Physics-Informed Graph Neural Networks for Water Distribution Systems

水配送系统（WDS）是城市发展至关重要的关键基础设施的重要组成部分。由于预计到2050年，全球70%的人口将生活在城市环境中，因此，WDS的高效模拟和规划工具在实现联合国可持续发展目标（SDG）6“为所有人提供清洁水和卫生设施”方面发挥着至关重要的作用。在这个领域中，我们提出了一种新颖而高效的机器学习仿真器，更确切地说，是一种基于物理学的深度学习（DL）模型，用于WDS中的水力状态估计。使用递归方法，我们的模型只需要几个图卷积神经网络（GCN）层，并采用基于消息传递的创新算法。与传统的机器学习任务不同，该模型利用水力原理以无监督的方式推断出两个额外的水力状态特征，在重建可用的真实特征的过程中。据我们所知，这是第一个使用DL方法来仿真流行的水力模拟器EPANET的方法，不需要使用额外的信息。与水力模拟器不同，我们的模型像大多数DL模型一样，演示了极快的仿真时间，并且不会随着WDS的大小而急剧增加。此外，我们在地面实况上实现了高准确度，并且通过对五个真实世界WDS数据集的实验证明了与水力模拟器非常相似的结果。

提出一种用于水配送系统的物理知识深度学习模型，旨在解决水配送系统中的水力状态估计问题。该模型能够在不需要额外信息的情况下，以比水力模拟器更快的速度准确地重建水力状态特征。

该模型使用基于消息传递的创新算法，利用水力原理无监督地推断两个额外的水力状态特征，并且只需要几个图卷积神经网络层。

该模型是第一个使用深度学习方法来模拟流行的水力模拟器EPANET，同时不需要使用额外信息。实验结果表明，该模型在五个真实世界的水配送系统数据集上表现出高精度和与水力模拟器相似的结果。

在这个领域中，还有一些相关的研究，如使用机器学习方法来解决水配送系统中的问题，例如使用基于遗传算法的优化方法来优化水配送系统的设计和操作，或使用机器学习方法来预测水配送系统中的故障和泄漏。