基于物理信息机器学习估计不规则用水需求以辅助漏损检测
机器学习
2023-09-07 v1 人工智能
摘要
配水网络中的漏损给水务部门带来重大挑战，导致基础设施故障、运行中断、环境危害、财产损失及经济损失。及时识别并准确定位此类漏损对于水务部门减轻这些不良影响至关重要。然而，漏损检测算法的实际应用受限于对水力模型或大量训练数据的需求。物理信息机器学习可利用水力信息，从而规避上述两方面的限制。本工作中，我们提出一种物理信息机器学习算法，该算法分析压力数据并借此通过全连接神经网络估计未知的不规则用水需求，最终利用伯努利方程并有效线性化漏损检测问题。我们的算法在 L-Town 基准网络上进行了测试，结果表明其具备良好的估计多数不规则需求的能力，R2 大于 0.8。与忽略不规则需求的结果相比，在不规则需求存在下对漏损的识别结果对于突发漏损提升了 5.3 倍，对于初发漏损提升了 3.0 倍。
引用
@article{arxiv.2309.02935,
title = {Estimating irregular water demands with physics-informed machine learning to inform leakage detection},
author = {Ivo Daniel and Andrea Cominola},
journal= {arXiv preprint arXiv:2309.02935},
year = {2023}
}
备注
submitted to Water Research on July 17th, 2023