导读：

随着城市化进程的持续加速，给排水管网作为城市生命线工程的核心组成部分，其安全、高效、稳定运行直接关系到居民日常生活质量、城市生态环境可持续性以及城市整体韧性。传统水力建模方法在处理大规模、强非线性的管网运行问题时，普遍存在参数标定耗时久、计算成本高昂、对突发故障响应滞后等突出不足，难以满足现代城市智慧管网的运维需求。近年来，以深度学习、图神经网络为代表的机器学习技术快速发展，凭借其强大的数据挖掘、特征学习和复杂模式拟合能力，为给排水管网的漏损检测、爆管识别、水质预警、需水量预测以及城市内涝预报等关键运维任务提供了全新的解决思路与技术路径。本文系统梳理近五年机器学习在给排水管网领域的研究进展，从方法层面全面回顾传统机器学习、深度学习、图神经网络与物理信息神经网络的发展脉络及核心优势，从应用层面重点探讨其在供水管网漏损识别与定位、污染事件检测、需水量预测，以及排水管网管道缺陷识别、内涝预测等核心场景中的最新研究成果与实践应用。最后，深入分析现有研究方法面临的数据稀缺、模型可解释性不足与跨场景泛化能力薄弱等现实挑战，并对物理信息图神经网络与数字孪生融合等未来发展前景进行展望，为推动机器学习技术在城市给排水管网领域的深度应用与产业化落地提供参考。

作者信息：

朱远建：广西贵港北控水务有限公司，广西 贵港；广西南宁北控水务有限公司，广西 南宁；黄 扬：桂林理工大学环境科学与工程学院，广西 桂林；梁一为：广西南宁北控水务有限公司，广西 南宁；广西慧水科技有限公司，广西 南宁；岑敬明*, 李文丽, 朱建全：广西贵港北控水务有限公司，广西 贵港；陈祈安：桂林理工大学土木工程学院，广西 桂林；侯 辉*：桂林理工大学图书馆，广西 桂林

论文详情

表 1 系统比较了各类方法的机制、适用场景及优缺点。

供水管网的安全稳定运行直接关系到居民用水安全与城市正常运转，机器学习技术在供水管网中的 应用主要集中在漏损检测与定位、爆管事件识别、水质监测与污染事件识别、需水量预测等核心场景， 有效解决了传统运维模式的诸多痛点，如图 2 所示。

代表性漏损检测与定位研究对比与评述见表 2。

排水管网承担着城市污水排放、雨水疏导的重要功能，长期运行易出现各类问题，机器学习技术在 排水管网中的应用主要集中在管道缺陷识别、城市内涝预测、流量预测与运维优化等场景，有效提升了排水管网的运维效率与韧性，如图 3 所示。

代表性城市内涝预测研究对比与评述见表 3。

尽管机器学习模型在仿真与试点研究中取得了优异表现，但从科研原型走向供排水公司大规模生产 环境的过程中，仍面临数据、技术与管理三个维度的深层挑战。

在数据层面，管网监测 点分布稀疏、数据采样频率不一、缺失值较多的问题普遍存在，且历史故障样本极少，给监督学习模型的训练带来极大困难；同时，公开的真实管网数据匮乏，多数研究依赖合成数据或单一城市管网案例，模型的跨场景验证不足，难以适应不同城市、不同类型管网的复杂工况。同时，供水与排水管网数据 特征差异进一步加剧了这一问题：供水侧以稳态压力–流量时序为主，排水侧则包含动态降雨–地表径流图像或者水位数据，二者难以直接迁移。半监督学习、自监督学习和迁移学习等技术，是缓解数据稀缺问题、提升模型泛化能力的可行思路。

在模型层面，深度学习模型的“黑箱”特性导致其可解释性较差，难以让管网运维人员理解模型的决策逻辑，进而影响对模型的信任与应用。可解释人工智能方法(如 SHAP、LIME)的引入，能够有效提升模型的透明度，帮助运维人员理解模型预测结果的产生原因；而物理信息神经网络通过显式融 入物理规律，从根本上提升了模型的物理合理性与可信度，为解决模型可解释性问题提供了重要路径， 是更具工程价值的路径。

在应用层面，多数研究仍停留在仿真实验或单一管网案例验证阶段，难以直接应用于不同规模、不 同拓扑结构的管网；此外，供水–排水技术路径的割裂也制约了城市水务一体化管理。因此，建立标准化的开放测试基准与数据集，如 L-Town、C-Town、BattLeDIM 数据集，从而能够为不同算法的客观评估提供公平的平台，推动算法的优化与落地。

在上述挑战的牵引下，未来研究应在以下五个方向重点突破。

其一，图神经网络与物理信息神经网络的深度融合。

其二，数字孪生平台与机器学习的深度融合。

其三，大语言模型与基础模型在水务领域的应用探索。

其四，强化学习与多智能体方法在协同调度中的应用。

其五，标准化开放基准与供水排水一体化建模。

基金项目：

中央引导地方科技发展资金项目“桂科 ZY24212055”

原文链接：

机器学习在给排水管网中的应用