【摘 要】给排水管网漏损是现阶段供水工程建设实践中必须重点关注的问题之一，因为其对水资源节约使用等方面有着显著影响。文章基于“节约用水”和“绿色施工”大背景，对给排水管网漏损的特征以及识别难点进行分析，并在梳理漏损识别的技术挑战基础上，对人工智能技术驱动的给排水管网漏损识别框架进行分析，同时就人工智能技术的渗漏识别系统应用进行综合讨论。最终研究表明，人工智能技术驱动的给排水管网漏损智能识别具有突出的经济效益和社会效益。

【关键词】给排水管网；漏损识别；人工智能；多源数据融合；深度学习

引言

现阶段，给排水管网漏损已然成为影响水务行业发展的一项世界性难题，而传统的人工听音或区域测压的漏损检测手段，虽可暂时满足漏水检测的相关要求，但依旧缺乏有效的预警与防范功能[1]，同时也极易导致操作人员出现漏检、错报等问题。近几年来，伴随着物联网、边缘计算以及深度学习等新型信息技术不断向水务领域深入发展，推动管道漏损管理开始由“经验驱动”向“数据驱动”转变。从实践结果来看，人工智能借助多源传感器网络可以使管网运行状态可监测性得到较大程度地提高，而且人工智能模型训练的数据质量也有较大程度地改善。再者，人工智能将声波、压力及流量等多种维度的数据加入到人工智能模型智能分析中，能够在很大程度上促使漏损识别的准确率，此举对水务运维和管网管理全链条都产生了非常重要的作用和影响。

一、水厂管网漏损特征与识别难点分析

（一）水厂管网系统结构与漏损类型

给排水管网作为城市“生命线”工程，其物理结构、运行状态等的复杂性造就了漏损特性多样化[2]。典型的管网系统包含输水干管、配水支管、用户接入管等呈网状拓扑，采用铸铁管、钢管、聚氯乙烯等多种材质，管龄由新铺设到超过服役年限（大于50年），造成漏损表现形式多种多样，主要可以分为以下三种：一是截面渗漏主要是出现在法兰及承插口部位，为间歇式的长期缓慢渗透漏水；二是裂纹扩展属于慢发展型漏水，一般是因管道在应力腐蚀开裂或第三方原因造成，随时间缓慢增长；三是爆管事故发生时的突降式漏水，瞬时流量损失为平时正常流量的5～10倍。

从水力特性角度看，漏损具有以下信号特征：声学上，在不同的压强下，对于不同孔径大小的漏口所发出的声波存在不同的频率范围，其中，200～800 Hz是区分不同的孔径大小的最有效范围；水力上，表现为上游压力降低以及下游出现异常大的流量；热学上，漏水处土壤的温度场也呈现一定的规律，可应用红外热成像来识别漏损的位置。这些特征为泄漏智能检测奠定了物理基础，但同时也对传感器的灵敏度以及采样频率提出了更高要求。

（二）漏损识别的主要技术挑战

管网漏损智能识别存在的最大的难点在于数据获取。现有的监测体系并不能全覆盖[3]，并且不同的监测设备差异较大，在数据格式、采样率和精度等方面均有差别。如果仅使用当前所用的声波传感器来检测，由于声波传感器要实现有效的信号覆盖，需要大约10～200米布设一个传感器，但一般管网的情况会大于500米左右，这就造成了数据获取的不全面。

算法层面存在三大挑战：一是由于时间和空间不匹配的问题，管网数据包含秒级流量数据和小时级压力数据，以及点式传感器和独立计量区域分区数据的不同时间粒度和空间粒度；二是数据存在极严重的不平衡问题，日常漏损事件仅占全部监测数据的不足0.1%，使得基于监督学习的方法容易出现负偏现象；三是缺乏基于质量守恒、能量守恒等物理约束的纯数据驱动法，这可能会导致一些违反物理规律的错误预测，如使用深度学习方法中的卷积神经网络（Convolutional Neural Network，CNN）处理声波信号，对小于等于2 mm的小漏孔识别率仅为40%，远低于人工听漏的65%。

系统的实现也面临一定困难。实时检测对边缘计算设备端处理时延有严格要求，在系统实现过程中需要注意控制处理时延不超过5 s，同时对于管网的实时在线检测还要依赖于地理信息系统（Geographic Information System，GIS）等第三方服务商提供的实时数据传输。传统的GIS无法实现根据实时变化的数据信息，动态地显示管网健康状况[4]。需要开发基于数字孪生技术的平台，实现漏损位置、风险等级的立体化呈现。例如，某市柯桥区构建了一套完整的智能漏损识别系统，这是水利科学、土木工程、声学物理、数据科学等多学科交叉融合的结果。