基于数字孪生稀疏感知的城市排水网络流量重建传感器布置优化
人工智能
2026-05-26 v2 计算工程、金融与科学
摘要
由强降雨引发的城市洪涝日益频繁且范围广泛。虽然在高时空分辨率下进行洪涝预测与监测备受期待，但实际约束下的时间、预算和技术限制阻碍了其全面实施。如何在资源受限条件下监测城市排水网络并预测流量状况是主要挑战。为此，我们引入数据驱动稀疏感知（DSS）方法，通过位于美国明尼阿波利斯乌尔兹曼（Duluth, Minnesota）的 Woodland 排水区数字孪生体演示其应用。具体方法将 EPA-SWMM 与奇异值分解和 QR 因子化基于传感器选择相结合，用于优化系统级流量重建的监测位置。由多场景驱动的 SWMM 模拟集合提供必要的水力数据，以提取简化基底并识别信息丰富的传感器位置。跨事件验证显示，在 77 个候选节点中仅布置三个战略性传感器即可在观测暴雨事件中实现 0.949 的平均系统级 Nash-Sutcliffe 效率（NSE）。与从穷举搜索和蒙特卡洛随机布置获得的参考传感器配置进行比较，结果表明基于 QR 选定传感器的流量重建与穷举最优结果高度吻合，且显著优于随机布置。我们进一步评估了框架的鲁棒性，通过引入乘性高斯噪声并模拟单个传感器故障。虽然模型对噪声相对鲁棒，但传感器丢失的影响高度取决于分配的传感器数量及其具体位置。
引用
@article{arxiv.2511.04556,
title = {Optimizing Sensor Placement for Flow Reconstruction in Urban Drainage Networks: A Digital Twin-Based Sparse Sensing Approach},
author = {Zihang Ding and Amit Kumar and Imran Md. Azizul Islam and Mila Avellar Montezuma and Ruihang Zhang and Kun Zhang},
journal= {arXiv preprint arXiv:2511.04556},
year = {2026}
}
备注
32 pages (including supplementary information), 11 figures. Submitted to Water Research. Partially presented at HydroML 2025 Symposium, Minnesota Water Resources Conference 2025, and AGU Fall Meeting 2025