張劍惠,車 通,朱 杰,朱鴻彬,楊鑫科,鄧幫武,韋 偉,*

(1.杭州余杭水務(wù)控股集團(tuán)有限公司,浙江杭州 311100;2.安徽舜禹水務(wù)股份有限公司,安徽合肥 231100;3.安徽建筑大學(xué)環(huán)境與能源工程學(xué)院,安徽合肥 230601)

水是世界上最寶貴的資源,由于人口增長、工業(yè)發(fā)展和社會狀況的改革,對于水資源的需求量不斷增大,但可供利用的水源數(shù)量與容量卻在不斷減少[1]?；诮?jīng)濟(jì)發(fā)展情況與技術(shù)水平,管網(wǎng)漏損問題集中發(fā)生在欠發(fā)達(dá)國家,而發(fā)達(dá)國家城市供水管網(wǎng)較新,漏損率相對較低,從加爾各答(印度)的60%到日本的3%不等[2]。在我國,由于城市化建設(shè)的加快,供水網(wǎng)絡(luò)漏損的問題越來越嚴(yán)重[3]。據(jù)統(tǒng)計,我國每年漏損量約為80億t,2018年—2020年漏損率分別為14.62%[4]、14.12%[5]、13.39%[6],雖然呈逐年下降趨勢,但仍距“水十條”及“到2025年,全國城市公共供水管網(wǎng)漏損率力爭控制在9%以內(nèi)”的近景目標(biāo)相距甚遠(yuǎn)。此外,漏水可能是公共衛(wèi)生安全問題的根源,供水管網(wǎng)的破裂易導(dǎo)致污染物進(jìn)入。因此,對于水量漏損的控制愈發(fā)重要,城市供水行業(yè)需要漏損控制措施,以減少漏損帶來的損失并產(chǎn)生良好的經(jīng)濟(jì)效應(yīng)[7]。

管道漏損的快速檢測與精確定位是實(shí)施漏損控制措施的前提。早期漏損檢測技術(shù)是基于各類傳感器的人工聽漏或簡易數(shù)據(jù)分析檢漏,漏損問題往往在事件發(fā)生相當(dāng)長的時間后才被發(fā)現(xiàn),即便采用聽漏儀、紅外熱成像儀、各類機(jī)器人等被動檢測技術(shù)開展檢漏工作也很難挽回已造成的大量經(jīng)濟(jì)損失。得益于各類傳感、通信、水力模型、機(jī)器學(xué)習(xí)等技術(shù)的進(jìn)步,高效的數(shù)據(jù)采集、通信和處理使得漏損檢測技術(shù)趨往精確性、時效性和系統(tǒng)性發(fā)展特點(diǎn)。文章根據(jù)漏損檢測方式和時效性的不同,將供水管網(wǎng)漏損檢測技術(shù)分為被動漏損檢測技術(shù)與主動漏損檢測技術(shù)。前者通常實(shí)施在漏損發(fā)生之后,時效性較差;后者是基于數(shù)據(jù)采集、模型算法的精確計算判斷,漏損排查難度降低。兩者在智慧水務(wù)系統(tǒng)中的有機(jī)結(jié)合能夠?qū)崿F(xiàn)管網(wǎng)漏損的實(shí)時監(jiān)測甚至高效預(yù)測,時效性大大提高。文章綜述了國內(nèi)外供水漏損控制技術(shù)發(fā)展現(xiàn)狀,比較了各種漏損檢測方法的優(yōu)缺點(diǎn),介紹了被動漏損檢測技術(shù)和主動漏損檢測技術(shù)在智慧系統(tǒng)中的應(yīng)用。

1 被動漏損檢測技術(shù)

被動漏損檢測技術(shù)是以傳感器為基礎(chǔ)的人工或簡易數(shù)據(jù)分析手段。以檢測位置作為劃分依據(jù),可將被動檢測技術(shù)分為外管檢測與管道內(nèi)檢測兩類,這些非破壞性檢測技術(shù),主要依靠傳感器和信息數(shù)據(jù)的轉(zhuǎn)變,實(shí)現(xiàn)漏點(diǎn)的檢測與定位。

1.1 外管檢測

外管檢測可以在管道外部進(jìn)行,其中包括聽漏棒、電子聽漏儀等聲學(xué)技術(shù)[8]、磁通量泄漏(magnetic flux leakage,MFL)技術(shù)[9]、高分辨率閉路電視(closed circuit television,CCTV)檢查技術(shù)[10]、紅外熱成像技術(shù)[11]、聲發(fā)射(acoustic emission,AE)技術(shù)[12]、超聲波技術(shù)[13]、負(fù)壓波傳感技術(shù)[14]、探地雷達(dá)[15]等不同的檢測方法。這類方法受周圍環(huán)境影響較大,對于不同的場景往往需要不同類型的檢測方法,但由于每種場景皆使用特定的檢測方法,在小范圍內(nèi)外管檢測的漏損識別精度相對較高。

1.2 管道內(nèi)檢測

管道內(nèi)檢測器通過攜帶一個或多個傳感器進(jìn)行檢測和識別,檢測器被推入管道中,由外部人員操縱完成檢測任務(wù)。傳感器通常包括聲學(xué)、相機(jī)、超聲波、漏磁通量和渦流傳感器等。受限于傳感器的防水性研究,使用內(nèi)管檢測時需盡可能地排空管道內(nèi)的水。相對于外管檢測而言,內(nèi)管檢測由于攜帶更多種類的傳感器,能夠更接近泄漏點(diǎn),具有更高的檢測精度[16]。此外,近年來人工智能的飛速發(fā)展,使得機(jī)器人技術(shù)已經(jīng)成為工程領(lǐng)域的一個重要領(lǐng)域[17],各類機(jī)器人不斷被應(yīng)用于漏點(diǎn)的視覺探查以及無損檢測[18]。這些機(jī)器人包含輪式、軌道驅(qū)動、管道檢查量規(guī)(pipeline inspection gauge,PIG)、行走式和英寸蟲型,雖然涉及范圍廣,但每種機(jī)器人都有著自己的優(yōu)缺點(diǎn),不同類型的機(jī)器人被應(yīng)用于不同場景的內(nèi)管檢測[19]。

2 主動漏損檢測技術(shù)

環(huán)境成本和效益是供水行業(yè)對于漏損技術(shù)控制選擇的一個重要指標(biāo)[20],相較于被動漏損檢測,主動漏損檢測基于傳感技術(shù)偏向于對模型的建立和數(shù)據(jù)的分析,更能夠?qū)崿F(xiàn)對成本和效益的有效管理。1980年,英國水務(wù)聯(lián)合大會提出獨(dú)立計量分區(qū)(district metered area,DMA)概念,模型法正式應(yīng)用于漏損檢測。不過DMA檢測方法只適用于有大量準(zhǔn)確數(shù)據(jù)作為依據(jù)的水力模型問題,面對缺乏基礎(chǔ)數(shù)據(jù)的情況,則需要人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)技術(shù)[21]進(jìn)行處理。

2.1 基于DMA的主動檢測技術(shù)

基于傳統(tǒng)網(wǎng)格(流量/壓力信息)建模與地理信息系統(tǒng)的結(jié)合,通過截斷管網(wǎng)或關(guān)閉閥門的方式將供水管網(wǎng)劃分成若干個獨(dú)立計量區(qū)域,能夠有效縮小漏點(diǎn)的范圍[22]。同時,DMA分區(qū)計量能夠持續(xù)穩(wěn)定控制供水量,降低企業(yè)產(chǎn)銷差,以精細(xì)化的數(shù)據(jù)分析達(dá)到降低漏損量的目的,實(shí)現(xiàn)節(jié)能減耗。而在此基礎(chǔ)上,通過進(jìn)一步優(yōu)化DMA分區(qū)中傳感器放置點(diǎn)的選取,加強(qiáng)網(wǎng)絡(luò)節(jié)點(diǎn)壓力測量和壓力敏感度分析等方式,能夠明顯提高DMA模型的最佳搜索效率[23-24]。Marunga等[25]也建議使用EPANET工具,在供水管網(wǎng)模型的建立中應(yīng)將壓力管理作為減少漏損與需水管理的主要方式。由此可見,模型的建立對于加強(qiáng)水務(wù)人員主動檢漏的能力具有極大的作用。其中,壓力信息在模型運(yùn)行的過程中具有不可忽視的作用,通過壓力信息改善供水手段可以實(shí)時量化客戶的需水要求,降低所需能耗及流量損失,提高供水管網(wǎng)水能效[26-27]。

2.2 基于ANN的主動檢測技術(shù)

ANN則是效仿人腦神經(jīng)的應(yīng)用,注重核心算法的不斷迭代升級,加強(qiáng)軟件程序的高級處理[16]。該方法由1982年波蘭學(xué)者提出的粗糙集理論演變而來,依靠系統(tǒng)的復(fù)雜程度,通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互作用的關(guān)系,達(dá)到處理數(shù)據(jù)的目的。在實(shí)際的管網(wǎng)水力模型之中,ANN技術(shù)通過對數(shù)據(jù)采集技術(shù)(supervisory control and data acquisition,SCADA)與模型建立技術(shù)的結(jié)合使用,依賴瞬態(tài)分析技術(shù),對所獲得的數(shù)據(jù)進(jìn)行分析,模仿人腦的不確定性概念判斷、推理思維方式,對于模型中所缺乏的基礎(chǔ)數(shù)據(jù),以及強(qiáng)非線性、大滯后的數(shù)據(jù),應(yīng)用模糊集合和模糊概念進(jìn)行推理,確定漏點(diǎn)的位置。相較于傳統(tǒng)方法,這類方法的經(jīng)濟(jì)性和效率有了極大的提升。Silva等[28]首次將聚類和分類工具進(jìn)行組合用于小規(guī)模液化石油氣(LPG)管道的故障檢測,并引入模糊系統(tǒng)根據(jù)運(yùn)行模式與過程中的瞬態(tài)變化調(diào)整流量閾值,以較低成本獲得了更有效的泄漏監(jiān)測。Joaquim等[29]將網(wǎng)絡(luò)節(jié)點(diǎn)的揚(yáng)程與估計值進(jìn)行比較,計算殘差并建立線性參數(shù)變化模型與齊諾多面體。Ragot等[30]則是基于模糊系統(tǒng)殘差分析,憑借不斷變化的流速信息診斷出整個管網(wǎng)中的故障傳感器的位置。Birek等[31]創(chuàng)建的聚類算法具有高斯隸屬函數(shù)的模糊If-Then規(guī)則的基礎(chǔ),與標(biāo)準(zhǔn)模糊預(yù)測方法相比,生成的聚類數(shù)量更少,不但提高了預(yù)測模型的精確度,且模型的透明度也大幅增加。

2.3 基于環(huán)境因素的ANN優(yōu)化檢測

隨著城市供水管網(wǎng)不斷延展,管網(wǎng)框架越拉越大,周邊環(huán)境與管道的信息交互以及各類高層建筑的出現(xiàn)使得城市供水管網(wǎng)更趨向于三維化,這為模型的建立帶來了極大的困擾。受管網(wǎng)結(jié)構(gòu)、土壤、外部壓力、管材、水力條件等環(huán)境因素影響,以模型和算法為基礎(chǔ)的主動檢測技術(shù)在大規(guī)模建模問題上常缺乏適用性。學(xué)者們不斷引入新的算法用于提高ANN類漏損檢測技術(shù)的精確度與適用性,較為常見的有蟻群優(yōu)化算法[32]、貝葉斯網(wǎng)絡(luò)[33]與聚類算法等。

蟻群優(yōu)化算法最開始用于水資源問題中計算不飽和土壤的水力參數(shù)[34],后逐漸應(yīng)用于供水管網(wǎng)的水力參數(shù)選擇,并不斷對整體供水管網(wǎng)進(jìn)行優(yōu)化,降低漏損率[35]。該類算法采用正反饋機(jī)制,不斷收斂運(yùn)算機(jī)制,逐漸逼近最優(yōu)解。在整體模型計算中考慮到每個個體信息,采用分布式計算方法,同時進(jìn)行多個個體模型的計算,這不僅大大提高了枝狀管網(wǎng)的精度問題,且可避免于陷入局部最優(yōu)解的困擾。

而貝葉斯網(wǎng)絡(luò)則能夠有效處理不確定數(shù)據(jù),作為一個有向無環(huán)圖,以周邊環(huán)境信息、管材、水力條件等因素作為環(huán)結(jié)點(diǎn),推導(dǎo)管網(wǎng)發(fā)生漏損的概率,進(jìn)一步確定漏點(diǎn)。Tang等[36]引導(dǎo)貝葉斯網(wǎng)絡(luò)捕獲并學(xué)習(xí)周圍土壤與管道物理因素的相互作用關(guān)系,分析配水管道中的漏損故障。而基于貝葉斯網(wǎng)絡(luò)開發(fā)綜合安全預(yù)測模型,通過整合子系統(tǒng)、整體系統(tǒng)與周邊環(huán)境系統(tǒng)之間的相互作用與依賴關(guān)系,定位潛在危險源的方式來推理整體配水網(wǎng)絡(luò)安全狀況,可最終確定可能存在漏點(diǎn)的位置[37]。Morosini等[33]則考慮了發(fā)生泄漏前后校準(zhǔn)模型之間管道粗糙系數(shù)的變化,以貝葉斯法標(biāo)定漏點(diǎn)的位置。

除蟻群優(yōu)化算法與貝葉斯網(wǎng)絡(luò)之外,一些學(xué)者為增加ANN類檢測技術(shù)的適用性,對傳統(tǒng)聚類方法進(jìn)行改進(jìn)而衍生出來的光譜聚類方法能有效降低漏損檢測和管網(wǎng)維護(hù)成本[38]。又有研究[39]證實(shí),基于圖形分析,以水力模擬軟件(EPANET)創(chuàng)建的泄漏狀況作為配水網(wǎng)絡(luò)模型中的節(jié)點(diǎn),將每對節(jié)點(diǎn)發(fā)生泄漏時的壓力和流量變化加權(quán)計算作為邊緣條件,能夠允許光譜聚類方法進(jìn)一步適用于大規(guī)模建模問題。

2.4 基于管理要求的ANN優(yōu)化檢測

使供水管網(wǎng)管理者理解管理中的多目標(biāo)需求是十分必要的,通過水需求管理概念可以有效量化系統(tǒng)中水資源的損失[40]。有學(xué)者從多目標(biāo)角度進(jìn)行水力模型算法優(yōu)化,如Morais等[41]通過一種基于PROMETHEE V方法的群體決策模型,有效地滿足水網(wǎng)管理中關(guān)于技術(shù)、社會經(jīng)濟(jì)和環(huán)境標(biāo)準(zhǔn)方面的要求。Arsene等[42]基于三層通用模糊最小最大神經(jīng)網(wǎng)絡(luò)和圖論,提出一種高效決策支持系統(tǒng),用于監(jiān)測和控制管道的漏損問題。也有研究[43]證明,神經(jīng)模糊決策系統(tǒng)可用于執(zhí)行與城市供水管網(wǎng)相關(guān)的多因素故障風(fēng)險分析與資產(chǎn)管理。

3 各類漏損檢測技術(shù)方案對比

目前,各類檢測技術(shù)在供水行業(yè)內(nèi)皆有廣泛應(yīng)用,每種技術(shù)皆有各自優(yōu)勢。通過對各種漏損檢測技術(shù)在檢測儀器或系統(tǒng)、漏損識別精度、特點(diǎn)及適用場景等方面的橫向比較,可知被動漏損檢測技術(shù)識別精度往往較高,但時效性差,主動漏損檢測技術(shù)精度有所欠缺,但響應(yīng)快速,可實(shí)現(xiàn)實(shí)時監(jiān)測、漏損預(yù)測。各類漏損檢測技術(shù)方案的比較如表1所示。

4 漏損檢測技術(shù)在智慧供水系統(tǒng)中的應(yīng)用

模型建立對配水系統(tǒng)漏損管理而言至關(guān)重要[50],但模型的準(zhǔn)確性需完整且準(zhǔn)確的數(shù)據(jù)庫條件支撐。在實(shí)際供水管網(wǎng)模型建立過程中,信息的準(zhǔn)確采集往往是一大難題,基礎(chǔ)數(shù)據(jù)缺失或者錯誤的情況時常出現(xiàn),單一的主動漏損檢測并不能十分有效地解決此類問題,也導(dǎo)致模擬結(jié)果精確度不高。

隨著信息通信技術(shù)的進(jìn)步,許多城市提出智慧城市概念,以抓住信息通信技術(shù)帶來的發(fā)展機(jī)會[51],智慧供水也已成為全球范圍內(nèi)供水行業(yè)新的發(fā)展趨勢。智能傳感器、通信技術(shù)、智慧供水云平臺和深度學(xué)習(xí)模型等設(shè)備和系統(tǒng)的有機(jī)協(xié)同構(gòu)成供水智慧化體系,解決了城市供水管理中的信息采集、數(shù)據(jù)孤島難題,實(shí)現(xiàn)了管網(wǎng)漏損監(jiān)測、水需求預(yù)測和水質(zhì)檢測等功能[52]。在智慧供水系統(tǒng)中,主動檢測技術(shù)常以信息集成處理系統(tǒng)的形式出現(xiàn),而被動檢測技術(shù)則以智能傳感器的形式被用于其中。

4.1 運(yùn)行基石——智能傳感器

智能傳感器是傳感器集成化與微處理機(jī)相結(jié)合的產(chǎn)物,具有采集、處理、交換信息的能力。相較于傳統(tǒng)被動檢測技術(shù),智能傳感器除了能實(shí)時檢測管網(wǎng)水壓、流量、水質(zhì)數(shù)據(jù)外,更能通過智能滲漏探測技術(shù)獲取分布式溫度、壓力與滲漏點(diǎn)信息[53]。在管網(wǎng)漏損控制方面,傳感器的智能化提升不僅體現(xiàn)在對漏點(diǎn)的精確定位上,也體現(xiàn)在對水量的智能化計量上。有研究[54]證實(shí),智能計量可用于快速有效地識別水表后的泄漏與水損控制。高精度的用水量實(shí)時檢測,不僅能提高用水效率,也可實(shí)現(xiàn)用水量的自動控制,這使得水務(wù)公司能實(shí)時進(jìn)行水價階梯式調(diào)整[55-56]。除此之外,SCADA與地理信息系統(tǒng)等一系列技術(shù)的發(fā)展,也為實(shí)時壓力探測和流量數(shù)據(jù)采集提供了便利,被廣泛應(yīng)用于供水管網(wǎng)中漏點(diǎn)的檢測與定位,成為系統(tǒng)中至關(guān)重要的一環(huán)[57]。

4.2 發(fā)展關(guān)鍵——通信技術(shù)

高效可靠的信息通信技術(shù)是主動檢測技術(shù)發(fā)展的一個關(guān)鍵因素,用于確保不同地區(qū)信息與參與者之間的相互連接[58]。物聯(lián)網(wǎng)技術(shù)是其中較有代表性的一種,將低成本傳感器與創(chuàng)新無線技術(shù)進(jìn)行有效結(jié)合,能輕松實(shí)現(xiàn)設(shè)備的大規(guī)模監(jiān)測和控制,使水務(wù)人員能夠進(jìn)行遠(yuǎn)距離操作[59]。但由于物聯(lián)網(wǎng)技術(shù)的不完全成熟,具有較寬帶寬的物聯(lián)網(wǎng)技術(shù)仍難以滿足接入口的要求,窄帶物聯(lián)網(wǎng)技術(shù)(narrow band internet of things,NB-IoT)被用來進(jìn)行帶寬在180 kHz以下的廣域物聯(lián)網(wǎng)傳輸。憑其成本低、覆蓋率廣、速率低、通信能力強(qiáng)等特點(diǎn),能支持低功耗、低延時敏感度設(shè)備在廣域網(wǎng)絡(luò)蜂窩數(shù)據(jù)的高效連接,在數(shù)據(jù)傳輸過程中能保持十年左右的待機(jī)時長,且能夠大范圍地支持蜂窩網(wǎng)絡(luò)覆蓋[60]。無線傳感器網(wǎng)絡(luò)(wireless sensor network,WSN)則是從軍事應(yīng)用一直沿用至管網(wǎng)漏損檢測,大量靜止或移動的傳感器以多跳或者自組織的形式形成WSN,基于磁感應(yīng)的連續(xù)壓力監(jiān)測,在管道泄漏檢測方面體現(xiàn)出極高的準(zhǔn)確性與效率[61]。

4.3 指揮中心——智慧供水云平臺

智慧供水云平臺是整個智慧供水系統(tǒng)中的大數(shù)據(jù)平臺,主要負(fù)責(zé)采集數(shù)據(jù)的集中、存儲、轉(zhuǎn)運(yùn)以及指令下達(dá),以平臺架構(gòu)的方式全面連接所有物聯(lián)網(wǎng)模塊,執(zhí)行管網(wǎng)監(jiān)測方案(包括漏損監(jiān)測)并在異常發(fā)生時通知水務(wù)管理員,將數(shù)據(jù)發(fā)送給模型算法系統(tǒng)進(jìn)行處理,接收系統(tǒng)處理過后的數(shù)據(jù),給出決策意見,體現(xiàn)了智慧供水系統(tǒng)的可視化、數(shù)字化與移動化[62]。通過對于流量、水壓、管材等大數(shù)據(jù)的分類整理,預(yù)測供水管網(wǎng)漏點(diǎn)產(chǎn)生的時間與存在的位置,結(jié)合如今正興起的網(wǎng)格化管理的思想,使得快速發(fā)展的信息技術(shù)與水務(wù)技術(shù)進(jìn)行深度融合,進(jìn)一步提升管網(wǎng)漏損控制能力。

4.4 處理核心——深度學(xué)習(xí)

在大數(shù)據(jù)和算法大力加持下,深度學(xué)習(xí)已成為ANN的重要延伸,與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型相比,深度學(xué)習(xí)具有更多的神經(jīng)元、更復(fù)雜的連接方式、更強(qiáng)大的計算能力以及自我特征提取能力,這使得它可從智慧供水云平臺的采集數(shù)據(jù)中學(xué)習(xí)非常復(fù)雜的函數(shù),自動提取關(guān)鍵特征,并通過與過往數(shù)據(jù)的對比,發(fā)現(xiàn)系統(tǒng)運(yùn)行異常[56]。楊嘉昕等[63]利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建漏損數(shù)據(jù)與漏損點(diǎn)、漏損量的映射關(guān)系,并通過大量訓(xùn)練來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),結(jié)果顯示優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能有效地預(yù)測漏損點(diǎn)位置與漏損量的大小。深度學(xué)習(xí)通過群體智能算法總結(jié)宏觀智能行為特征,其機(jī)制適用于絕大多數(shù)組合優(yōu)化問題,對于供水云平臺的漏損處理行為的即時性與準(zhǔn)確性有著極其重要的作用。Zhou等[64]基于試驗(yàn)管網(wǎng)的試驗(yàn)數(shù)據(jù)集、模型數(shù)據(jù)集及其交叉數(shù)據(jù)集,構(gòu)建并訓(xùn)練了BP神經(jīng)網(wǎng)絡(luò)管網(wǎng)漏損診斷模型,對于漏損位置和漏損程度的預(yù)測都有較高的準(zhǔn)確率,皆可達(dá)到90%以上。

5 總結(jié)

傳統(tǒng)被動漏損檢測技術(shù)原始但較經(jīng)濟(jì),適用于小范圍的精確定位,其技術(shù)組成相對單一,只實(shí)現(xiàn)了水務(wù)工作人員與傳感器的聯(lián)動,未與各類設(shè)備或系統(tǒng)形成完整的聯(lián)動體系,對可能存在的漏點(diǎn)無法有效篩選,在漏損范圍的確定上缺乏主動性。與傳統(tǒng)被動檢漏法相比,主動漏損檢測方法加強(qiáng)了傳感器與模型的聯(lián)動作用,以數(shù)據(jù)為支撐,以DMA、ANN等模型為主要技術(shù)構(gòu)成,在泄漏發(fā)生后的一定時間內(nèi)可主動縮小漏點(diǎn)的范圍,不足之處在于極依賴于數(shù)據(jù)采集的全面性與準(zhǔn)確性,精度受數(shù)據(jù)的滯后性與強(qiáng)非線性影響較大。

信息通信技術(shù)的快速發(fā)展使數(shù)據(jù)傳輸速率和穩(wěn)定性大大增強(qiáng),大幅提高了傳感器、用戶、管理平臺、數(shù)據(jù)處理后臺四者間的信息交互時效性,有效解決了漏損檢測技術(shù)中的信息滯后問題。深度學(xué)習(xí)作為ANN模型的重要延伸,大數(shù)據(jù)和算法大力提升了復(fù)雜問題的分析效率,強(qiáng)化了漏損現(xiàn)象的預(yù)測、判斷和跟蹤能力。可以說,通信技術(shù)和模型算法的發(fā)展促進(jìn)了被動漏損檢測技術(shù)和主動漏損檢測技術(shù)在智慧供水系統(tǒng)中的深度應(yīng)用,避免了兩類漏損檢測技術(shù)缺點(diǎn),繼承了高精度、快響應(yīng)的優(yōu)點(diǎn),結(jié)合當(dāng)今時代的智慧城市與網(wǎng)格化管理技術(shù)等新興理念的提出,兩類漏損檢測技術(shù)在智慧供水這一背景下持續(xù)向數(shù)字化、智慧化方向轉(zhuǎn)型,將有效減少管網(wǎng)可用水量損失,帶來可觀的社會經(jīng)濟(jì)效益。