戚宇瑤，周楊軍，周鵬飛

(中國城市規(guī)劃設(shè)計研究院上海分院，上海 200335)

1 引言

近年來，我國正處于大力推進排水管網(wǎng)修復(fù)改造的階段，2019年，國務(wù)院印發(fā)《城鎮(zhèn)污水處理提質(zhì)增效三年行動方案(2019—2021年)》，明確提出推進生活污水收集處理設(shè)施改造和建設(shè)，建立污水管網(wǎng)排查和周期性檢測制度。其主要原因在于至2019年，全國已建排水管網(wǎng)破碎率高達30%，管網(wǎng)檢測修復(fù)亟待開展。由于時間有限、如CCTV檢測等昂貴的評估技術(shù)和大量的管道規(guī)模，頻繁地對污水管網(wǎng)進行檢查并不符合成本效益。因此準(zhǔn)確地預(yù)測排水管網(wǎng)狀況，能夠指導(dǎo)從業(yè)人員，為相關(guān)部門和機構(gòu)定制狀況評估模型，通過優(yōu)化檢查時間和減少檢查次數(shù)，節(jié)省成本，也可為市政當(dāng)局提供決策標(biāo)準(zhǔn)，以制定修復(fù)策略。

影響地下排水管道破損的因素分為三組：物理因素、施工操作因素和環(huán)境因素。通常情況下，相關(guān)管理部門和市政當(dāng)局能掌握足夠的物理數(shù)據(jù)，但環(huán)境和操作因素的信息往往無法獲得。而美國在2002年，排水管網(wǎng)密度平均在20～30 km/km2，是我國現(xiàn)狀管網(wǎng)密度的2～3倍，基本實現(xiàn)了全國范圍內(nèi)管網(wǎng)全覆蓋全收集的目標(biāo)。美國排水管網(wǎng)的問題主要存在于破損管道的維護、修復(fù)、改造。近20年以來，美國將狀態(tài)預(yù)測模型的開發(fā)利用作為排水管網(wǎng)領(lǐng)域的重點研究對象，對我國開展排水管網(wǎng)的檢測修復(fù)有極高的參考價值。

排水管網(wǎng)預(yù)測模型種類眾多，既有傳統(tǒng)的統(tǒng)計模型，如馬爾科夫鏈(Markov chain)和邏輯函數(shù)模型(Logistic regression)；也有一些人工智能模型，如神經(jīng)元網(wǎng)絡(luò)(Neural network)和機器學(xué)習(xí)(Machine learning)等。管網(wǎng)狀況影響因素眾多，除了管齡、管材、管長外，回填類型、墊層材料、土壤類型、水利條件等也得到了廣泛的應(yīng)用。

本文將總結(jié)2001～2019年美國在排水管網(wǎng)狀況預(yù)測模型方面的研究進展，具體分析過去的研究中排水管網(wǎng)破損狀況的影響因素、預(yù)測常用的模型方法以及相關(guān)研究的基本步驟，并將對我國在該領(lǐng)域未來的研究方向提出展望，以期能為后續(xù)研究所借鑒。

2 污水管網(wǎng)狀況預(yù)測模型與方法

污水管網(wǎng)預(yù)測模型在方法上可以分為兩大類：一類是回歸分析統(tǒng)計模型，這類模型是以歷史數(shù)據(jù)為基礎(chǔ)，在傳統(tǒng)管道物理因素的基礎(chǔ)上，綜合分析排水管網(wǎng)狀況與其他環(huán)境和施工因素之間的關(guān)系，例如：墊層材料、街道類別、現(xiàn)有結(jié)構(gòu)和運行狀況等方面的內(nèi)容。研究經(jīng)過數(shù)據(jù)采集與編制、條件模型設(shè)計和結(jié)構(gòu)發(fā)展模擬下水管道的運行惡化曲線。另一類是人工智能模型，分為人工給定分析特征的機器學(xué)習(xí)(Machine learning)和通過深度學(xué)習(xí)自動找出分類問題重要特征的深度學(xué)習(xí)(DeepLearning)及卷積神經(jīng)網(wǎng)絡(luò)元(CNN)，它從過去的數(shù)據(jù)中"學(xué)習(xí)"基礎(chǔ)過程的模式，并將獲得的"知識"(或輸入和輸出數(shù)據(jù)之間的數(shù)學(xué)關(guān)系)進行概括，以預(yù)測或分類給定問題域的一組新的輸入變量的輸出，適用于下水管道的缺陷分類、排水管的惡化原因分析和管理策略指導(dǎo)。表1中列出了使用不同統(tǒng)計和AI模型的下水道狀況預(yù)測模型，顯示了以往研究中用于開發(fā)污水管道狀態(tài)預(yù)測模型的數(shù)據(jù)點數(shù)量和狀態(tài)評級標(biāo)準(zhǔn)。

表1 污水管狀況預(yù)測模型

2.1 統(tǒng)計模型

2.1.1 馬爾科夫鏈模型

馬爾科夫鏈模型通常用來描述一個隨機過程，其中在未來的某一步跳入特定狀態(tài)的概率只取決于當(dāng)前步驟的狀態(tài)(Micevski等，2002)。數(shù)學(xué)格式可以呈現(xiàn)，如式(1)所示。

P(Xt+1=it+1|Xt=it,Xt-1=it-1…X1=i1)=P(Xt+1=it+1|Xt=it)

(1)

其中，變量X在步驟t+1時處于狀態(tài)it+1的概率僅有條件地取決于其在步驟t中的狀態(tài)it.對于馬爾科夫鏈模型，假設(shè)條件概率隨時間的推移保持不變。對于任何變量X在步驟t時處于狀態(tài)i中，在步驟t+1時轉(zhuǎn)移到狀態(tài)j的概率可以用公式(2)來表示：

P(Xt+1=i|Xt=j)=pij

(2)

其中pij為轉(zhuǎn)移概率。如果目標(biāo)馬爾科夫鏈過程中存在多個狀態(tài)(n個狀態(tài)，其中n>1)，通常需要一個轉(zhuǎn)移矩陣，如式(3)所示。

(3)

如果將初始狀態(tài)定義為一個向量Q，經(jīng)過n個步驟，則狀態(tài)向量是：

Q(n)=Q(0)Pn=Q(n-1)P

馬爾科夫鏈的基本特征是變量在某一時刻/某一位置的數(shù)據(jù)特征與上一時刻/為止的值有關(guān)，無記憶性，與歷史數(shù)據(jù)無關(guān)。馬爾科夫鏈模型已被廣泛應(yīng)用于各個工程領(lǐng)域(Lecchini-Visintini等，2010；Yang等，2005)。而在污水管道維護領(lǐng)域，馬爾科夫鏈模型被廣泛用于開發(fā)惡化模型，該模型可以模擬污水管道狀況隨時間的惡化(Baik等，2006；Micevski等，2002；Tran等，2008)。在以往的研究中，結(jié)論表明馬爾科夫鏈模型可以有效模擬現(xiàn)實生活中的隨機過程。從本質(zhì)上講，污水管道缺陷數(shù)據(jù)的生成是一個離散時間的隨機過程，這是一個可以通過馬爾科夫鏈模型有效解決的問題。

2.1.2 回歸邏輯模型

回歸分析模型主要包括以下幾類：線性回歸、二元邏輯回歸、多元邏輯回歸。其中，基于排水管網(wǎng)影響因素的復(fù)雜性，多元邏輯回歸是最常用的回歸分析模型，它用多項式的形式來反映影響因素和排水管網(wǎng)狀態(tài)之間的關(guān)系。當(dāng)因變量是二進制(0/1，True/False，Yes/No)時，應(yīng)該使用邏輯回歸。這里，Y的取值范圍為[0,1]，它可以由下列等式來表示：

odds= p/ (1-p) = probability of event occurrence / probability of not event occurrenceln(odds) = ln(p/(1-p))logit(p) = ln(p/(1-p)) = b0+b1X1+b2X2+b3X3....+bkXk。

回歸分析是一種面向數(shù)據(jù)的技術(shù)，因為它直接處理所收集的數(shù)據(jù)，而不考慮其背后的過程。首先，選擇合適的統(tǒng)計軟件對采集到的數(shù)據(jù)進行預(yù)處理，預(yù)處理后的數(shù)據(jù)分為兩部分：第一部分(如：20%)隨機選取用于模型驗證，其余數(shù)據(jù)用于模型開發(fā)。第二步，采用矩陣圖檢查變量之間的關(guān)聯(lián)性，排除相關(guān)變量。通過最佳子集分析推薦的預(yù)測因子功能形式，基于不同材質(zhì)管道開發(fā)多個回歸模型(圖1)。這些模型已經(jīng)過驗證，其平均有效性百分比在82%～86%之間(Fazal Chughtai和Tarek Zayed 2008)。

圖1 污水管道狀況預(yù)測的回歸邏輯模型框架

2.1.3 小結(jié)

統(tǒng)計模型作為開發(fā)模擬模型的傳統(tǒng)方法，其準(zhǔn)確度很大程度上取決于影響因素的選擇。理想的影響因素應(yīng)當(dāng)包含所有與排水網(wǎng)管狀況惡化相關(guān)的獨立變量。在實際研究中，往往只選擇少量影響因素，主要是因為部分物理因素數(shù)據(jù)收集的成本很高，環(huán)境因素和運行操作數(shù)據(jù)由于其復(fù)雜性收集極為困難。所以，很難全面地模擬現(xiàn)實狀況。所以，多元線性回歸的準(zhǔn)確度相對較低，因此研究者嘗試使用人工神經(jīng)網(wǎng)絡(luò)來進行排水管網(wǎng)惡化狀況的預(yù)測。

2.2 人工智能(AI)模型

近20年以來，美國關(guān)于排水管網(wǎng)CCTV視頻自動缺陷識別的研究主要集中在對缺陷類型的分類上，即給定一個下水道管道的圖像，開發(fā)算法對圖像中可見的缺陷類型進行分類。這一任務(wù)通常是通過使用計算機視覺和圖像處理技術(shù)來完成的，如隨機森林算法、決策樹、二元圖像閾值和傅里葉變換(Moselhi和Shehab 2000)。然而最近幾年，隨著計算機深度學(xué)習(xí)(deep learning)的發(fā)展及深度神經(jīng)網(wǎng)絡(luò)上強大的泛化能力(即對未見數(shù)據(jù)的泛化能力)，美國學(xué)者研發(fā)出同時對缺陷進行分類和定位的缺陷檢測方法，即先用二元卷積神經(jīng)網(wǎng)絡(luò)CNN識別缺陷類型，篩選出缺陷管段，再利用對象檢測模型(YOLO、SSD、Faster R-CNN等)對缺陷進行定位。

2.2.1 基于深度學(xué)習(xí)的管道結(jié)構(gòu)缺陷自動檢測模型系統(tǒng)

該模型系統(tǒng)包括兩個步驟，首先將大量下水道圖像作為輸入，并使用二元卷積神經(jīng)網(wǎng)絡(luò)(CNNs)來識別根部入侵、沉積物或裂縫的等缺陷的存在，篩選出存在缺陷的管段數(shù)據(jù)和具體缺陷類型。第二步中，上一步中篩選出的問題圖像被對象檢測器(YOLO、SSD、Faster R-CNN等)處理分類為裂縫的缺陷，以定位缺陷，微調(diào)對象檢測器的參數(shù)，對不同類別的缺陷識別邊界框位置，同時給出缺陷類別概率。

為了對所提出的系統(tǒng)的分類性能(即速度和準(zhǔn)確度)進行基準(zhǔn)測試，兩個模型分別在CCTV圖像上進行了測試。第一個測試包括在大量真實圖像的數(shù)據(jù)集上對CNN分類器的分類精度和速度進行基準(zhǔn)測試。第二項測試包括測量對象檢測模型(YOLO、SSD、Faster R-CNN等)檢測裂縫的準(zhǔn)確性和速度。第二次測試中使用的圖像與第一次測試中使用的裂縫圖像相同，但帶有邊界框注解(提供位置信息)(圖2)。

圖2 基于深度學(xué)習(xí)的管道結(jié)構(gòu)缺陷自動檢測模型系統(tǒng)技術(shù)路線

應(yīng)用該模型系統(tǒng)對CCTV管網(wǎng)數(shù)據(jù)進行缺陷識別大大節(jié)省了由傳統(tǒng)人工識別缺陷的時間和人工成本，同時提升了識別的精準(zhǔn)性，研究表明，利用5層卷積神經(jīng)網(wǎng)絡(luò)(CNNS)+對象缺陷檢測模型(YOLO)，檢測缺陷的精準(zhǔn)性可達71%。

3 污水管網(wǎng)狀況預(yù)測的影響因素

在使用管網(wǎng)預(yù)測模型對城市排水管網(wǎng)惡化狀況進行預(yù)測時，需要事先對管網(wǎng)惡化的影響因素進行分析和篩選。影響因素過少會導(dǎo)致模型準(zhǔn)確度低，而過多又會導(dǎo)致增長計算時間、縮小適用范圍。確定影響污水管道惡化的因素非常重要，原因如下：第一，在狀態(tài)評估過程中，數(shù)據(jù)收集是一個非常昂貴的過程，收集所有的管道信息并不是一個經(jīng)濟有效的方法。確定重要因素減少了管道數(shù)據(jù)庫中所需要的數(shù)據(jù)數(shù)量，降低了數(shù)據(jù)收集成本。第二，當(dāng)模型中使用重要因素時，可以達到較高的預(yù)測精度。第三，一般來說，影響污水管道惡化的因素可分為物理因素、環(huán)境因素和操作因素。表2列出了以往研究中預(yù)測污水管道狀況最常用的因素或變量。

表2 影響污水管老化的因子

3.1 物理因素

3.1.1 管齡

管齡通常是指管道安裝年限與檢驗日期之差。管道的老化從污水管道安裝的那一刻就開始了，老化是管道老化最重要的因素之一(庫蘭迪維爾2004)。浴盆曲線是根據(jù)管道的年齡確定管道故障率的曲線圖(Singh和Adachi 2013)。浴盆曲線包括3個不同的階段，如圖3所示。

圖3 埋地管道的理論浴缸曲線(數(shù)據(jù)來自Singh和Adachi，2013)

在以往的研究中，大部分開發(fā)的狀態(tài)預(yù)測模型都表明，管齡與污水管道的劣化有顯著關(guān)系。Ariaratnam等指出，由于管道老化過程的后果，管齡會顯著影響污水管道的惡化。Jeong等和Ana等也有類似的研究結(jié)果，并指出管道使用初期的劣化率較低，后期較高。Khan等明確指出，污水管道的劣化并不是在安裝過程中就開始的，而是在一定時間后才會產(chǎn)生。Lubini和Fuamba證明，隨著污水管道的老化，根部侵入增加，管道粗糙度逐漸增大。由于管道粗糙度與摩擦系數(shù)有直接關(guān)系，因此管道的水力性能將下降，管道老化的可能性增大。在Salman和Salem、Kabir等和Laakso等開發(fā)的預(yù)測模型中發(fā)現(xiàn)管齡具有顯著性。

3.1.2 管材

不同材料建造的污水管道對土壤類型、地下水位等環(huán)境因素有不同的反應(yīng)(Salman 2010)。例如，混凝土管具有很強的耐磨性，粘土管對酸的作用非常好。塑料管，如聚氯乙烯(PVC)或高密度聚乙烯(HDPE)，可抵抗酸堿廢物；但在負荷下會發(fā)生過度變形(Singh和Adachi，2013)。在開發(fā)狀態(tài)預(yù)測模型的過程中，可以將管道材料作為一個獨立變量，模型的結(jié)果可以揭示這個變量是否顯著。

Davies等發(fā)現(xiàn)管道材料是一個顯著的變量，污水管道的劣化與管道材料有直接關(guān)系。Micevski等根據(jù)其馬爾科夫模型的結(jié)果指出，混凝土管比粘土管更堅固耐用。Ana等人指出，混凝土管在模型中表現(xiàn)出比磚管和粘土管更好的行為。管道老化行為差異的一個可能的原因是由于管道的生產(chǎn)程序?；炷凉艿劳ǔＪ窃诳煽氐沫h(huán)境下異地施工，因此質(zhì)量和完整性較高；但磚砌管道通常是在原地施工，環(huán)境條件不同，工藝不良會影響質(zhì)量。

在Lubini和Fuamba開發(fā)的模型中，管道材料也有顯著影響。他們發(fā)現(xiàn)，與其他管道相比，鋼筋混凝土管道的抗老化能力最強，因為鋼筋使導(dǎo)管的強度足以防止結(jié)構(gòu)老化。Bakry等在其模型中證明了陶土管比石棉水泥管和鋼筋混凝土管表現(xiàn)更好。在Laakso等人開發(fā)的預(yù)測模型中，混凝土和高密度聚乙烯管有顯著差異。在他們的研究中，對管道材料不同行為的一個可能解釋是，某些批次的高密度聚乙烯管道的質(zhì)量存在缺陷。

相反，Jeong等指出，管道材料在其研究中不是一個顯著的變量(指出這可能是由于他們使用較少的數(shù)據(jù)來開發(fā)預(yù)測模型)，等級不平衡也是如此。一般來說，如果針對不同的管道材料分別生成模型，可以預(yù)測出更好的管道行為。

3.1.3 管徑

眾多研究調(diào)查了下水道尺寸與管道惡化之間的關(guān)系，結(jié)果是矛盾的。一些狀況預(yù)測模型發(fā)現(xiàn)，下水道劣化率隨著管徑的增大而降低，而另一些研究發(fā)現(xiàn)，管徑越小的管道行為越好，故障越少。在一些預(yù)測模型中發(fā)現(xiàn)，管徑是影響污水管道劣化的重要因素。Ariaratnam等表示，在他們的模型中，當(dāng)直徑增大時，管道處于劣化狀態(tài)的可能性較大。Davies等發(fā)現(xiàn)，隨著直徑的增大，剛性污水管道處于不良狀態(tài)的風(fēng)險顯著降低，大的污水管道比小的污水管道風(fēng)險低；他們解釋說，原因可能是剛性污水管道的結(jié)構(gòu)設(shè)計受限于管道的橫截面和所經(jīng)歷的環(huán)向或擠壓應(yīng)力。

Micevski等發(fā)現(xiàn)，小管道的劣化程度比大管道大。一個可能的解釋是，管道設(shè)計者低估了小型管道所需的覆蓋深度和荷載流量。Tran等指出，較大的管道通常埋得較深，并且使用更合適的設(shè)計和施工人員來安裝，因此，根據(jù)所開發(fā)的預(yù)測模型的結(jié)果，較大直徑的管道更耐老化。

Lubini和Fuamba確定，在導(dǎo)管中出現(xiàn)障礙物的情況下，直徑較大的管段仍能輸送廢水，而直徑較小的管段則更容易因水力流量損失而惡化。Salman和Salem和Bakry等人也得到了同樣的結(jié)果，在他們的預(yù)測模型中，較大的管道比較小的管道表現(xiàn)更好，惡化率更低。

相反，Jeong等指出，較大的管道更容易惡化，因為它們有更多的表面積暴露在污水和周圍土壤區(qū)域。較大的管道更容易損壞，因為它們很笨重，而且很難準(zhǔn)確安裝。Laakso等確定，由于在設(shè)計和安裝階段進行了更仔細的監(jiān)督，直徑為30 cm和150 cm(12和60英寸)的管道狀況較好。

Tran等和Ana等發(fā)現(xiàn)，在他們的模型中，管道直徑不是一個顯著的變量；然而，他們證明了較大的管道通常埋得很深，具有較低的惡化率。

3.1.4 管長

實際上，在所有的污水管道清查中，管道的長度都是以多個管段的人孔到人孔長度的管段來記錄的。通常情況下，較長的人孔到人孔的污水管段具有較高的劣化率，因為較長的管道發(fā)生缺陷的概率較大。然而，在以往的研究中，發(fā)現(xiàn)管道長度對劣化率的影響存在雙重行為。

Davies等指出，當(dāng)單個管段較長[超過1.5 m(5英尺)]時，管道處于不良狀態(tài)的風(fēng)險下降。管道接頭是管道中滲透的主要來源，這是因為土壤移動到下水道中，缺乏支撐，導(dǎo)致結(jié)構(gòu)不穩(wěn)定。單個管段較長，意味著每條人孔到人孔長度的污水管道(管段)的接頭數(shù)量減少，從而也降低了滲透和接頭缺陷的風(fēng)險。Jeong等指出，較長的污水管道管段比較短的管段更不容易老化。他們使用了一個包括大尺寸管道的數(shù)據(jù)集，一個可能的解釋是，較大的管道不太可能發(fā)生堵塞，因此污水可以更容易地輸送。

Ana等解釋說，當(dāng)污水管道人孔到人孔段較長時，管道惡化的風(fēng)險會增加，這可能是因為較長的管道有更多的接頭，而接頭特別容易發(fā)生故障。接頭缺陷是下水道系統(tǒng)中常見的一種，它們會增加失效的概率。此外，較長的管道更容易發(fā)生堵塞和沉積物的沉積，這有利于污水管道的惡化。Khan等發(fā)現(xiàn)管道的狀況在管道長度變化方面存在雙重行為，即小于70 m(230英尺)的管段對污水管道的狀況沒有影響，而長于70 m(230英尺)的管段由于端部接頭的密度增加了惡化的速度，而端部接頭是斷裂、滲透和外滲的來源。

Salman和Salem認為，在污水管網(wǎng)中，較長的管道表現(xiàn)更好，因為隨著管道長度的增加，暴露于惡化因素的程度也會增加。

Laaksoetal發(fā)現(xiàn)，長于40 m(131英尺)的污水管道比管網(wǎng)中的其他管道惡化得更快，這可以解釋為長管道中潛在的缺陷和彎曲應(yīng)力更高。此外，側(cè)向連接也是潛在的原因。結(jié)構(gòu)破壞，較長的管道有更多的橫向連接。

3.1.5 管道埋深

必須考慮土壤類型、地下水位、管道材料、管徑和規(guī)定等幾個因素，確定污水管道的合適深度。在不同的預(yù)測模型中，研究深度對污水管道劣化影響的結(jié)果是相互矛盾的。Khan等指出，在其預(yù)測模型中，管道埋深是一個重要的變量，深度的增加對污水管道狀況水平有負向影響。這種行為的合理性原因可能是較深的管道上方有更大的負荷，遇到地下水位的概率更高。相反，在Davies等開發(fā)的預(yù)測模型中，管道深度不是一個顯著的變量。這并不是說單獨考慮下水道深度就不會影響管道的劣化，但在基于管道數(shù)據(jù)集特征的數(shù)據(jù)分析中，管道深度與下水道管道的狀況水平并不一定有直接關(guān)系。Tran等和Ana等也報告稱，管道深度在其預(yù)測模型中不是一個重要因素。一般來說，埋藏較淺的管道會因表面荷載、非法連接和樹根侵入而出現(xiàn)更多的缺陷和更高的劣化率。此外，管道上方更多的覆蓋深度會降低道路交通和道路維護/施工活動等地表因素的影響。

Salman和Salem也有同樣的發(fā)現(xiàn)。在他們的模型中使用的8個自變量中，管道深度是模型中唯一不顯著的變量。Laakso等在研究中證明，安裝深度在1.8～3 m(6到10英尺)之間與惡劣的狀況水平相關(guān)，由于冬季霜凍條件，他們建議最小深度為1.5 m(5英尺)。

3.1.6 管道坡度

污水管道的坡度較平，因此廢水在管道內(nèi)停留的時間較長。廢水在污水管道內(nèi)停留的時間越長，污水管道內(nèi)越容易產(chǎn)生硫化氫氣體。硫化氫可以轉(zhuǎn)化為硫酸，而硫酸會攻擊水泥基管道，如混凝土和砂漿，并增加污水管道內(nèi)部的腐蝕速度(Ana等人，2009；Ayoub等人，2004)。同樣，Baur和Herz指出，沉積物沉積和堵塞更多發(fā)生在坡度較平的管道中，這些管道惡化的風(fēng)險更高。

Jeong等指出，當(dāng)管道坡度較陡時，下水道段發(fā)生惡化的概率較高。根據(jù)本研究結(jié)果，較快的流速和較低的穩(wěn)定性是導(dǎo)致較高劣化率的可能原因。Tran等也有類似的研究結(jié)果，并提出坡度較陡的管道更容易因土壤中的空隙、土壤移動和管道接頭缺陷而產(chǎn)生缺陷。Salman和Salem開發(fā)的預(yù)測模型揭示了管道坡度的重要性，根據(jù)他們的結(jié)果，坡度較陡的管道更容易因穩(wěn)定性問題和高流速而惡化。Laakso等根據(jù)其預(yù)測模型的結(jié)果，確定負坡和極低坡是對污水管道危害最大的條件。負坡和極低的坡度會導(dǎo)致沖洗不充分，從而導(dǎo)致雜物堆積和堵塞。綜上所述，管道坡度是一個不顯著的變量。

3.1.7 管道類型

污水管道可分為獨立的衛(wèi)生管道、雨污水管道系統(tǒng)和合流制污水管道系統(tǒng)。在合流制下水道系統(tǒng)中，一根管道用于將生活、商業(yè)和工業(yè)廢水以及雨水輸送到選定的處理地點。分離式衛(wèi)生污水管和雨水污水管系統(tǒng)的概念是將雨水和衛(wèi)生污水分開管理。在這種方法中，使用兩個獨立的管道將生活、商業(yè)和工業(yè)廢水，以及雨水輸送到選定的處置地點。

O’Reilly等發(fā)現(xiàn)，合流制污水系統(tǒng)的惡化率高于衛(wèi)生污水系統(tǒng)。他們認為，一般情況下，合流制污水系統(tǒng)比獨立系統(tǒng)安裝較淺，合流制系統(tǒng)的流量波動較大。Davies等和Baur和Herz的研究表明，合流制下水道的惡化率較低，因為這些系統(tǒng)類型在建設(shè)過程中經(jīng)歷了更多的規(guī)劃和工程努力。Ariaratnam等表明，廢水類型是一個重要的變量，并且發(fā)現(xiàn)衛(wèi)生下水道對管道缺陷的影響最大，其次是暴雨，然后是合流制下水道系統(tǒng)。

Salman和Salem稱，衛(wèi)生級污水管道比合流制污水管道更耐老化。這一結(jié)果可以解釋為，由于降雨事件中的高流速，聯(lián)合下水道的土壤流失、滲透和外滲的可能性更高。

3.1.8 污水管上的負荷

很明顯，污水管道會受到來自地表的荷載影響。污水管道上方地表的土地使用和交通會影響到管道所承受的地表負荷的大小。測量或估計表面荷載的大小或頻率是非常困難的，因為它們隨時間而變化(Kley和Caradot 2013)。污水管道可以承受大的一次性荷載，如地表施工、地面公用設(shè)施建設(shè)、滑坡和地震，也可以承受小的周期性荷載，每小時、每天或季節(jié)性的頻率，如公交車站、交通和維護活動(Ashoori等，2017)。

需要提及的是，少數(shù)研究調(diào)查了道路類型對污水管道劣化的影響。Davies等確定位于農(nóng)村主干道和人行道下的下水道比位于城市主干道下的管道處于不良狀態(tài)的風(fēng)險要低得多。造成這種差異的主要原因可能是城市地區(qū)的管道受較重的交通負荷影響較大。根據(jù)Tran等生成的預(yù)測模型結(jié)果，也發(fā)現(xiàn)管道位置具有顯著性，他們的研究發(fā)現(xiàn)，管道的位置決定了覆土深度，當(dāng)覆土面積較大時，由于管道的荷載較小，結(jié)構(gòu)劣化程度可能較低。

Salman和Salem證明，與位于花園或任何類型的道路下的管段相比，當(dāng)?shù)亟值篮托∠锵碌墓芏螑夯目赡苄暂^小，可能的原因是安裝在道路下的管道采用了更好的設(shè)計和安裝方法。Bakry等指出，當(dāng)污水管道位于工業(yè)區(qū)下時，污水管道的劣化程度較大，而位于住宅區(qū)下時，劣化程度較低。很明顯，工業(yè)區(qū)內(nèi)的污水管道所承載的污水具有不同的特性，會導(dǎo)致更快的惡化。相反，Tran等人表示，管道位置在其預(yù)測模型中不是一個重要的變量。任何關(guān)鍵環(huán)境的影響，如海岸線和工業(yè)區(qū)，都不足以被視為影響變量。Ana等也取得了類似的結(jié)果，這意味著在他們的模型中，輕度交通和主干道下的下水道的惡化率沒有顯著差異。

3.2 環(huán)境因素

3.2.1 土壤類型

土壤類型是影響地面損失和污水管道穩(wěn)定性的重要因素。例如，當(dāng)土壤受到壓力時，由于不同的膨脹或收縮因素，它可能會有不同的表現(xiàn)(Davies等人，2001)。不同類型的土壤與管道材料、地下水和其他管道屬性或環(huán)境因素有不同的反應(yīng)(Kaushal和Guleria，2015)。Davies等對土壤的斷裂進行了研究，結(jié)果表明，埋設(shè)在具有極高斷裂潛力的土壤中的下水道，其抗劣化和失效能力顯著提高。通常情況下，在粘性土中，斷裂的可能性非常大。Wirahadikusumah等指出，周圍土壤是影響污水管道劣化的重要因素。根據(jù)該研究，下水道缺陷大小、水力條件和土壤性質(zhì)是影響地面損失率的主要因素。當(dāng)污水管道周圍的土壤支撐發(fā)生損失時，污水管道可以移動。地面或土壤支撐的損失會導(dǎo)致管道周圍形成空隙，因此，在這種情況下，污水管道更容易塌陷或變形。根據(jù)Micevski等的Markov模型結(jié)果，土壤類型也被發(fā)現(xiàn)是一個顯著的變量。該研究表明，沖積土中的管道比莢土中的管道惡化得更快。沖積土是從鹽堿環(huán)境中沉積下來的，具有更強的腐蝕性，而莢膜土是通過巖石風(fēng)化形成的。土壤類型的顯著性水平可能使這些土壤類型形成不同的結(jié)果。相反，在Laakso等開發(fā)的預(yù)測模型中，土壤類型并不顯著；在本研究中，他們的數(shù)據(jù)集中土壤數(shù)據(jù)的質(zhì)量不夠充分，需要更多的研究來評估土壤類型對于污水管道的惡化。

3.2.2 地下水位

地下水是指地表下的水。污水管道處或上方有地下水，可能會導(dǎo)致污水滲透到管道中，增加結(jié)構(gòu)缺陷，形成空隙，失去污水管道的支撐。在粘性土壤中，提高地下水位可能會導(dǎo)致土壤粘性強度降低，管道周圍的空隙會增加。因此，支撐土壤很容易被沖刷(流失)，管道在這種情況下更容易坍塌。通常情況下，位于地下水位較高地區(qū)的下水道比位于地下水位低于下水道水平的地區(qū)的下水道更容易發(fā)生故障。

Davies等指出，管道周圍有地下水會導(dǎo)致土壤失去支撐，出現(xiàn)滲透缺陷。此外，管道周圍形成空洞和缺乏適當(dāng)?shù)闹?，?dǎo)致下水道結(jié)構(gòu)問題。粘性土壤的周期性地下水位可能導(dǎo)致土壤強度降低，土壤有可能被沖入下水道。

Malek Mohammadi等根據(jù)為坦帕市開發(fā)的預(yù)測模型發(fā)現(xiàn)，地下水位是一個重要的變量。研究顯示，地下水增加了管道的負荷量和土壤移動和滲透的風(fēng)險。通常情況下，地下水位在管道清單中是無法獲得的，它在很少的預(yù)測模型中被用作決定性變量。需要更多的研究來評估地下水位對衛(wèi)生污水管道狀況的影響。

3.3 操作因素

通常情況下，機構(gòu)和市政當(dāng)局有足夠的物理數(shù)據(jù)，部分環(huán)境因素也能通過專業(yè)的研究探測手段獲得數(shù)據(jù)，但操作因素的實時數(shù)據(jù)往往無法獲得。

4 污水管網(wǎng)狀況預(yù)測的研究步驟

4.1 區(qū)域規(guī)模的選擇

條件預(yù)測模型的有效性取決于收集數(shù)據(jù)的質(zhì)量的選擇。通常，研究的區(qū)域規(guī)模會選在某個城市或者相鄰的幾個城市。一方面，研究所需的數(shù)據(jù)往往來自水務(wù)管理和統(tǒng)計部門，而這些部門通常以城市為單位進行統(tǒng)計；另一方面，不同地區(qū)的排水管道運行狀況存在較大差異，這導(dǎo)致跨區(qū)域的預(yù)測十分困難。當(dāng)研究區(qū)域規(guī)模進一步擴大到區(qū)省、國家時，研究者們同樣可以方便地從有關(guān)部門獲取統(tǒng)計數(shù)據(jù)，但此時由于區(qū)域差異性，模型的準(zhǔn)確度通常會降低。

4.2 輸入變量的選擇

無論是統(tǒng)計模型和人工智能模型，對于輸入變量的篩選，除了分析輸入變量的類型和數(shù)量外，還研究了各變量的顯著性水平。大部分的狀況預(yù)測研究都計算了變量的顯著性水平。統(tǒng)計學(xué)上的顯著性說明了一個變量影響污水管道狀況的可能性或不可能性。根據(jù)管道的地理環(huán)境特征，剔除顯著性水平較低的變量。除此之外，需計算任意兩個變量之間的相關(guān)性系數(shù)，剔除其中與垃圾產(chǎn)生相關(guān)性較小或者與其他變量相關(guān)性過大的變量。圖4中“重要”的變量用黑圈表示，“不重要”的變量用白圈表示，那些缺乏任何顯著性水平信息的變量用三角表示為“未指定”。

圖4 下水道狀況預(yù)測模型中包含的變量(●：重要，○ ：不重要，▲：不確定)

4.3 狀態(tài)評級方法的選擇

污水管道的狀況一般是通過狀況評估形成的過程來規(guī)定的。結(jié)構(gòu)狀況和運行狀況是兩種常見的管道狀況類別(Chughtai和Zayed，2008)。結(jié)構(gòu)狀況評估管道缺陷、管道的物理強度以及管道抵抗外部載荷的能力。運行狀況表示管道滿足其服務(wù)要求的能力。結(jié)構(gòu)狀況的結(jié)果可用于確定管道修復(fù)或更換的必要性，而管道的運行狀況則表明需要進行清潔和維護(Opila，2011年)。不同國家已經(jīng)開發(fā)了許多方法來對埋地污水管道的狀況進行評分，如英國的WRc、美國的Pipeline Assessment Certification Program(PACP)，以及加拿大國家研究委員會(NRC)和澳大利亞水務(wù)協(xié)會(WSAA)的方法(Moteleb 2010)，這幾類污水管道狀況分類系統(tǒng)被全世界的下水道修復(fù)行業(yè)所接納，并且各分類系統(tǒng)之間可以實現(xiàn)相互轉(zhuǎn)換。

5 結(jié)論與展望

本文將排水管道狀況預(yù)測模型按方法分為統(tǒng)計模型和人工智能模型兩類，傳統(tǒng)統(tǒng)計模型的準(zhǔn)確度很大程度上取決于影響因素的選擇，理想的影響因素應(yīng)當(dāng)包含所有與排水網(wǎng)管狀況惡化相關(guān)的獨立變量。然而在實際研究中，往往只是人為選擇了少量較為重要的影響因素，而人工智能模型在變量選擇上依賴機器自主學(xué)習(xí)，相較傳統(tǒng)統(tǒng)計模型更能精準(zhǔn)全面地提升模型預(yù)測效果?？傮w而言，隨著研究的不斷深入，模型預(yù)測的準(zhǔn)確度和適用范圍在不斷提高，但仍存在以下問題需要解決。

(1)傳統(tǒng)市政或者公用事業(yè)公司常規(guī)收集的數(shù)據(jù)研究許多變量對污水管道狀況的影響是非常困難的。基于此，如何采用更多智能數(shù)據(jù)采集系統(tǒng)來編制相應(yīng)的污水管道數(shù)據(jù)庫，并實現(xiàn)云平臺共享數(shù)據(jù)。

(2)如何有效地將回填類型、地面運動、土壤斷裂潛力等環(huán)境因素和水利條件、沉積物水平、下水道類型等操作因素的影響進行量化分析。

(3)基于機器學(xué)習(xí)和深度學(xué)習(xí)算法性能的快速更新，如何實時進一步調(diào)查評估新算法，并應(yīng)用于條件預(yù)測模型的發(fā)展。