供水管网中概率传感器布设:一种基于博弈论伪雅可比矩阵的动态残差掩码框架

《Journal of Hydrology》:Probabilistic sensor placement in water distribution networks: a Dynamic Residual Masking framework using game-theoretic pseudo-Jacobians

【字体: 大 中 小 】 时间:2026年10月01日 来源:Journal of Hydrology 7.3

编辑推荐:

   •RF 与 SHAP 替代昂贵的液压模拟,实现传感器最优布点。•伪雅可比变换解决了 SHAP 与液压单位不匹配的问题。•高斯噪声累积分布函数将灵敏度映射为连续概率景观。•动态残差掩码通过追踪未满足概率排斥冗余传感器。•仅用 5 个传感器即达到 91.4% 的检测准确率,将误报

  

•RF 与 SHAP 替代昂贵的液压模拟,实现传感器最优布点。•伪雅可比变换解决了 SHAP 与液压单位不匹配的问题。•高斯噪声累积分布函数将灵敏度映射为连续概率景观。•动态残差掩码通过追踪未满足概率排斥冗余传感器。•仅用 5 个传感器即达到 91.4% 的检测准确率,将误报率降至 4.2%。引言全球水资源短缺因供水管网内的大量损失而严重加剧,这是一个严峻的环境与财务问题(Farouk 等,2023;Souza 等,2023)。为应对这些持续性损失,已提出多种依赖传感器基础设施的泄漏识别方法(Chan 等,2018;Wu 和 Liu,2017)。近年来,这些方法通过图机器学习的应用取得了显著进展,其中图神经网络(GNNs)在建模复杂非欧几里得网络拓扑以精确定位泄漏方面展现出最先进的能力(Khan 和 Schaller,2026;?rn Garearsson 等,2022;Schaller 等,2023)。高频瞬态压力监测仪(Mashford 等,2012;Yu 等,2024)和体积流量计(Rajan 和 Li,2025)被广泛采用;然而,其广泛应用常因高昂的资本和运维成本而受阻。因此,稳态压力的持续监测被普遍认为是大规模部署中最具可扩展性和经济可行性的策略(Adachi 等,2014;Leonzio 等,2023;Pérez 和 Sanz,2014;Soldevila 等,2022)。实现全网可观测性要求在每一个交汇点安装传感器;然而,现代供水管网的规模使得全面仪器化在经济上不可行。这一限制使得设计最优传感器布点算法成为必要,该算法旨在利用有限数量的设备最大化诊断覆盖率。从数学上讲,从 N 个可能位置中识别 K 个传感器的最优子集是一个 NP 难组合优化问题(Chvatal,1979)。历史上,这一挑战通过多种分析方法来解决,包括遗传算法(Agrawal 等,2025;Cheng 等,2020)和相关性分析(Batzella 等,2024;Mankad 等,2022)。如系统运维的全面综述所指出的(Mala-Jetmarova 等,2017),大多数历史优化方法传统上依赖于刚性的物理或成本启发式规则。在这些策略中,传统工程框架通常将该任务概念化为最大覆盖问题(Krause 等,2006),高度依赖网络的精确物理雅可比矩阵(J)。该矩阵由节点压力对节点需求的偏导数定义($J_{ij} = \frac{\partial P_i}{\partial Q_j}$)。虽然数学上严谨,但计算这一真实物理雅可比矩阵需要精确标定的白箱 EPANET 液压模型(EPANET,2020;Rossman,2000),而该资源对公用事业运营商往往不可用。此外,应用于这些显式矩阵的标准贪心优化算法会引入显著的运维脆弱性。在确定性矩阵上执行经典算法时(Geelen 等,2021;Ostfeld 等,2008),不可避免地会遇到"集合覆盖阈值困境"。为了将灵敏度矩阵二值化以进行离散覆盖计算,必须分配任意的检测阈值。这种刚性的确定性二值化从根本上忽视了仪器和环境噪声的物理特性。因此,优化算法被误导为积极选择空间聚集、高相关的传感器——一种被称为"恶魔孪生"现象的脆弱性(Ostfeld 等,2008)——这可能迅速耗尽传感器预算,同时使网络的边缘区域完全处于未监测状态。为绕过白箱液压模型的局限,可以利用数据驱动的机器学习技术。然而,直接用博弈论特征重要性(如 SHAP,Shapley,1953)提取的代理灵敏度矩阵替代显式物理雅可比矩阵,会引入严重的概念和维度陷阱。必须明确的是,SHAP 值从根本上代表统计边际贡献,量化特征对机器学习模型预测方差的影响程度,而非真实的物理液压梯度($\frac{\partial P_i}{\partial Q_j}$)。由于这种统计特性,原始 SHAP 值在数学上继承了目标变量的精确量纲单位。将这些值与体积泄漏量耦合会导致单位不匹配,人为夸大感知到的压力下降,产生人为的梯度膨胀,使标准覆盖算法陷入瘫痪。本研究同时解决了白箱限制和阈值困境,引入了一套完全数据驱动的、概率性的传感器布点框架。首先,从基于随机稳态网络数据训练的 RF 回归器(Breiman,2001)中提取博弈论边际贡献,构建代理雅可比矩阵。随后推导伪雅可比变换以解决将 Shapley 值应用于物理液压时固有的维度坍塌问题。这些经物理缩放的灵敏度值随后通过高斯噪声累积分布函数映射,构建连续的估计检测概率(Pd)景观。最后,为导航该景观,设计了一种计算轻量级的动态残差掩码(DRM)求解器。通过将异常检测视为连续的、可消耗的资源,这种软掩码贪心搜索动态更新组合景观,消除了对刚性二值化阈值的需要,并有机地排斥"恶魔孪生"效应以确保鲁棒的全局覆盖。所提出的方法利用公开可用的河内城市分区计量区域(DMA)基准模型及相应的 500 场景 LeakDB 数据集进行验证(KIOS Research and Innovation Center of Excellence,2018;Vrachimis 等,2018)。结果表明,经典确定性方法在诊断准确率上不如本文提出的概率框架。更具体地,将动态残差掩码框架的性能与已建立的传统基线进行对比:一种依赖于精确有限差分物理雅可比矩阵的经典硬贪心传感器布点策略。通过将本文提出的数据驱动方法与这一纯物理确定性基线进行对比,严格隔离了博弈论伪雅可比在缓解维度陷阱和降低误报率方面的具体贡献。在后续章节中,将系统阐述非平稳随机数据集的生成、博弈论代理雅可比的提取、伪雅可比变换的推导、连续估计概率景观的构建,以及动态残差掩码算法的对比结果。章节摘要所提方法的目标在供水管网中,最优传感器位置的识别在数学上受网络液压状态对异常需求变化的灵敏度所支配。因此,本框架所用的数据集由节点需求时间序列及其对应的稳态压力时间序列组成,这些数据在整个网络空间范围内生成,与随机城市需求预测的最新进展相一致(Herrera 等,2010;Zubaidi 等,2018)。所采用的结果与讨论所提出的动态残差掩码框架(图 1 和图 2)通过将 SHAP 衍生的伪雅可比应用于河内供水管网基准模型进行评估。结果表明,该方法在高噪声条件下也能成功规避"恶魔孪生"陷阱,同时保持最先进的诊断准确率。局限与改进计划尽管所提出的动态残差掩码算法成功在河内基准上分离出具有高鲁棒性、全局可观测性的传感器阵列,但当前框架在运行依赖性和向远为复杂网络(如 L-Town)的即时泛化方面仍存在特定局限。伪雅可比线性近似对小型泄漏的有效性严格依赖于一个能够进行大规模信号调理的下游检测算法。配对的结论本研究为供水管网中的传感器布点引入了一套完全数据驱动的、概率性的方法论,克服了确定性物理启发式规则的严重局限。通过从 RF 回归器中提取博弈论边际贡献(SHAP),生成了代理灵敏度矩阵,无需依赖计算代价高昂的显式有限差分模拟。然而,由于原始 SHAP 值固有地采用目标变量的物理单位声明:在本作品准备过程中,作者使用了 Gemini 来创建图形摘要、翻译文本以及改进英语语法和句法。使用此工具/服务后,作者对内容进行了审查和编辑,并对已发表论文的内容承担全部责任。资金支持作者声明,在准备本手稿期间未获得任何资金、拨款或其他支持。CRediT 作者贡献声明 Elvio Damonti:撰写——审稿与编辑,撰写——初稿,可视化,软件,方法论,调查,形式分析,数据整理,概念构思。Giancarlo Bernasconi:撰写——审稿与编辑,验证,监督,资源,项目管理。未引用参考文献 Kyriakou 等,2023;Kyriakou 等,2023b。利益冲突声明作者声明不存在可能影响本文工作的已知竞争经济利益或个人关系。Elvio Damonti|Giancarlo Bernasconi
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号