- 文章链接：https://doi.org/10.1016/j.watres.2019.115058
- 第一作者：Xiao Zhou（周啸 副教授）
- 通讯作者：Fanlin Meng, Kunlun Xin
- 通讯单位：英国埃克塞特大学 同济大学
全文速览
本文提出了一种基于深度学习的爆管定位模型（BLIFF），旨在可以有效地识别来自较大潜在区域（例如DMA）的爆管的准确位置（单个或几个管道）。将优化传感器放置在有限的、优化的位置，使用WDN的水力模型来模拟爆管来训练FL-DenseNet，提取有限压力信号中的特征，将在优化的传感器位置新收集的压力数据被输入到经过训练的FL-DenseNet中，用于预测爆管位置。通过两个实例分析，验证了该框架对系统水力模型精度的鲁棒性和适用性。
背景介绍
供水管网的管道爆管泄漏不仅会导致大量水资源浪费，还会增加处理成本，甚至引发污染和供水中断等问题，管道爆管定位法可以帮助自来水公司及时有效地修复爆管，恢复供水。然而，目前已有的管道爆管定位方法都具有一定的局限性。基于模型的定位方法在很大程度上依赖于高精度的水力模型参数，在较大的配水网络中效果不够理想；传统机器学习算法需要设计合适的特征提取器，且对复杂特征提取能力有限；而基于压力传感器的定位方法受压力对爆管的灵敏度限制，可能掩盖压力信号变化，导致只能粗略定位爆管的潜在位置。因此，在潜在区域内，利用可接近的仪表实现管道爆管精准定位仍然是一个巨大的挑战。
本文亮点
提出了一种基于深度学习的爆管定位模型（BLIFF），首次实现了从粗略区域（DMA）定位到单根管道的高精度爆管定位。用线性连接代替卷积层，并省略池化层，避免了传统卷积层丢失信号全局特征的问题。提高了网络的训练效率和参数利用率，同时保持了高准确性和鲁棒性。通过优化压力传感器位置选择，尽可能减少所需传感器的数量，实现经济优化、高覆盖率和高效采样，同时提高爆管定位的精确度。在真实场景中对方法进行了测试，展示了强大的适应性和预测能力。
图文解析
要点1：假设已检测到爆管，并确定了潜在爆管区域（如DMA 或数十至数百条潜在管道）。选择最优的压力表位置，以便使用最少的仪表数量有效地收集爆管信息。构建水力模型并模拟不同条件下的爆管。通过EPANET3 模型训练数据。同时收集现场压力数据，将预处理的数据，输入训练好的FL-DenseNet模型，以准确预测爆管位置。其中输入层负责接收压力数据矩阵或向量作为输入。密集块采用密集连接模式，每一层连接到所有后续层，替换 DenseNet 的卷积层为线性连接以保留压力信号的全局特征。过渡层融合不同特征，用于连接密集块。输出层通过 softmax 分类器，预测每条管道发生爆管的概率。
要点2：在WDN中，节点压力对节点流出量变化的敏感性可以用雅可比矩阵表示，通过覆盖极限（CL）、覆盖数（CN）和覆盖率（CR）三个参数来衡量仪表的有效性，而最优的压力表位置指的是能满足CL、CN和CR规定的阀值限值且仪表数量最少的位置。利用遗传算法 (GA) 优化压力计的布置位置，CL确定仪表应满足的最小灵敏度。如果节点i被覆盖超过CN米，则认为节点i被充分覆盖；CN值越高，用于训练FL-DenseNet的信息越丰富。CR是充分覆盖的节点相对于潜在突发区域内所有节点的比率。例如，如果CL、CN和CR分别设置为0.02、2和85%，则应该至少有85%的节点被不小于2米的距离覆盖。
要点3：为了深入了解BLIFF的实际应用，采用单次灵敏度分析方法对其在不同网络物理或水力条件下的性能进行了分析。结果表明，如果管道粗糙度和节点需求的不确定性降低，acc1（图5a）和acc5（图5b）越高，BLIFF的性能越好，这表明BLIFF对水力模型的精度具有很高的鲁棒性。图5c表明准确度随浓度的增加而增加。图5d呈现了Td与预测精度的关系，较长的Td收集了更多时刻的压力数据，将提高预测精度；较短的Td则可以更快地定位突发。该研究中使用CL， CN和CR来定义所选仪表应满足的最小灵敏度要求，图5e表明更大的CL、CN和CR会导致更多的仪表，这将提高BLIFF的性能，但也会导致更高的成本。图5f表明随着滞后时间的增大，精度降低，主要原因可能是连续的突出导致水箱水位下降，因此模拟时的总压力分布与实际情况不一致。
要点4：我们在中国东部江苏省某配水网络中测试了BLIFF在真实设置下的可靠性并进一步探讨了BLIFF在不同管道上的性能。如图6a所示，一般情况下，直径较大（即线条较粗）或距离监测仪表较近的管道预测准确。图6b给出了一个正确定位爆震的例子，其中预测概率最高的管道是爆震管道。图6c显示了另一个管道爆管的例子，属于第二类，表明小管道的爆管特征可能更难与附近类似的管道区分。图6d显示了一个预测失败的例子，预测在真实爆震位置附近的几个管道有较高的爆震概率。图7所示为三个代表性案例，如果爆管发生在直径较大且相距较远的管道上（因此相互水力影响较小），则两者都可以被BLIFF瞄准。
总结与展望
本研究提出了一种名为BLIFF的新型深度学习模型，基于短期内有限地点的额外实时压力监测，可以准确定位潜在爆管区域内的管道爆管。采用流行的深度学习算法DenseNet的改进版本FL-DenseNet，有效提取wdn中压力信号的特征。该模型经济高效、操作方便，实用性强，适用于各种规模的配水管网。单次灵敏度分析表明，BLIFF在大范围参数设置下具有较高的预测精度，在高不确定条件下对突发有效定位仍具有较强的鲁棒性。该模型不仅在准确定位潜在管道爆管方面表现出良好的应用潜力，还可以扩展到包含更多不确定性因素的场景（如泵曲线和阀门状态不准确等）或者通过研究其他方法进一步提高其性能。