转自：Environmodel
第一作者：Lina Sela
通讯作者：Lina Sela
DOI:https://doi.org/10.1016/j.watres.2024.122935
文字摘要
水务公司面对日益复杂的基础设施和运营，可以通过人工智能（AI）获得显著的效益。目前在供水系统工程中的研究主要集中在专用AI上，它在处理大量数据集、识别模式以及提取可操作见解方面扮演着关键角色，以提高水务公司运营的韧性和效率。然而，易用性、可达性和训练性的障碍限制了更广泛的采用。随着AI技术的发展，生成式AI作为规则改变者出现，通过实现与复杂系统的直观自然语言交互，使AI更加易于使用。该文探讨了新兴的AI话题，检查了部署基于AI工具的关键挑战，强调了新的机会，并提出了AI整合到水系统运营中的实际例子：缺失数据填补、资产数据处理和用水需求分析。同时，文章指出水研究社区必须优先考虑的重要方面，以推进水系统研究进入AI时代，包括推广负责任和以用户为中心的AI解决方案、建立对技术的信任、将AI融入现有工作流程、增强数据隐私和安全以及加强合作伙伴关系。
图片摘要
Highlights
人工智能通过处理数据和提取可操作的见解来提高水务公司的生产力。
生成式人工智能前景光明，但 LLM 执行复杂任务的准确性仍不确定。
人工智能在水系统中的成功需要研究人员、公用事业公司和技术开发人员之间的合作。
Keywords：
Water utilities operations；Artificial intelligence；Generative AI；Software democratization
该论文主要内容的概要（节标题）：
- 专用人工智能的进步
- 专业人工智能的部署挑战
- 生成式人工智能的机遇
- 生成式人工智能的例子
- 人工智能融合的路径
已经提出了无数人工智能技术用于系统运营中的*特定任务*，将资产、地理信息系统 (GIS)、监控和其他信息系统整合在一起，以解决许多水务公司常见的各种问题。一些值得注意的任务已经看到了专业人工智能的应用，包括：
水损控制和泄漏检测——此类任务涉及从压力、流量和声学传感器收集的自动数据处理，以主动检测和定位泄漏。早期依赖监督学习的应用正在转向不需要完全标记数据的半监督和无监督学习。
资产管理和预测性维护– 供水系统中液压设备的故障会对经济、环境和公共健康产生重大影响。已经开发了各种数据驱动的方法和数字工具来表征恶化模式并预测潜在故障。这些信息使水务公司能够优先考虑维修和更换决策，减少停机时间并最大限度地降低成本。
水质事件检测——确保安全可靠的供水对公众健康至关重要。已经提出了多种人工智能方法来分析多变量水质时间序列，以评估状况并识别潜在故障。
消费者和需求管理——在客户方面，大多数研究集中于分析通过AMI收集的数据，以了解、描述和预测客户的行为。几项研究探讨了如何通过向客户提供有关其用水的详细和及时的信息以及提前通知其场所可能发生的漏水情况来改变客户的行为，例如鼓励节约用水并将需求转移到非高峰时段。
数字孪生——数字孪生将实时传感器数据与先进的建模、分析和可视化方法相结合，以生成物理水系统的虚拟副本。新兴的人工智能方法，例如图神经网络和物理信息神经网络，是解决管理供水系统各种问题的有前途的下一代方法。数字孪生提供了水系统当前状态和条件的最新图像，使操作员和工程师能够分析系统的性能，识别效率低下的问题并通知运营调整。这种方法不仅为传统建模方法和状态估计提供了一种替代方案，而且还增强了水质事件检测、水损控制和泄漏检测等任务。关于数字孪生可以见往期推文：
热词微谈 | 智慧水务与数字孪生
专业化的人工智能工具对水务公司评估和应对运营条件的变化具有潜在价值，但其高昂的成本、复杂的用户界面和对专业技能的需求使得许多公司难以接触这些工具。随着开源和公开数据的兴起，如 Python 和 EPANET 这样的软件逐渐普及，提供了更低成本的解决方案，同时也促进了技术的应用和共享。然而，尽管软件的可访问性提高了，可用性和可训练性的挑战依然存在，特别是它们通常缺乏针对用户友好的设计，且学习曲线陡峭。这对于需要广泛编码技能的水务领域工程师来说是个难题，尤其是在资源有限的小型和农村水务公司中。这些问题限制了先进工具的有效利用，影响了工程师专注于水系统管理和问题解决的能力。
随着人工智能的不断发展，生成式人工智能正在重塑传统的工程行业。OpenAI 开发的大型语言模型 (LLM)（如 ChatGPT）使用户能够通过自然语言与复杂的系统和软件进行交互，从而使交互更加直观和易于访问。这将从传统的用户界面（如图形用户界面 (GUI) 和命令行界面）转向基于语言的用户界面 (LUI)。借助 LUI，用户可以以对话的方式与软件进行通信，类似于与另一个人交谈。用户可以以更直观的方式提出问题、要求任务、接收解释和纠正错误，而不受传统界面技术限制的限制。
工程师不必浏览大量菜单或编写编程代码，只需用自然语言描述他们的目标或问题，人工智能代理就会协助生成解决方案、分析数据或编写代码（图1）。LUI 提供的效率可以显著降低许多工程工具的学习曲线，使水务公司无论规模或资源可用性如何，都能更轻松地进行高级分析和模拟。
图 1.生成式人工智能在水上作业中的应用概念示例
图 2提供了示例，作者展示了三个复杂程度各异的小任务：
- 缺失数据填补——考虑分析 AMI 数据以检测消费趋势的变化，从而为需求管理或泵送作业提供信息
- 资产数据处理——资产数据（例如管道和仪表信息）对于各种任务都至关重要，通常由自来水公司内的不同部门收集和管理
- 用水需求分析——在此任务中，作者通过提取每日消费趋势、消费者需求的总体和每日变化以及寻找消费模式转变的潜在解释来分析水表数据
该例子的完整详细信息可在Y GitHub存储库( https://github.com/linasela/WaterGPT ) 中找到 ( WaterGPT：人工智能在水务运营中的应用示例 2024 )。
图 2. ChatGPT示例：(a) 缺失数据插补、(b) 资产数据处理和 (c) 用水需求分析
人工智能融合的路径
为了确保未来供水安全可靠，在饮用水系统管理中推广负责任且以用户为中心的人工智能解决方案需要采取多方面的方法和跨部门合作：
- 建立对技术的信任，对人工智能模型进行全面的测试和验证，并共享案例研究和最佳实践
- 将人工智能融入当前工作流程，实施可解释的 AI 模型，将其与现有的运营流程集成，确保其建议易于人类操作员理解
- 加强数据隐私和安全
- 通过建立学术和研究机构、公共水务公司、私营人工智能公司和技术提供商之间的联盟，加强强有力的公私伙伴关系
（转载仅供交流学习使用，侵权必删）
【点击下方超链接阅读16个栏目推文】
| 1.【直播】 | 9.【院士】 |
| 2.【视频】 | 10.【综述】 |
| 3.【健康&毒理】 | 11.【写作】 |
| 4.【水】 | 12.【Nature】 |
| 5.【气】 | 13.【Science】 |
| 6.【土】 | 14.【WR】 |
| 7.【固废】 | 15.【EST】 |
| 8.【生态】 | 16.【JHM】 |
