诸如OpenAI的Codex（Chen等，2021）和GitHub Copilot（GitHub Copilot，2023）等工具已展示出利用广泛采用的编程库生成高质量代码的卓越能力，得益于互联网上丰富的训练数据（Austin等，2021；Chen等，2021）。然而，这些模型主要基于主流编程示例进行训练，在专业领域存在明显空白。在如配水系统模拟等专门领域，训练数据中领域专用代码的稀缺限制了模型生成有效、定制化解决方案的能力（Joel等，2024）。在EPANET这样的环境中，这一差距尤为突出，因为模拟依赖于复杂的结构化输入和精深的领域知识。

大多数现有的基于大语言模型的代码生成工具假设采用人在回路的工作流，用户手动审查、修改并执行建议的代码。虽然适合技术用户，但这种交互模式对非专家并不实用。无代码框架需要一个完全自动化的工作流，将自然语言提示转换为经过验证的可执行代码，并在模拟环境中无缝运行。这带来了与语法验证、错误处理和运行时评估相关的新技术挑战（Wang等，2024）。近期智能体系统的研究提供了有前景的方向：Zhuge等（2024）提出了一种"智能体作为评判者"架构，其中自主智能体评估同侪智能体的输出。类似地，Li等（2023）引入了一种多智能体协作框架，用于代码生成、验证以及在优化场景中的迭代改进。集成被认为是扩展用户群的关键方面。我们提出的方法通过自动化提示到执行的工作流直接应对这一需求，从而为让用户参与基于AI的工具奠定基础。

确保易用性和信任度是使复杂模拟工具对非专家用户可及的关键（Samadi等，2024；Vekaria和Sinha，2024）。除了生成功能可靠的代码外，还必须传达自然语言输入如何被转化为模拟命令。这种透明度，可能通过展示生成的代码及相应的解释或文档注释来实现，使用户能够验证和理解底层过程，从而增强对系统的信心。同样重要的是模拟输出的可解释性；当用户能够轻松理解底层计算和假设时，他们更有可能信任工具的推荐结果。通过解决这些因素，所提出的框架最大程度地减少了代码生成中的潜在错误和歧义，培养了健壮、以用户为中心的体验，从而促进水务行业的更广泛采用。

所提出的框架旨在通过开发EPANET的大语言模型界面来弥补这些差距。该框架的主要目标是支持对高级模拟工具更广泛的获取，并推动非技术利益相关者向基于各级水务公司高级软件采用的数据驱动决策文化转变。

方法片段

如上所述，大语言模型擅长生成类人文本，包括编程代码。这一进展对软件开发产生了深远影响，自动化了编码任务并帮助开发者更高效地编写复杂代码。大语言模型的代码生成能力源于其对从公开代码仓库汇编的多样化数据集的训练，使其能够从海量数据中学习编码模式及语言语义（Bommasani等，2021）。

结果

基于LLM-EPANET框架和评估查询集，本研究进行了多项实验，以检验不同商业大语言模型配置和参数。每条查询均使用一系列商业大语言模型进行评估。然而，本研究并非旨在对标大语言模型提供商。相反，模型的选择代表了不同的成本-性能区间，以评估所提出的LLM-EPANET框架的鲁棒性。因此，结果不应被解读为对...

讨论

人工智能和大语言模型技术正以加速的步伐发展，重塑技术工作流。水务行业作为一个数据丰富但传统保守的领域，应关注这些变化并考虑如何适应。将AI驱动的界面整合到如LLM-EPANET等模拟工具中，标志着使高级建模对更广泛用户群体更易于获取和产生影响的迈出的重要一步。

鉴于AI的快速进展，很可能到...

结论

本文提出了一个基于大语言模型的框架，用于通过自然语言与配水系统模拟软件EPANET进行交互。所提出的智能体驱动方法将自然语言查询转换为调用EPANET工具包的可执行代码，并返回结构化的模拟输出。LLM-EPANET框架将大语言模型的代码生成能力与水务专业人员面临的建模任务相结合。该框架旨在支持对高级...更广泛的获取

CRediT作者贡献声明

Yinon Goldshtein：写作 – 审阅与编辑，写作 – 原始稿件，可视化，验证，软件，方法论，调查，形式分析，数据管理，概念构思。

Gal Perelman：写作 – 审阅与编辑，写作 – 原始稿件，可视化，验证，软件，方法论，调查，形式分析，数据管理，概念构思。

Assaf Schuster：写作 – 审阅与编辑，验证，监督，资源，项目管理，概念构思。

Avi...

未引用参考文献

Eliades等；GitHub Copilot，2023；Taormina等，2024。

软件和数据可用性

• 软件名称：LLM-EPANET

• 开发者：Yinon Goldshtein，Gal Perelman

• 联系方式：[e-mail]

• 首次可用日期：2025年9月

• 所需软件：Python 3.10，OpenRouter账户

• 编程语言：Python

• 源代码地址：https://github.com/yinon-gold/LLMs-in-WDS-Modeling

• 文档：提供在源代码README.md文件中

生成式AI和AI辅助技术在稿件准备过程中的声明

在准备本文期间，作者使用ChatGPT精炼了论证并改进了部分稿件的写作风格。作者审查并编辑了生成内容，并承担已发表文章内容的全部责任。

利益冲突声明

? 作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：

Avi Ostfeld报告获得以色列水务局的财务支持。若有其他作者，他们声明没有已知的竞争性财务利益或个人关系可能影响本文所报告的工作。

致谢

本研究由以色列水务局支持，项目编号2034739。

Yinon Goldshtein | Gal Perelman | Assaf Schuster | Avi Ostfeld

以色列理工学院计算机科学系，海法 32000，以色列