三维卷积神经网络用于智能水分系统的泄漏检测和定位
Sanghoon Jun1, Donghwi Jung2, Kevin Lansey3
1Research Professor, Hyper-converged Forensic Research Center for Infrastructure, Korea University, Seoul 02841, Republic of Korea.
Water research X
|January 17, 2025
概括
使用3D CNN的新型深度学习模型有效地检测和定位使用智能电表数据在水分配网络 (WDNs) 中的泄漏. 这种先进的方法优于传统的优化技术,可以改善水资源管理.
科学领域:
- 水资源管理水资源的管理.
- 基础设施中的人工智能
- 网络分析 网络分析
背景情况:
- 先进的计量基础设施 (AMI) 提供了识别供水网络 (WDN) 泄漏的潜力.
- 目前AMI系统的泄漏检测和定位方法有限.
- 现实的泄漏检测需要先进的分析工具.
研究的目的:
- 提出和评估深度学习 (DL) 模型,用于使用AMI数据在WDN中检测和定位泄漏.
- 评估使用3D卷积神经网络 (CNN) 来分析来自WDN的压力数据的好处.
- 将DL模型的性能与传统的基于优化的方法进行比较.
主要方法:
- 开发一个3D CNN深度学习模型来处理时空压力数据.
- 在奥斯的真实WDN上测试3D CNN模型,并模拟真实的泄漏.
- 使用诸如检测概率,错误报警率和定位准确度等指标进行性能评估.
主要成果:
- 与基于优化的模型相比,3D CNN模型在泄漏检测和定位方面表现优越.
- 深度学习在WDN泄漏识别的传统方法上提供了优势.
- 该模型的适应性和对液压模拟错误的敏感性需要进一步调查.
结论:
- 深度学习,特别是3D CNNs,为使用AMI数据增强使用WDN中泄漏检测提供了一个有希望的方法.
- 需要进一步的研究来应对与模型适应性,模拟错误和针对网络变化的再培训相关的挑战.
- 这些发现支持将先进的DL技术整合到更高效的水资源管理和基础设施维护中.
