劉家慧

(水利部水利水電規(guī)劃設(shè)計(jì)總院,北京 100120)

水利作為支持國計(jì)民生的重要產(chǎn)業(yè)，充分利用先進(jìn)信息技術(shù)以提升行業(yè)效率，是其主要發(fā)展方向。人工智能技術(shù)被視為第五次工業(yè)革命的主要驅(qū)動(dòng)力，在本世紀(jì)第二個(gè)十年得到迅速發(fā)展，并被成功應(yīng)用在自然語言處理和計(jì)算機(jī)視覺等場景。因此以包括深度學(xué)習(xí)在內(nèi)的人工智能技術(shù)賦能，將是今后水利信息化和智慧水利建設(shè)的工作重點(diǎn)。

1 研究背景

水是生命之源，生產(chǎn)之要，生態(tài)之基，可是在中國當(dāng)前經(jīng)濟(jì)發(fā)展面臨的眾多挑戰(zhàn)中，水資源緊缺是最令人擔(dān)憂的挑戰(zhàn)之一。黨的十九屆四中全會提出要“推進(jìn)國家治理體系和治理能力現(xiàn)代化”，而現(xiàn)代化離不開科技的賦能，以科技治水，以科技管水將會是今后水利管理和建設(shè)智慧水利工作中的主要方向。

近十年來，大數(shù)據(jù)和人工智能(AI)技術(shù)帶來的變革在所有社會部門都已出現(xiàn)，對于這些基于數(shù)據(jù)的科技手段是否具有能夠顛覆傳統(tǒng)水利管理行業(yè)的潛力尚存在不同的看法，但毫無疑問，人工智能將逐漸且不可避免地改變我們思考和提供基礎(chǔ)設(shè)施服務(wù)的方式。據(jù)估計(jì)到2025年，發(fā)達(dá)國家和發(fā)展中國家分別有80%和50%的公共事業(yè)部門和公司將在一定程度上經(jīng)歷由人工智能技術(shù)帶來的數(shù)字化轉(zhuǎn)型。

成本低廉的傳感器、高分辨率遙感、通信技術(shù)和社交媒體的快速發(fā)展正在推動(dòng)水利管理部門可獲取數(shù)據(jù)量的激增，并正在改變傳統(tǒng)的決策方式。大數(shù)據(jù)分析與人工智能(及其相關(guān)的機(jī)器學(xué)習(xí)方法)一起，將為水利行業(yè)帶來新的機(jī)遇和挑戰(zhàn)。曾經(jīng)基于經(jīng)驗(yàn)和直覺的決策方式可能很快就會被人工智能與大數(shù)據(jù)科學(xué)，以及其他從大量不同類型的信息中分析、組織和提取信息的數(shù)據(jù)驅(qū)動(dòng)方法所取代。這一過程需要多久尚不清楚，但是開展人工智能等技術(shù)在水利行業(yè)中的應(yīng)用探索是十分必要的。

2 人工智能技術(shù)

人工智能是一個(gè)用來描述計(jì)算機(jī)系統(tǒng)的理論和發(fā)展的術(shù)語，這些計(jì)算機(jī)系統(tǒng)能夠執(zhí)行通常需要人類智慧的任務(wù)。以人工智能賦能的實(shí)用系統(tǒng)有很多，包括各種專家系統(tǒng)、語音識別和用于金融交易的系統(tǒng)等。在人工智能的領(lǐng)域中經(jīng)常提到的重要概念包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和計(jì)算機(jī)視覺等。

嚴(yán)格來說，人工智能實(shí)際上是機(jī)器學(xué)習(xí)的延伸，機(jī)器學(xué)習(xí)通常涉及根據(jù)數(shù)據(jù)建立計(jì)算機(jī)模型，模型能夠在以后對數(shù)據(jù)進(jìn)行預(yù)測，而不需要額外的軟件編程。最著名的機(jī)器學(xué)習(xí)方法之一是人工神經(jīng)網(wǎng)絡(luò)(ANN)，它通過模仿存在于人腦中的生物神經(jīng)網(wǎng)絡(luò)來工作，如圖1所示最簡單類型的多層神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)從提供給它們的訓(xùn)練數(shù)據(jù)中學(xué)習(xí)，以便捕捉數(shù)據(jù)之間的映射關(guān)系，而這種潛在映射關(guān)系通常是未知的或是物理意義難以人為解釋。這使得ANN能夠發(fā)現(xiàn)數(shù)據(jù)中隱含的模式，而其中的模式即使是該領(lǐng)域最好的專家也無法完全清楚。人工神經(jīng)網(wǎng)絡(luò)被應(yīng)用與許多研究方向，如計(jì)算機(jī)視覺領(lǐng)域采用人工神經(jīng)網(wǎng)絡(luò)來訓(xùn)練計(jì)算機(jī)從數(shù)字圖像獲取潛在特征間關(guān)系以解決特定問題，取代了過去采用復(fù)雜數(shù)學(xué)模型來分析圖像的方法，成功的應(yīng)用例子包括面部識別、醫(yī)療診斷和智能安防。

圖1 多層神經(jīng)網(wǎng)絡(luò)示意圖

隨著能夠獲取的數(shù)據(jù)量增大和硬件處理能力增強(qiáng)，尤其在使用GPU的并行計(jì)算能力來訓(xùn)練模型之后，人工神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度可以變得很高，也就是網(wǎng)絡(luò)的層數(shù)變得很多(既模型深度變深)。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，機(jī)器學(xué)習(xí)本質(zhì)上是一個(gè)具有3層或更多層的神經(jīng)網(wǎng)絡(luò)。這些神經(jīng)網(wǎng)絡(luò)試圖模擬人腦的行為，并從大量數(shù)據(jù)中“學(xué)習(xí)”。

深度學(xué)習(xí)推動(dòng)了許多人工智能應(yīng)用和服務(wù)，這些應(yīng)用和服務(wù)提高了自動(dòng)化，即在沒有人工干預(yù)的情況下執(zhí)行分析和提供服務(wù)。深度學(xué)習(xí)技術(shù)目前存在于許多日常產(chǎn)品和服務(wù)中，如數(shù)字音頻助理、語音電視遙控器和信用卡欺詐檢測以及自動(dòng)駕駛汽車。

深度神經(jīng)網(wǎng)絡(luò)由多層相互連接的節(jié)點(diǎn)組成，每一層都建立在前一層的基礎(chǔ)上，以改進(jìn)和優(yōu)化預(yù)測或分類。這種通過網(wǎng)絡(luò)進(jìn)行的計(jì)算過程稱為前向傳播(Forward Propagation)。深度神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層稱為可見層，網(wǎng)絡(luò)中間層被稱為隱藏層。輸入層是深度學(xué)習(xí)模型接收數(shù)據(jù)進(jìn)行處理的地方，輸出層是做出最終預(yù)測或分類的地方。

另一個(gè)稱為反向傳播(Back Propagation)的過程使用梯度下降等算法來計(jì)算預(yù)測中的誤差，然后通過向后遍歷各層來調(diào)整函數(shù)的權(quán)重和偏差，以此來訓(xùn)練模型。前向傳播和反向傳播共同作用下可使神經(jīng)網(wǎng)絡(luò)做出預(yù)測并相應(yīng)地糾正誤差。隨著時(shí)間的推移，算法逐漸變得越來越準(zhǔn)確。

深度學(xué)習(xí)算法復(fù)雜，針對特定問題或數(shù)據(jù)集需使用不同類型的神經(jīng)網(wǎng)絡(luò)。例如，卷積神經(jīng)網(wǎng)絡(luò)(CNN)主要用于計(jì)算機(jī)視覺應(yīng)用，可以檢測圖像中的特征和模式，從而實(shí)現(xiàn)目標(biāo)檢測或識別等任務(wù)。遞歸神經(jīng)網(wǎng)絡(luò)(RNN)通常用于自然語言和語音識別應(yīng)用，因?yàn)樗庙樞蚧驎r(shí)間序列數(shù)據(jù)。

深度學(xué)習(xí)模型通過組合非線性模塊獲得，每個(gè)模塊將輸入數(shù)據(jù)轉(zhuǎn)換為更高、更抽象的表示，而通過組合足夠多的此類非線性變換，可以學(xué)習(xí)非常復(fù)雜的映射關(guān)系。例如，在圖像分類問題中，圖像以像素值數(shù)組的形式出現(xiàn)，在神經(jīng)網(wǎng)絡(luò)第一層學(xué)習(xí)的特征通常表示圖像中特定方向和位置的邊緣是否存在，如圖2所示。第二層通常通過發(fā)現(xiàn)邊緣的特定排列來檢測圖案，而不管邊緣位置的微小變化，如圖3所示。第三層可以將特征組合成更大的部分，隨后的層會將對象檢測為這些部分的組合，如圖4所示。深度學(xué)習(xí)的關(guān)鍵方面是這些特征層不是由人類工程師設(shè)計(jì)的，它們是使用通用學(xué)習(xí)過程從數(shù)據(jù)中獲得的。

圖2 第一層檢測對象

圖3 第二層檢測對象

圖4 第三層檢測對象

3 人工智能在水利管理中的應(yīng)用

從無人駕駛汽車到虛擬醫(yī)生，人工智能技術(shù)(AI)正在改變我們在21世紀(jì)的生活、工作和旅行的方式。在水利管理領(lǐng)域，學(xué)界和工業(yè)界同樣也已做出許多探索，并取得了引人注目的進(jìn)展，本章介紹其中較為成功的應(yīng)用案例。

3.1 給水管網(wǎng)滲漏的實(shí)時(shí)檢測

對于世界上任何一個(gè)國家來說，滲漏都是其供水系統(tǒng)的一個(gè)主要問題。本節(jié)介紹一種基于人工智能的滲漏檢測系統(tǒng)，該系統(tǒng)不僅可以檢測管道的爆裂和泄漏，還可以檢測出這些供水系統(tǒng)中的設(shè)備故障。該檢測系統(tǒng)的工作原理是自動(dòng)處理實(shí)時(shí)壓力和流量傳感器信號，然后利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測近期的信號值，最后將這些數(shù)值與傳入的監(jiān)測結(jié)果相比較，作為是否發(fā)生故障的證據(jù)。以這種方式收集的證據(jù)使用貝葉斯網(wǎng)絡(luò)進(jìn)行處理，估計(jì)事件發(fā)生的可能性并發(fā)出相應(yīng)警報(bào)。該系統(tǒng)可有效地從歷史突發(fā)事件和其他事件中學(xué)習(xí)，預(yù)測未來的突發(fā)事件。該檢測系統(tǒng)最初是作為一個(gè)研究項(xiàng)目的組成部分開發(fā)的，后來被整合到一款商用的異常事件檢測系統(tǒng)(EDS)中。

自2015年以來，EDS一直被英國一家大型水利管理公司使用。它每15分鐘處理來自七千多個(gè)壓力和流量傳感器的數(shù)據(jù)，這使EDS能夠及時(shí)、可靠地檢測管道爆裂和相關(guān)泄漏，并且具有高準(zhǔn)確率和低虛警率。此外，EDS還可以通過檢測通常發(fā)生在突發(fā)事件之前的設(shè)備故障(例如，減壓閥故障)來主動(dòng)預(yù)防突發(fā)事件。EDS不使用水力或所分析配水管網(wǎng)的其他模擬模型，即它僅通過從偏離正常壓力和流量信號的傳感器信號中提取有用信息來工作，這使得EDS具有較高的魯棒性和可擴(kuò)展性。到目前為止，EDS讓應(yīng)用單位節(jié)省了大量的運(yùn)營成本，顯著減少了泄漏，降低客戶損失，改善了使用公司對數(shù)百萬客戶的服務(wù)。

3.2 基于人工智能和計(jì)算機(jī)視覺的管道自動(dòng)檢查

對城市排水系統(tǒng)管道的定期檢查非常重要，因?yàn)槲窗l(fā)現(xiàn)的結(jié)構(gòu)故障和其他故障(如接縫移位、裂縫等)可能會導(dǎo)致嚴(yán)重污染或洪災(zāi)事件。這種檢查通常是通過錄制監(jiān)控視頻，然后靠人工分析來完成的。這一過程十分耗時(shí)費(fèi)力，而且通常依據(jù)工作人員的主觀判斷，結(jié)論并不可靠。本節(jié)介紹一種基于人工智能的城市排水系統(tǒng)管道檢查解決方案，該方案可通過使用計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)方法，以自動(dòng)化方式分析監(jiān)控視頻和檢測管道故障。該解決方案首先通過圖像處理，將監(jiān)控視頻中的圖像進(jìn)行處理并轉(zhuǎn)換為合適的數(shù)據(jù)。然后，依靠隨機(jī)森林方法使用該數(shù)據(jù)來檢測故障。在應(yīng)用前，該解決方案所用的模型需使用一些預(yù)先標(biāo)記的監(jiān)控視頻畫面來訓(xùn)練完善。自動(dòng)檢測的工作原理類似于人臉識別系統(tǒng)，盡管故障檢測的任務(wù)更復(fù)雜，因?yàn)榇嬖谔嗖煌愋偷墓收?，這些故障可能在監(jiān)控視頻圖像中以非常不同的方式表現(xiàn)出來。上述解決方案在英國、芬蘭和澳大利亞的幾家水利管理公司的真實(shí)監(jiān)控視頻數(shù)據(jù)上成功地進(jìn)行了測試和驗(yàn)證。該方法具有較高的真實(shí)檢測率和較低的虛警率。

3.3 污水處理廠預(yù)測控制

2019年3月，一款污水處理廠預(yù)測控制軟件被部署在新加坡一處再生水處理廠。它的部署是為了在提高工廠績效的同時(shí)為操作員和管理人員提供預(yù)測性分析。該軟件收集工廠測量的實(shí)時(shí)數(shù)據(jù)，包括氨、硝酸鹽、氧氣、磷酸鹽等物質(zhì)，并建立歷史數(shù)據(jù)庫。然后，該軟件利用先進(jìn)的數(shù)據(jù)分析和機(jī)器學(xué)習(xí)算法來預(yù)測工廠的廢水流量、氧氣需求、化學(xué)劑量需求和其他需求。該系統(tǒng)控制關(guān)鍵的處理過程，根據(jù)其預(yù)測和工廠的歷史表現(xiàn)實(shí)時(shí)自動(dòng)優(yōu)化它們。它通過基于多次測量的分位數(shù)回歸技術(shù)進(jìn)一步檢測工廠過程中的異常。隨著軟件的自學(xué)習(xí)，預(yù)測精度會隨著時(shí)間的推移而提高，僅一個(gè)月就達(dá)到了88%的預(yù)測準(zhǔn)確率。

該軟件連接到工廠的監(jiān)督控制和數(shù)據(jù)采集系統(tǒng)以收集數(shù)據(jù)并控制關(guān)鍵流程，并將數(shù)據(jù)發(fā)送到軟件云平臺進(jìn)行處理。依靠云平臺近乎實(shí)時(shí)地收集數(shù)據(jù)的能力，該軟件能夠通過數(shù)字孿生跟蹤內(nèi)部部署解決方案的實(shí)際性能。機(jī)器學(xué)習(xí)技術(shù)被用來理解每個(gè)過程的運(yùn)行效率，然后利用學(xué)習(xí)到的關(guān)系和進(jìn)水負(fù)荷的預(yù)測來確定最優(yōu)的有效處理設(shè)定值。結(jié)果表明，該軟件可以提前幾天預(yù)測將要采取的操作，并能夠?qū)崿F(xiàn)無人值守。

3.4 污水網(wǎng)絡(luò)的智能報(bào)警工具

本節(jié)介紹一款基于人工智能的污水網(wǎng)絡(luò)預(yù)測分析工具，該工具可以預(yù)測和預(yù)警下水道的水位過高和潛在的污染事件，以及檢測可能表征污水網(wǎng)絡(luò)堵塞的異常水位。

由于下水道洪水、管道容量限制和異物，供水設(shè)施在降雨期間堵塞的風(fēng)險(xiǎn)最大。該工具使用人工智能技術(shù)來檢測下水道中的高水位流量何時(shí)超過臨界水位或與預(yù)期流量不一致。該系統(tǒng)通過可定制的智能警報(bào)通知系統(tǒng)將這些征兆識別為異常。使用人工智能技術(shù)可較大地減少錯(cuò)誤警報(bào)，并通過早期檢測和實(shí)時(shí)響應(yīng)準(zhǔn)確有效地管理阻塞，防止問題惡化。

由監(jiān)測設(shè)備收集的流量和水位數(shù)據(jù)被傳輸?shù)桨踩?、可靠的云平臺，該平臺以易于使用的儀表板和報(bào)告形式顯示信息，供用戶分析。使用智能算法、實(shí)時(shí)數(shù)據(jù)、歷史數(shù)據(jù)集和來自其他來源(如降雨量)的信息，數(shù)據(jù)被轉(zhuǎn)化為操作員可操作的形式。

該工具的人工智能模型建立在兩個(gè)多層感知器神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，其中回歸神經(jīng)網(wǎng)絡(luò)預(yù)測未來48小時(shí)的流量水平，啟發(fā)式神經(jīng)網(wǎng)絡(luò)識別堵塞等事件異常。集成機(jī)器學(xué)習(xí)技術(shù)可以使異常檢測能力隨著時(shí)間的推移而不斷優(yōu)化。數(shù)據(jù)分析人員可與預(yù)測分析軟件一起審查數(shù)據(jù)，以驗(yàn)證警報(bào)。對高下水道水位的預(yù)測使自來水公司能夠主動(dòng)通知客戶潛在的下水道泛濫，并在關(guān)鍵環(huán)境地區(qū)積極防止泄漏。異常檢測使用戶能夠在堵塞導(dǎo)致下水道溢出之前發(fā)現(xiàn)并清除堵塞。

3.5 海流的實(shí)時(shí)預(yù)報(bào)

本節(jié)介紹一款可對海洋表面流進(jìn)行準(zhǔn)確預(yù)報(bào)的系統(tǒng)，該系統(tǒng)主要使用遞歸人工神經(jīng)網(wǎng)絡(luò)。該系統(tǒng)是為了支持建設(shè)連接丹麥?zhǔn)锥几绫竟腿鸬漶R爾莫市的伊爾雷索德連接線而開發(fā)。這條連接線首先由公路和鐵路線橋梁結(jié)合在一起，全長近8km，然后在最后3.5km處轉(zhuǎn)變?yōu)樗滤淼?。由于海底的地質(zhì)條件，在海床中挖掘隧道是不可能的。因此，工程師們選擇下沉并連接20個(gè)預(yù)制鋼筋混凝土節(jié)段，每節(jié)重達(dá)5.5萬t，然后在海床上挖掘的溝渠中相互連接。這些部件是在哥本哈根北部的一個(gè)特殊用途的建筑設(shè)施中預(yù)制的，并使用一艘專門設(shè)計(jì)的駁船和7艘拖船，以2.5cm的對準(zhǔn)精度降到適當(dāng)?shù)奈恢?。每個(gè)部件的拖曳作業(yè)可以在36h的時(shí)間窗口內(nèi)進(jìn)行。在此期間，必須保證海面洋流小于0.75m/s。在1997年8月11日至1999年1月6日期間，所有20個(gè)部件都成功地放置在各自的位置上?；谌斯ど窠?jīng)網(wǎng)絡(luò)的密封表面電流的準(zhǔn)確預(yù)測是取得這一成就的關(guān)鍵因素之一。

3.6 用于主動(dòng)式資產(chǎn)管理的貝葉斯網(wǎng)絡(luò)

近年來，與現(xiàn)代供水系統(tǒng)管道爆裂和泄漏有關(guān)的經(jīng)濟(jì)和社會成本不斷上升。決策者面臨的挑戰(zhàn)是在規(guī)劃范圍內(nèi)確定要修復(fù)管網(wǎng)中的哪些管道、采用哪種修復(fù)方法以及何時(shí)修復(fù)。本節(jié)介紹一個(gè)使用了先進(jìn)的人工智能、機(jī)器學(xué)習(xí)和統(tǒng)計(jì)方法的管理工具，該工具可及時(shí)發(fā)現(xiàn)管道破裂的風(fēng)險(xiǎn)。此管理工具基于貝葉斯網(wǎng)絡(luò)機(jī)器學(xué)習(xí)模型，被用于預(yù)測哪些管道最容易發(fā)生故障。訓(xùn)練模型時(shí)使用已發(fā)生突發(fā)事件的數(shù)據(jù)庫，主要采用作為爆裂管道的相關(guān)特征(其使用時(shí)長、直徑、建造它的材料等)、鋪設(shè)管道的土壤類型、和氣候因素(諸如溫度)等特征。貝葉斯網(wǎng)絡(luò)是一種概率圖形模型，它使用貝葉斯推理進(jìn)行概率計(jì)算。該方法模擬了條件依賴，也就是因果關(guān)系。通過這些關(guān)系，可以有效地依據(jù)管道特征對故障做出判斷。使用該方法的項(xiàng)目已在斯德哥爾摩、新加坡、英國和丹麥等國家進(jìn)行了試驗(yàn)。

3.7 計(jì)算機(jī)視覺在隨機(jī)降雨監(jiān)測中的應(yīng)用

降水?dāng)?shù)據(jù)的數(shù)量和質(zhì)量在氣象和水資源管理應(yīng)用中至關(guān)重要。過去測量降雨量主要依靠雨量計(jì)。然而，隨著我們進(jìn)入物聯(lián)網(wǎng)時(shí)代，任何東西都可能成為數(shù)據(jù)，所以現(xiàn)在可以使用人工智能技術(shù)，主要是圖像處理和計(jì)算機(jī)視覺技術(shù)，根據(jù)智能手機(jī)或監(jiān)控?cái)z像頭獲取的視頻數(shù)據(jù)來估計(jì)定量和分析降雨強(qiáng)度和識別雨帶。

4 結(jié)語

雖然人工智能技術(shù)在計(jì)算機(jī)視覺和自然語言處理等方向有顯著的成果，但是在水利管理中尚未得到廣泛的使用，其應(yīng)用方式還處于探索之中。要使用人工智能技術(shù)為水利管理賦能，提高效率并降低成本還需要克服許多困難，比如，如何將不同項(xiàng)目中的數(shù)據(jù)整合起來訓(xùn)練模型，打破各個(gè)項(xiàng)目的數(shù)據(jù)孤島，但人工智能技術(shù)在水利管理中的應(yīng)用仍將會有廣闊的前景。