本文章由课题组周啸副教授投稿于微信公众号「IWA漏损控制专家组交流号」，数据与机理双向赋能：供水管网智能化革命的范式转换与技术突围。

近年来，供水管网智能化技术成为行业的热词。从“智慧水务”的顶层设计到“数字孪生”的实践探索，技术迭代不断加速。随着DeepSeek等前沿深度学习技术的深度融合，传统管网运营管理技术正在向具备自主特征提取、分析、研判能力的智能范式升级。不少智慧水务从业者已经在探索各类智能化技术的实际应用，甚至已经亲自“操刀”尝试使用DeepSeek等工具进行管网数据分析决策。也正因如此，一些核心问题始终萦绕在研究人员和从业者心头：为什么智能化技术在管网实际工程中似乎并未起到预期的作用？数据驱动的智能化技术究竟能在多大程度上提供决策支持？水力模型等传统机理分析是否仍需坚守？物理机理分析是否能与深度神经网络形成创新耦合？本文将围绕这些问题，探讨供水管网智能化发展的现状、挑战和未来方向。

---

技术演进的三重浪潮：水力模型，机器学习与深度学习技术演进的三重浪潮：水力模型，机器学习与深度学习

水力模型：管网物理机理的“解读者”

作为管网系统分析领域历时最久、理论体系最为完备的工程工具，水力模型在管网设计优化与运行调控中持续发挥着核心作用。通过数学方法模拟管网的实际运行过程，模型可推断管网在各类工况下的压力分布、流量变化等行为状态，为管网的设计优化、调度优化、韧性分析提供支持。水力模型对管网物理特征具有全面的解析能力，能给出“有据可查”的模拟结果，尤其在复杂工况推演（如多水源协同调度、供水异常事件分析评估）中，展现出不可替代的物理可解释性优势。

水力模型最主要的局限在于其与实时数据交互困难。举例来说：要维护在线水力模型的实时精度，首先需要根据实时监测数据更新求解模型粗糙系数、需水量等参数，再运行模型得到管网未监测部分的实时压力流量等状态。这其间涉及到复杂的水力公式和校核算法（如参数反演方法）、大规模非线性方程组求解，对数据质量、算法性能等要求都极高。而参数校核本身也是个难题：管网中通常只有几十、几百个压力流量监测点，而模型中待定的粗糙系数、节点需水量等却动辄达到几万个，同时管道深埋地下、用户用水随机性强，从方程求解的角度，这种极端欠定问题的复杂性不言而喻。因此，在大数据时代下，只依赖于水力模型进行分析显得力不从心。这也正是为何我们需要引入更高效的数据分析方法，充分挖掘数据潜力，为供水管网的智能化管理注入新的活力。

机器学习：管网数据的价值挖掘

机器学习技术为供水管网的运行管理提供了另一种解决方案。从数学上，机器学习可解决的数据问题包括回归分析、聚类分析、数据分类等，对应于管网中状态预测、分区优化、异常识别等问题。例如，通过对历史数据的分析，机器学习算法可以识别数据中的规律和模式，进而预测管网的未来状态。人工神经网络、支持向量机、随机森林等算法可以用于预测管网的需水量、压力变化等；机器学习还可以通过分析数据中不符合预期变化规律的异常值，检测管网中的异常事件，如爆管、水质污染等。

机器学习模型的部署常采用“数据驱动”的方式进行，通过处理和分析大量的历史数据和实时数据来训练模型并完成特定任务，而非依赖于人工设定的规则或固定的经验模式。其优势在于其成本低、使用便捷，但传统机器学习算法需要依赖领域专业知识设计特定的特征提取器，才能将原始数据转化为适合模型处理的特征。这意味着机器学习在处理复杂任务时的能力相对有限。正因如此，深度学习作为机器学习的一个重要分支，以其强大的自动特征识别能力克服了传统机器学习的许多局限性，近年来得到了更多关注，也为供水管网的智能化管理带来了新的可能性。

深度学习：智能化技术的突破与局限

深度学习近年来在计算机视觉、自然语言处理等多个领域取得了革命性的成果，DeepSeek、StableDiffusion等多种颠覆性的工具充分说明了其技术潜力。在供水管网领域，深度学习技术同样发挥了重要作用。例如，循环神经网络（LSTM、GRU等）可以捕捉时间序列数据中的时序依赖关系，用于管网压力、需水量等状态的预测；卷积神经网络可以提取管网节点压力、管道振动等数据中的关联特征，用于爆管定位、漏点探测等任务。

尽管深度学习技术为供水管网智能化提供了新机遇，但其在实际应用中仍面临诸多挑战。现阶段，深度学习在供水管网领域的技术案例，尤其是在工程中的实际应用，大部分仍采用数据驱动的模式构建，依赖于对监测数据（如压力、流量、振动等）自身的特征分析。然而，数据驱动的技术模式存在诸多问题和限制，例如：

• 难以获取完整的数据特征。相比图像、语音等结构化数据，供水管网不同节点间、管道的关系的数据结构不规则，数据关系呈现为复杂的非线性，同时又严格遵循流量守恒、能量守恒等物理约束。而传统深度学习模型机制（卷积、循环、注意力等）难以有效识别这些非线性关系及物理约束，仅依赖监测数据无法全面表征管网水力特征。
• 缺乏标签数据用于模型训练。深度学习模型通常需要大量带标签的数据进行训练，而供水管网中爆管侦测、污染溯源等问题往往缺乏足够的带标签数据（即同时有数据及是否发生爆管等事件的准确时间等）。
• 无法处理与管网物理属性密切相关的任务。管网部分任务，如分区设计、优化调度等，需要对管网物理结构进行假设、分析管网结构或工况改变后的运行状态，而数据驱动的深度学习技术难以在此类任务中起到直接作用。

可以看出，对管网水力特征分析、利用困难的问题是深度学习技术的主要局限之一，而且原因是数据驱动模型对水力特征的利用能力难以突破物理机理缺失的掣肘。下一步，围绕深度学习对管网水力特征的解析能力提升，实现数据、机理双向赋能，将有可能是供水管网智能化革命的下一新范式，以及实现技术突围的关键方向。

破局之道：数据与机理双向赋能实现技术突围

正如诸多学者指出，增加深度学习对水力特征的利用能力、提升其对于现有数据的理解能力将是开发更准确、更通用模型的新途径。将复杂水力机理与数据特征解析深度融合，实现数据与机理双向赋能，是提升管网智能化应用效能、拓展其应用边界的关键路径。笔者总结了一些值得期待的新技术方向：

深度强化学习：基于水力模拟的动态优化机制

深度强化学习的核心思想是通过算法与环境的持续交互，以“试错-反馈-优化”的机制探索最优决策策略。在供水管网场景中，深度强化学习可利用包含管网物理规律（如流量守恒方程、能量梯度约束）的仿真环境（通常为管网模型），驱动智能体反复模拟不同工况下的调控动作（如阀门调节、泵站启停），并结合监测数据动态更新运维策略，在复杂工况下生成兼顾物理可行性与经济性的优化、调度等方案。该技术适用于涉及优化调度的相关问题，例如分区设计、泵站调度、优化关阀等管网智能化任务。

图片来源（参考文献）：Belfadil, A., Modesto, D., Meseguer, J., et al. (2024). Leveraging Deep Reinforcement Learning for Water Distribution Systems with Large Action Spaces and Uncertainties: DRL-EPANET for Pressure Control. Journal of Water Resources Planning and Management, 150(2), 04023076.

图神经网络：基于拓扑关联的数据特征分析

图神经网络的核心在于通过图结构数据（如节点、边对应属性）进行拓扑关联建模。“图”在数学中常用于表达一组对象间的结构或相互关联。在供水管网数据分析问题中，它可用于来表示不同节点间的连接关系、不同监测数据之间的关联等，从而反应管网拓扑结构的影响，并通过图神经网络的“邻域聚合”等机制实现不同节点间的特征传递。该技术天然具备解析管网拓扑结构或数据结构的能力，目前已在需水量预测、污染溯源、水质预测等任务中有一定应用研究。

图信号处理：管网数据空间变化“快慢”的识别工具

“信号处理”在生活中非常常见，常说的“频道”就是指不同“变化快慢”（即频率）的信号。图信号处理把信号处理的概念拓展到空间数据分析，在管网中，对应于不同节点间压力变化、水质变化等节点属性的空间规律。与图神经网络相比，图信号处理更偏向于从机理层面分析管网某个属性在不同节点上的变化，如压力下降趋势、余氯衰减速率等。该技术目前已初步应用于未知节点压力估计、监测点优化布置、数据修复等应用研究。

图片来源（参考文献）：Zhou, Xiao; Zhang, Juan; Guo, Shuyi; Liu, Shuming; Xin, Kunlun; A Convenient and Stable Graph-based Pressure Estimation Methodology for Water Distribution Networks: Development and Field Validation, Water Research, 2023, 233：119747.

物理信息神经网络：在深度学习中融入管网物理规律

尽管深度学习十分强大，但在某些“小问题”上却显得不那么“聪明”——例如，常规的深度学习技术很难理解并严格执行“管网上游的总水头比下游要高”这种基本的物理规律，有时会给出违反物理常识的结论。直接使用Deepseek等大模型进行管网问题分析时，有时会发现其结果是在“瞎编”，也正是由于这一原因。物理信息神经网络正是为了解决这一问题而生。以管网为例，物理信息神经网络可以将流量守恒、能量守恒等物理规律嵌入深度学习模型，使其输出更符合真实世界规律的结果。该模型目前已初步应用于管网水力计算、状态推演等任务。

图片来源（参考文献）：Yan, H., Li, S., Tian, W., Wang, J., Li, F., Duan, H., et al. (2025). A hybrid model coupling data and hydraulic transient laws for water distribution systems. Water Resources Research, 61, e2023WR036641. https://doi.org/10.1029/2023WR036641

嵌入技术：管网特征的“数字化”表达

从原理上说，深度学习只能理解“数字”。一段语音、一张图片等，都可以表示为一串数字。但自然语言处理中，文字怎么表示为数字呢？嵌入技术正是建立了一种映射表示规则，例如“我”、“们”两个经常同时出现的字表示为“0001”、“0010”，这两串数字的“距离”更近；而“鸡”则可能表示为“1100”，因为他和“我”、“们”两个字同时出现的概率很低，对应数字的“距离”也更远。嵌入技术也可以应用在管网中。例如，两个相连的节点表示为距离相近的数字组合，而上下游相隔较远的节点则表示为距离更远的数字组合。通过这种表示，深度学习模型就可以直观的获取节点间的关系，从而提升其对管网物理特征的理解能力。

图片来源（参考文献）：Xiao Zhou; Shuyi Guo; Kunlun Xin; Zhenheng Tang; Xiaowen Chu; Guangtao Fu; Network embedding: The bridge between water distribution network hydraulics and machine learning, Water Research, 2024, 273: 123011

结语：寻找“数据”与“机理”的共生

尽管智能化技术一直在以极快速度迭代更新，但具体到管网智能化任务中时，却又面临诸多区别于其他领域的特殊问题，成熟的、大规模的管网智能化应用仍任重道远。在信息化的数据洪流中，我们表面看到的是传感器采集的数据点阵，而其内在蕴含了每一根管道中的液体流动、每一米距离带来的能量衰减、每一次开关阀门形成的流量变化。供水管网的智能化技术，本质上是一场数据与机理的持续对话——前者从不同侧面速写管网状态，后者则守护物理规律的本质内核。当新一代技术既懂得倾听数据的低语，又能够破译机理的密码，城市生命线才能获得真正的“智慧”，更高效地解决更大范围的问题，而这正是管网智能化范式转换与技术突围的核心意义。