面向供水系统的物理信息图神经网络

供水系统是关键基础设施不可或缺的组成部分，对城市发展至关重要。由于到 2050 年全球 70% 的人口可能会居住在城市环境中，高效的供水系统仿真与规划工具在实现联合国可持续发展目标 6——“为所有人提供清洁饮水和卫生设施”——中发挥着关键作用。在这一领域，我们提出了一种新颖且高效的机器学习模拟器，更准确地说，是一种用于供水系统中水力状态估计的物理信息深度学习模型。采用递归方法，我们的模型仅需少量图卷积神经网络层，并采用了一种基于消息传递的创新算法。与传统的机器学习任务不同，该模型在以无监督方式重建可用真值特征的过程中，利用水力学原理推断出两个额外的水力状态特征。据我们所知，这是首个在不利用额外信息的情况下模拟流行水力模拟器 EPANET 的深度学习方法。与大多数深度学习模型一样且不同于水力模拟器，我们的模型展示了极快的模拟速度，且该速度不会随供水系统规模的增大而急剧增加。此外，我们在真值上实现了高精度，并且通过与水力模拟器非常相似的结果得到了验证，这已通过在五个真实世界的供水系统数据集上的实验予以证明。