将机器学习与多标准决策分析整合到给水管网健康风险管理中

为何安全自来水需要智能规划

当你打开水龙头，期望得到干净的水，但街道下方隐藏着错综复杂且逐渐老化的管道，这些管道会开裂、泄漏并让病原体进入。该研究探讨了现代数据工具如何帮助供水单位识别最可能故障的管段、这些故障对健康可能造成的危害，以及哪些修复策略在经费有限的情况下能提供最佳防护。它为城市在面对陈旧基础设施与有限预算时，保持饮用水安全提供了切实可行的方法。

泄漏管道与潜在健康风险

供水管网将处理过的饮用水从处理厂输送到家庭和企业。随着管道老化，会出现裂缝和破损，造成大量用水损失并带来维修费用。全球每天损失数亿立方米的水，单在瑞典，市政饮用水中大约有15%到20%通过泄漏和破损流失。这些缺陷不只是令人困扰：当管内压力下降时，周围土壤或临近污水管中的污染水可能被吸入，携带会引起肠道疾病的病原体。由于供水单位无法一次性更换所有管道，他们需要知道哪里最可能发生故障以及哪些故障会造成最大危害。

用数据发现网络中的薄弱环节

研究团队与瑞典南部的一个真实供水网络合作，重点研究了一段长13.5公里、包含不同管材与不同年代管段的区段。他们使用三类机器学习模型估算每段管道的破裂概率：逻辑回归、随机森林和一种称为XGBoost的方法。这些模型考察了管长、直径、年代、材料、土壤类型、压力与过往故障等特征。表现最好的随机森林模型在识别过去20年内发生故障的管段方面准确率最高，同时很少将健康管段误判为故障。管龄、材质和长度被证明是预测未来破损的最强线索，表明基本的物理信息仍然能解释大部分风险。

追踪破损如何影响流量与病原体传播

估算破裂概率只是风险的一半。团队还研究了若每段管道实际破裂会发生什么。为此，他们使用水力模型模拟关闭某段管道后对网络压力和供水的扰动。那些导致大幅压力下降或切断大范围供水的管段被标记为具有高水力后果。与此同时，他们进行了微生物风险评估，模拟像弯曲杆菌、诺如病毒和隐孢子虫等病原体如何通过破口进入，随水流移动并到达人群。对每段管道，研究者估算了人们每日饮水感染的概率，并标出那些风险超过常用安全目标的管段。

将复杂风险转化为清晰地图与决策

为整合这些要素，研究人员将管道破裂的概率与其水力后果和健康后果相乘，然后在地理信息系统中绘制结果。管段被分为低、中、高三个风险等级，便于工程师快速识别热点。但仅知道哪些管道有风险仍然无法回答一个难题：应当优先采取哪些行动？为此，团队召集了十位供水专家，让他们根据成本、实施难度、风险降低效果、社会影响和可靠性等标准对不同策略（如压力管理、管道修复、管道更换、加强漏损检测与公众意识提升）进行评分。然后使用名为TOPSIS的决策工具，根据各策略在所有标准上的综合表现对其进行排序。

对更安全饮用水的启示

分析显示，对网络进行压力管理，其次是有针对性的管道修复和养护，在风险降低、可行性与成本之间提供了最佳整体平衡。全面更换管道仍然重要，但在资金与人力有限时，作为首要措施并不总是最高效。通过将机器学习、流体与健康风险模型、专家判断和清晰可视化地图结合起来，该框架帮助供水单位决定在哪里采取行动以及应使用哪些手段。对公众而言，结论很直接：更聪明地利用数据，可以在严重健康问题出现前，将注意力和资源集中在最重要的管段，从而帮助保持自来水的安全。

引用: Sangroula, U., Viñas, V., Odhiambo, M. et al. Integrating machine learning and multi-criteria decision analysis for health risk management in water distribution networks. Sci Rep 16, 15718 (2026). https://doi.org/10.1038/s41598-026-52465-z

关键词: 饮用水安全, 供水管网, 机器学习, 健康风险评估, 泄漏管理