用于水力分布网络漏检测的可解释模糊图神经网络
人工智能
2026-01-07 v1 机器学习
摘要
及时检测水力分布网络中的漏水对于节约资源和维护运营效率至关重要。虽然图神经网络（GNN）在捕捉传感器数据的空间-时间依赖性方面表现出色，但其黑箱特性以及针对水网络的图基可解释模型工作有限，阻碍了实际应用。我们提出了一个可解释 GNN 框架，集成互信息以识别关键网络区域，利用模糊逻辑提供基于规则的清晰解释，以进行节点分类任务。经过对几种 GNN 架构进行基准测试后，我们选定广义图卷积网络（GENConv）以获得卓越性能，并开发了增强型模糊变体，提供对分类漏水位置的直观解释。我们的模糊图神经网络（FGENConv）在检测和定位方分别实现了 0.889 和 0.814 的图 F1 分数，略低于干净版 GENConv 的 0.938 和 0.858。然而它通过提供空间局部化的模糊规则解释来弥补了精度不足的不足。在在精度和可解释性之间取得恰当平衡后，所提出的模糊网络可能使水力工程师能够验证预测的漏水位置，节省人力资源，并优化维护策略。代码已在 github.com/pasqualedem/GNNLeakDetection 提供。
引用
@article{arxiv.2601.03062,
title = {Explainable Fuzzy GNNs for Leak Detection in Water Distribution Networks},
author = {Qusai Khaled and Pasquale De Marinis and Moez Louati and David Ferras and Laura Genga and Uzay Kaymak},
journal= {arXiv preprint arXiv:2601.03062},
year = {2026}
}
备注
Accepted at IFSA-NAFIPS 2025