《Developments in the Built Environment》：AI-Enhanced Acoustic Leak Detection for Sustainable Urban Water Pipeline Management
编辑推荐：
本研究提出了一种人工智能增强的声学框架，该框架融合了梅尔频率倒谱系数（MFCC）、时间序列深度学习以及模糊自适应元启发式优化算法，用于供水管道泄漏分类。现场录音采集自台北市，并通过实地检查和开挖进行标注。数据增强仅应用于训练数据，未对保留测试录音进行增强。研究
本研究提出了一种人工智能增强的声学框架，该框架融合了梅尔频率倒谱系数（MFCC）、时间序列深度学习以及模糊自适应元启发式优化算法，用于供水管道泄漏分类。现场录音采集自台北市，并通过实地检查和开挖进行标注。数据增强仅应用于训练数据，未对保留测试录音进行增强。研究分别在原始现场条件以及信噪比（SNR）为30 dB、20 dB和10 dB的高斯噪声场景下评估了模型性能。扩展长短期记忆网络（xLSTM）在所有基线模型中表现最佳。研究人员进一步开发了一种模糊自适应北极燕鸥优化器（FAATO），作为北极燕鸥优化器（ATO）的自适应扩展版本，用于xLSTM的超参数调优。FAATO-xLSTM在所评估的场景下达到了94.44%的准确率和高召回率，展示了其在可持续城市供水管道监测中具有前景的中试规模性能。
论文解读：基于模糊自适应优化与xLSTM的声学城市供水管道泄漏智能检测
一、研究背景与意义
城市供水管道系统是支撑公共健康、经济活动与城市可持续发展的关键基础设施。然而，地下管道的隐蔽泄漏问题长期存在，在造成明显损害之前往往难以被发现，导致水资源浪费、路面损坏、土壤侵蚀、服务中断以及高昂的维护成本。尤其在像台北这样快速发展的城市，未被检测到的泄漏给供水系统带来巨大压力，扰乱市政基础设施并增加财政支出。随着城市基础设施持续老化，早期且准确的泄漏检测对于提升节水效率、降低运营成本以及增强建成环境的韧性变得日益重要。
传统的泄漏检测方法，如压力监测、流量分析、视觉检查或人工现场勘查，在面对小型、隐蔽或受复杂现场条件影响的泄漏时存在局限性。声学泄漏检测作为一种有前景的替代方案，能够捕捉泄漏事件产生的振动和声音模式，提供更直接的泄漏相关信息。然而，真实城市环境中收集的声学信号通常受到背景噪声、管道状况和环境变异性的强烈影响，使得可靠的分类变得困难。为了弥合现实挑战与实用解决方案之间的差距，本研究利用人工智能技术处理声学数据，旨在提供一种新的视角来检测城市环境中微妙的泄漏特征，并为更准确、可扩展的泄漏监测提供支持，尽管其广泛部署仍需通过更大规模的多站点研究进行验证。
二、主要关键技术方法
研究人员采用了以下关键技术方法：首先，从现场采集的声学录音中提取梅尔频率倒谱系数（MFCC）作为代表性输入特征。其次，应用音高偏移、时间拉伸和噪声注入三种数据增强技术，仅扩充训练数据集以缓解标注数据有限的问题。再次，构建了包括机器学习（KNN、NB、SVM、DT）、集成机器学习（RF、XGBoost、CatBoost）和时间序列深度学习（LSTM、GRU、xLSTM）在内的多种基线模型。最后，开发了模糊自适应北极燕鸥优化器（FAATO），作为北极燕鸥优化器（ATO）的改进版本，用于优化表现最佳的xLSTM模型的超参数。所有声学录音均来自台北市的地下供水管道，并通过现场检查和开挖确认标签。
三、研究结果
3.1 基准模型性能比较
在原始现场条件下，xLSTM在所有评估指标（准确率、精确率、召回率、F1分数、AUC）上均优于其他机器学习和集成学习模型，提供了最强的整体基线性能。这表明xLSTM在处理时间序列声学信号方面具有显著优势。
3.2 FAATO优化算法的有效性验证
研究人员首先将提出的FAATO与12种对比元启发式算法在40个基准函数上进行测试，验证了其优化性能。随后，将FAATO与xLSTM结合形成FAATO-xLSTM混合模型。与其他混合模型（如GA-xLSTM、PSO-xLSTM等）相比，FAATO-xLSTM在多个性能指标上取得了最优结果，证明了模糊自适应机制在动态调整探索-开发平衡方面的有效性。
3.3 场景化鲁棒性分析
为了评估模型在不同噪声环境下的稳定性，研究人员设计了四种测试场景：原始现场条件，以及在30 dB、20 dB和10 dB信噪比下的高斯噪声干扰条件。结果表明，FAATO-xLSTM在所有场景下均保持了最高的准确率和召回率，尤其是在10 dB的高噪声环境下，其性能下降幅度最小，展现了优越的鲁棒性。
四、结论与讨论
本研究成功开发并验证了一个名为FAATO-xLSTM的人工智能增强声学框架，用于城市供水管道的泄漏与非泄漏状态分类。该框架整合了MFCC特征提取、xLSTM时间序列建模以及FAATO模糊自适应超参数优化。实验结果显示，FAATO-xLSTM在原始现场条件和不同噪声水平下均达到了94.44%的最高准确率，并表现出优异的鲁棒性。
研究结论指出，所提出的FAATO-xLSTM框架在可持续城市供水管道监测方面展现出有前景的中试规模性能。然而，由于现场测量声学数据集规模有限（仅60条标注录音），研究结果需谨慎解读。未来的工作需要在涵盖不同管道材料、泄漏尺寸、传感器位置和城市环境的更大规模多站点现场数据集上进行验证，以进一步检验模型的泛化能力。此外，研究人员开发的FAATO算法也可应用于其他工程优化问题，展示了其潜在的广泛应用价值。
