下水道数字孪生不再逐管重训:FLOOD 算子跨管径跨管网预测,单管提速约5500倍
核心概要
下水道水力数字孪生长期受制于圣维南方程的求解速度,而既有机器学习替代模型换一根管道或一种流态就要重新训练。FLOOD 用多分支神经算子直接学习圣维南方程的解算子,以管道几何、水力参数和两端检查井水位为输入,输出水深与流量。在未参与训练的管道上,水深与流量的决定系数分别达到1.000和0.999,单管在线预测提速约5500倍,并可直接用于粗糙度校准与漏水定位。
深度剖析
下水道水力数字孪生现在可以只训练一次就用于没见过的管道、管网和流态,不必为每根管道重新训练。 此前的机器学习替代模型通常针对具体案例和任务,遇到新系统或系统特性变化(例如管道老化、更新)就需要大量重新训练。 算子只在由简单正弦入流驱动的合成数据上训练,却在约4亿个来自真实基础设施的点上测试,覆盖干天与雨天流、泵驱动高频波动、顶托和严重满管等未参与训练的场景。
算子把管道几何、水力参数和两端检查井水位时间序列直接映射到指定位置与时刻的水深和流量。 多分支神经算子按管径把解算子拆成有限个分支,本研究依香港设计标准设14个分支,每个分支对应一个公称管径。 每个分支先用傅里叶特征嵌入层,再接一个隐藏层,平均约28万个可训练参数;推理时按管径确定性地选择对应分支。
同一算子还能用于反演与诊断任务,包括管道粗糙度校准和漏水定位与漏量估算。 传统粗糙度校准依赖不可微的圣维南方程求解器,需反复做全区域模拟来数值近似梯度。 在未参与训练的3号与4号管道上,算子给出的曼宁粗糙度分别为0.025和0.015,参考值为0.025和0.016,校准提速分别为228284倍和1182962倍;在含397根管道的大湾区管网上,5处人为渗入的管道占据漏水证据分数前五名,漏量相对误差低于2.5%。
启示与展望
演示范围限于圆管的一维圣维南方程水力过程,评估覆盖三根实测管道、一根合成满管管道,以及香港九龙城约485根管道和大湾区约397根管道两座管网;漏水定位是在全部检查井水位可测的假设下做的概念演示。
监测点稀疏时性能随监测比例下降:监测比例60%至95%时提速超过500倍,流量决定系数为1.0、归一化平均绝对误差低于0.7%;约40%时仍提速174倍;30%及以下时保真度只适合可接受中等精度的应用。训练数据由简单正弦入流生成,向非圆断面、控制构筑物和下水道与地表交互的扩展仍待开展。
