机器学习在预测受采矿影响的埋地供水网络故障中的应用

断裂水管为何重要

大多数人在打开水龙头时并不会去想藏在街道下方的那张管网迷宫。然而在采矿区，这些埋地水管随着地面缓慢下沉和位移承受额外应力。当管道开裂或爆裂时，社区可能会断水、街道被淹，公用事业部门也需投入更多资金进行修复——这些成本最终会传导到消费者和环境上。本研究探讨了现代机器学习工具如何帮助预测哪些管段最有可能发生故障，从而在灾难发生前进行修复。

脚下不断移动的地面

强度大的地下开采不仅移走了煤炭或矿石，也重塑了上方的地表。随着深处空隙的形成，地面可能逐渐下沉、倾斜并发生变形。对于埋设较浅的钢制给水主干管而言，这种运动像是一场缓慢但强大的拉锯战。土壤在管外壁上拖拽，拉长某些管段，压缩另一些。随着时间推移，这种摩擦会剥离保护层并加速锈蚀，在金属上形成小点蚀和孔洞。结果是与更稳定地基相比，采矿区的漏水和断裂风险更高。

研究人员测量了什么

作者检查了穿过波兰西里西亚采矿区的100多公里地下给水管线。对于每个管段，他们收集了诸如长度、年代、直径和材质等基本信息。还对采矿对周边地面的影响程度进行了描述，使用拉伸、压缩和极端变形等类别。最后，他们统计了每个管段发生的故障次数并将其转换为故障率——即每公里管线每年破损的频率。由此形成了一个紧凑却信息丰富的数据集，将管道特征、采矿条件与实际损害联系起来。

教计算机发现隐患

为将这些数据用于预测，团队测试了五种常用于发现模式的机器学习方法：神经网络、支持向量机、随机森林、梯度提升树和经过改进的k近邻。每种方法都被要求学习各类管道和采矿因素如何组合产生高或低的故障率。部分数据用于训练，剩余数据则用于检验模型是否能推广到新的、未见过的管段。有两种技术表现明显优于其他方法：一种是称为XGBoost的提升决策树方法，另一种是支持向量机。尽管没有单一输入变量与损害之间存在简单的线性关系，两者仍能准确预测故障率。

找出最关键的因素

除了原始准确性，作者还希望了解哪些特征真正驱动了故障风险。他们采用了一种解释方法，为每个变量分配对模型预测的贡献，类似于在晚餐时公平分摊账单。这一分析显示，最重要的单一因素是管段长度：更长的管段暴露在地表运动下的面积更大，出问题的点也更多。第二关键因素是年代，反映出随几十年时间推移钢材和涂层逐渐弱化。管线沿线的拉伸程度和管径也起到重要作用，而纯粹的压缩和最极端的变形类别在该数据集中贡献相对较小。

对城市与居民意味着什么

简而言之，研究表明智能算法可以帮助采矿区的公用事业从被动应对管道破裂转向主动预防。通过将检测、加固或更换工作聚焦于最长、最老且受拉伸影响最大的管段，供水公司能够减少突发状况、节约用水并保护社区免受突然断供的影响。尽管这项工作基于单一采矿区和有限的监测期，但该方法可适用于其他地下网络和地点。随着更多数据的可用，机器学习有望成为在受人类活动改变的地貌中保持饮用水安全流动的标准工具。

引用: Chomacki, L., Rusek, J. & Słowik, L. Machine learning in predicting failures of buried water supply networks affected by mining impacts. Sci Rep 16, 8465 (2026). https://doi.org/10.1038/s41598-026-39874-w

关键词: 供水管道故障, 采矿沉降, 机器学习预测, 基础设施风险, 埋地供水网络