该研究论文介绍了一种利用物理知识驱动的机器学习算法，通过分析压力数据来估计未知的水需求，最终利用伯努利方程并线性化泄漏检测问题。该算法在 L-Town 基准网络的数据上进行了测试，结果显示其在估计大多数不规则需求方面具有较好的能力，R2 大于 0.8；与不考虑不规则需求的结果相比，对于突发泄漏和潜在泄漏情况下的泄漏识别结果分别提高了 5.3 倍和 3.0 倍。

Sep, 2023

提出一种基于物理学知识的深度学习机器学习模型，应用于水力状态估计，通过少量图卷积神经网络层和基于消息传递的创新算法，模拟流行的水力模拟器 EPANET，具有较快的运行速度和高准确性。

Mar, 2024

面对气候变化，饮用水的已经有限的可用性将来会减少，从而使得饮用水资源日益稀缺。大量的饮用水通过水运输和分配网络的泄漏而丢失。泄漏检测和定位是一项具有挑战性的问题，由于水配送网络中复杂的相互作用和需求的变化。尤其是小泄漏很难确定，但是它们的定位对于避免长时间的水损失至关重要。本文采用压力测量值对泄漏进行定位，通过贝叶斯网络对水配送网络中的泄漏进行建模，并分析系统动力学。我们还展示了如何通过概念漂移的视角来考虑和解决这个问题，特别强调基于模型的概念漂移解释在有限的网络信息情况下定位泄漏的可行性。该方法在实际的基准场景下进行了实验评估。

Oct, 2023

基于无味卡尔曼滤波器的节点水力头估计方法在水配网中应用于泄漏定位，通过考虑预测模型、可用压力和需求测量，优化初始水力状态的估计，并通过动态更新预测函数权重矩阵提高方法的性能测试结果显示该方法在增强状态估计与数据驱动泄漏定位方面的有效性。

Nov, 2023

本文为针对水系统中泄漏监测装置的机器学习方法的对抗攻击提出分类方法，进一步关注敏感点问题并使用三种不同的算法解决，结果在两个基准水分布网络上得到评估。

May, 2023

本研究通过使用物理模拟数据（如 EPANET 软件）的方法，提出了一种在复杂供水网格中进行泄漏定位的方法。该方法通过对网络模拟数据和泄漏所影响的实际网络数据的压力差异的敏感性矩阵进行分析，利用少量压力传感器和可移动传感器定位的迭代方案，实现了在少量传感器情况下对泄漏位置的准确估计。实验结果表明，该系统可以通过对传感器位置的调整来实现少量传感器的有效利用，并在模拟和真实情况下都能够很好地定位泄漏位置。

Jun, 2024

水分配网络中的泄漏是一项重大风险，会导致水损失和增加污染风险。本文探讨了基于模型损失和基于分布的漂移检测方法在泄漏检测中的潜力，还讨论了数据中的时间依赖问题并提出了解决办法。我们对不同大小和检测时间的泄漏进行了系统评估，此外，我们提出了一种基于漂移检测的泄漏定位技术。

Jan, 2024

该研究提出了一种利用非局部 LWR 模型在物理有信息的深度学习框架中改进交通状态估计方法的方法，通过考虑速度为下游交通密度的加权均值，解决了传统 LWR 模型在准确表示真实交通流方面的不足，实验结果表明该方法能够提高交通状态估计的准确性和可靠性，从而实现更有效的交通管理策略。

Aug, 2023

神经网络在河流水力学中的应用尚不成熟，尽管该领域存在数据稀缺等机器学习技术挑战。因此，本研究旨在通过在训练阶段引入物理信息来缓解这一问题，并展示了这种方法可以提高预测能力。

Mar, 2024

将基于物理的建模和图神经网络（GNN）进行结合，提出一种新的数据生成方法和训练策略，以解决压力估计问题，并在荷兰的大规模供水管网中获得显著的性能提升。

Nov, 2023