美國排水管網狀況預測模型文獻綜述

戚宇瑤，周楊軍，周鵬飛

(中國城市規劃設計研究院上海分院，上海 200335)

1 引言

近年來，我國正處于大力推進排水管網修復改造的階段，2019年，國務院印發《城鎮污水處理提質增效三年行動方案(2019—2021年)》，明確提出推進生活污水收集處理設施改造和建設，建立污水管網排查和周期性檢測制度。其主要原因在于至2019年，全國已建排水管網破碎率高達30%，管網檢測修復亟待開展。由于時間有限、如CCTV檢測等昂貴的評估技術和大量的管道規模，頻繁地對污水管網進行檢查并不符合成本效益。因此準確地預測排水管網狀況，能夠指導從業人員，為相關部門和機構定制狀況評估模型，通過優化檢查時間和減少檢查次數，節省成本，也可為市政當局提供決策標準，以制定修復策略。

影響地下排水管道破損的因素分為三組：物理因素、施工操作因素和環境因素。通常情況下，相關管理部門和市政當局能掌握足夠的物理數據，但環境和操作因素的信息往往無法獲得。而美國在2002年，排水管網密度平均在20～30 km/km2，是我國現狀管網密度的2～3倍，基本實現了全國范圍內管網全覆蓋全收集的目標。美國排水管網的問題主要存在于破損管道的維護、修復、改造。近20年以來，美國將狀態預測模型的開發利用作為排水管網領域的重點研究對象，對我國開展排水管網的檢測修復有極高的參考價值。

排水管網預測模型種類眾多，既有傳統的統計模型，如馬爾科夫鏈(Markov chain)和邏輯函數模型(Logistic regression)；也有一些人工智能模型，如神經元網絡(Neural network)和機器學習(Machine learning)等。管網狀況影響因素眾多，除了管齡、管材、管長外，回填類型、墊層材料、土壤類型、水利條件等也得到了廣泛的應用。

本文將總結2001～2019年美國在排水管網狀況預測模型方面的研究進展，具體分析過去的研究中排水管網破損狀況的影響因素、預測常用的模型方法以及相關研究的基本步驟，并將對我國在該領域未來的研究方向提出展望，以期能為后續研究所借鑒。

2 污水管網狀況預測模型與方法

污水管網預測模型在方法上可以分為兩大類：一類是回歸分析統計模型，這類模型是以歷史數據為基礎，在傳統管道物理因素的基礎上，綜合分析排水管網狀況與其他環境和施工因素之間的關系，例如：墊層材料、街道類別、現有結構和運行狀況等方面的內容。研究經過數據采集與編制、條件模型設計和結構發展模擬下水管道的運行惡化曲線。另一類是人工智能模型，分為人工給定分析特征的機器學習(Machine learning)和通過深度學習自動找出分類問題重要特征的深度學習(DeepLearning)及卷積神經網絡元(CNN)，它從過去的數據中"學習"基礎過程的模式，并將獲得的"知識"(或輸入和輸出數據之間的數學關系)進行概括，以預測或分類給定問題域的一組新的輸入變量的輸出，適用于下水管道的缺陷分類、排水管的惡化原因分析和管理策略指導。表1中列出了使用不同統計和AI模型的下水道狀況預測模型，顯示了以往研究中用于開發污水管道狀態預測模型的數據點數量和狀態評級標準。

表1 污水管狀況預測模型

2.1 統計模型

2.1.1 馬爾科夫鏈模型

馬爾科夫鏈模型通常用來描述一個隨機過程，其中在未來的某一步跳入特定狀態的概率只取決于當前步驟的狀態(Micevski等，2002)。數學格式可以呈現，如式(1)所示。

P(Xt+1=it+1|Xt=it,Xt-1=it-1…X1=i1)=P(Xt+1=it+1|Xt=it)

(1)

其中，變量X在步驟t+1時處于狀態it+1的概率僅有條件地取決于其在步驟t中的狀態it.對于馬爾科夫鏈模型，假設條件概率隨時間的推移保持不變。對于任何變量X在步驟t時處于狀態i中，在步驟t+1時轉移到狀態j的概率可以用公式(2)來表示：

P(Xt+1=i|Xt=j)=pij

(2)

其中pij為轉移概率。如果目標馬爾科夫鏈過程中存在多個狀態(n個狀態，其中n>1)，通常需要一個轉移矩陣，如式(3)所示。

(3)

如果將初始狀態定義為一個向量Q，經過n個步驟，則狀態向量是：

Q(n)=Q(0)Pn=Q(n-1)P

馬爾科夫鏈的基本特征是變量在某一時刻/某一位置的數據特征與上一時刻/為止的值有關，無記憶性，與歷史數據無關。馬爾科夫鏈模型已被廣泛應用于各個工程領域(Lecchini-Visintini等，2010；Yang等，2005)。而在污水管道維護領域，馬爾科夫鏈模型被廣泛用于開發惡化模型，該模型可以模擬污水管道狀況隨時間的惡化(Baik等，2006；Micevski等，2002；Tran等，2008)。在以往的研究中，結論表明馬爾科夫鏈模型可以有效模擬現實生活中的隨機過程。從本質上講，污水管道缺陷數據的生成是一個離散時間的隨機過程，這是一個可以通過馬爾科夫鏈模型有效解決的問題。

2.1.2 回歸邏輯模型

回歸分析模型主要包括以下幾類：線性回歸、二元邏輯回歸、多元邏輯回歸。其中，基于排水管網影響因素的復雜性，多元邏輯回歸是最常用的回歸分析模型，它用多項式的形式來反映影響因素和排水管網狀態之間的關系。當因變量是二進制(0/1，True/False，Yes/No)時，應該使用邏輯回歸。這里，Y的取值范圍為[0,1]，它可以由下列等式來表示：

odds= p/ (1-p) = probability of event occurrence / probability of not event occurrenceln(odds) = ln(p/(1-p))logit(p) = ln(p/(1-p)) = b0+b1X1+b2X2+b3X3....+bkXk。

回歸分析是一種面向數據的技術，因為它直接處理所收集的數據，而不考慮其背后的過程。首先，選擇合適的統計軟件對采集到的數據進行預處理，預處理后的數據分為兩部分：第一部分(如：20%)隨機選取用于模型驗證，其余數據用于模型開發。第二步，采用矩陣圖檢查變量之間的關聯性，排除相關變量。通過最佳子集分析推薦的預測因子功能形式，基于不同材質管道開發多個回歸模型(圖1)。這些模型已經過驗證，其平均有效性百分比在82%～86%之間(Fazal Chughtai和Tarek Zayed 2008)。

圖1 污水管道狀況預測的回歸邏輯模型框架

2.1.3 小結

統計模型作為開發模擬模型的傳統方法，其準確度很大程度上取決于影響因素的選擇。理想的影響因素應當包含所有與排水網管狀況惡化相關的獨立變量。在實際研究中，往往只選擇少量影響因素，主要是因為部分物理因素數據收集的成本很高，環境因素和運行操作數據由于其復雜性收集極為困難。所以，很難全面地模擬現實狀況。所以，多元線性回歸的準確度相對較低，因此研究者嘗試使用人工神經網絡來進行排水管網惡化狀況的預測。

2.2 人工智能(AI)模型

近20年以來，美國關于排水管網CCTV視頻自動缺陷識別的研究主要集中在對缺陷類型的分類上，即給定一個下水道管道的圖像，開發算法對圖像中可見的缺陷類型進行分類。這一任務通常是通過使用計算機視覺和圖像處理技術來完成的，如隨機森林算法、決策樹、二元圖像閾值和傅里葉變換(Moselhi和Shehab 2000)。然而最近幾年，隨著計算機深度學習(deep learning)的發展及深度神經網絡上強大的泛化能力(即對未見數據的泛化能力)，美國學者研發出同時對缺陷進行分類和定位的缺陷檢測方法，即先用二元卷積神經網絡CNN識別缺陷類型，篩選出缺陷管段，再利用對象檢測模型(YOLO、SSD、Faster R-CNN等)對缺陷進行定位。

2.2.1 基于深度學習的管道結構缺陷自動檢測模型系統

該模型系統包括兩個步驟，首先將大量下水道圖像作為輸入，并使用二元卷積神經網絡(CNNs)來識別根部入侵、沉積物或裂縫的等缺陷的存在，篩選出存在缺陷的管段數據和具體缺陷類型。第二步中，上一步中篩選出的問題圖像被對象檢測器(YOLO、SSD、Faster R-CNN等)處理分類為裂縫的缺陷，以定位缺陷，微調對象檢測器的參數，對不同類別的缺陷識別邊界框位置，同時給出缺陷類別概率。

為了對所提出的系統的分類性能(即速度和準確度)進行基準測試，兩個模型分別在CCTV圖像上進行了測試。第一個測試包括在大量真實圖像的數據集上對CNN分類器的分類精度和速度進行基準測試。第二項測試包括測量對象檢測模型(YOLO、SSD、Faster R-CNN等)檢測裂縫的準確性和速度。第二次測試中使用的圖像與第一次測試中使用的裂縫圖像相同，但帶有邊界框注解(提供位置信息)(圖2)。

圖2 基于深度學習的管道結構缺陷自動檢測模型系統技術路線

應用該模型系統對CCTV管網數據進行缺陷識別大大節省了由傳統人工識別缺陷的時間和人工成本，同時提升了識別的精準性，研究表明，利用5層卷積神經網絡(CNNS)+對象缺陷檢測模型(YOLO)，檢測缺陷的精準性可達71%。

3 污水管網狀況預測的影響因素

在使用管網預測模型對城市排水管網惡化狀況進行預測時，需要事先對管網惡化的影響因素進行分析和篩選。影響因素過少會導致模型準確度低，而過多又會導致增長計算時間、縮小適用范圍。確定影響污水管道惡化的因素非常重要，原因如下：第一，在狀態評估過程中，數據收集是一個非常昂貴的過程，收集所有的管道信息并不是一個經濟有效的方法。確定重要因素減少了管道數據庫中所需要的數據數量，降低了數據收集成本。第二，當模型中使用重要因素時，可以達到較高的預測精度。第三，一般來說，影響污水管道惡化的因素可分為物理因素、環境因素和操作因素。表2列出了以往研究中預測污水管道狀況最常用的因素或變量。

表2 影響污水管老化的因子

3.1 物理因素

3.1.1 管齡

管齡通常是指管道安裝年限與檢驗日期之差。管道的老化從污水管道安裝的那一刻就開始了，老化是管道老化最重要的因素之一(庫蘭迪維爾2004)。浴盆曲線是根據管道的年齡確定管道故障率的曲線圖(Singh和Adachi 2013)。浴盆曲線包括3個不同的階段，如圖3所示。

圖3 埋地管道的理論浴缸曲線(數據來自Singh和Adachi，2013)

在以往的研究中，大部分開發的狀態預測模型都表明，管齡與污水管道的劣化有顯著關系。Ariaratnam等指出，由于管道老化過程的后果，管齡會顯著影響污水管道的惡化。Jeong等和Ana等也有類似的研究結果，并指出管道使用初期的劣化率較低，后期較高。Khan等明確指出，污水管道的劣化并不是在安裝過程中就開始的，而是在一定時間后才會產生。Lubini和Fuamba證明，隨著污水管道的老化，根部侵入增加，管道粗糙度逐漸增大。由于管道粗糙度與摩擦系數有直接關系，因此管道的水力性能將下降，管道老化的可能性增大。在Salman和Salem、Kabir等和Laakso等開發的預測模型中發現管齡具有顯著性。

3.1.2 管材

不同材料建造的污水管道對土壤類型、地下水位等環境因素有不同的反應(Salman 2010)。例如，混凝土管具有很強的耐磨性，粘土管對酸的作用非常好。塑料管，如聚氯乙烯(PVC)或高密度聚乙烯(HDPE)，可抵抗酸堿廢物；但在負荷下會發生過度變形(Singh和Adachi，2013)。在開發狀態預測模型的過程中，可以將管道材料作為一個獨立變量，模型的結果可以揭示這個變量是否顯著。

Davies等發現管道材料是一個顯著的變量，污水管道的劣化與管道材料有直接關系。Micevski等根據其馬爾科夫模型的結果指出，混凝土管比粘土管更堅固耐用。Ana等人指出，混凝土管在模型中表現出比磚管和粘土管更好的行為。管道老化行為差異的一個可能的原因是由于管道的生產程序。混凝土管道通常是在可控的環境下異地施工，因此質量和完整性較高；但磚砌管道通常是在原地施工，環境條件不同，工藝不良會影響質量。

在Lubini和Fuamba開發的模型中，管道材料也有顯著影響。他們發現，與其他管道相比，鋼筋混凝土管道的抗老化能力最強，因為鋼筋使導管的強度足以防止結構老化。Bakry等在其模型中證明了陶土管比石棉水泥管和鋼筋混凝土管表現更好。在Laakso等人開發的預測模型中，混凝土和高密度聚乙烯管有顯著差異。在他們的研究中，對管道材料不同行為的一個可能解釋是，某些批次的高密度聚乙烯管道的質量存在缺陷。

相反，Jeong等指出，管道材料在其研究中不是一個顯著的變量(指出這可能是由于他們使用較少的數據來開發預測模型)，等級不平衡也是如此。一般來說，如果針對不同的管道材料分別生成模型，可以預測出更好的管道行為。

3.1.3 管徑

眾多研究調查了下水道尺寸與管道惡化之間的關系，結果是矛盾的。一些狀況預測模型發現，下水道劣化率隨著管徑的增大而降低，而另一些研究發現，管徑越小的管道行為越好，故障越少。在一些預測模型中發現，管徑是影響污水管道劣化的重要因素。Ariaratnam等表示，在他們的模型中，當直徑增大時，管道處于劣化狀態的可能性較大。Davies等發現，隨著直徑的增大，剛性污水管道處于不良狀態的風險顯著降低，大的污水管道比小的污水管道風險低；他們解釋說，原因可能是剛性污水管道的結構設計受限于管道的橫截面和所經歷的環向或擠壓應力。

Micevski等發現，小管道的劣化程度比大管道大。一個可能的解釋是，管道設計者低估了小型管道所需的覆蓋深度和荷載流量。Tran等指出，較大的管道通常埋得較深，并且使用更合適的設計和施工人員來安裝，因此，根據所開發的預測模型的結果，較大直徑的管道更耐老化。

Lubini和Fuamba確定，在導管中出現障礙物的情況下，直徑較大的管段仍能輸送廢水，而直徑較小的管段則更容易因水力流量損失而惡化。Salman和Salem和Bakry等人也得到了同樣的結果，在他們的預測模型中，較大的管道比較小的管道表現更好，惡化率更低。

相反，Jeong等指出，較大的管道更容易惡化，因為它們有更多的表面積暴露在污水和周圍土壤區域。較大的管道更容易損壞，因為它們很笨重，而且很難準確安裝。Laakso等確定，由于在設計和安裝階段進行了更仔細的監督，直徑為30 cm和150 cm(12和60英寸)的管道狀況較好。

Tran等和Ana等發現，在他們的模型中，管道直徑不是一個顯著的變量；然而，他們證明了較大的管道通常埋得很深，具有較低的惡化率。

3.1.4 管長

實際上，在所有的污水管道清查中，管道的長度都是以多個管段的人孔到人孔長度的管段來記錄的。通常情況下，較長的人孔到人孔的污水管段具有較高的劣化率，因為較長的管道發生缺陷的概率較大。然而，在以往的研究中，發現管道長度對劣化率的影響存在雙重行為。

Davies等指出，當單個管段較長[超過1.5 m(5英尺)]時，管道處于不良狀態的風險下降。管道接頭是管道中滲透的主要來源，這是因為土壤移動到下水道中，缺乏支撐，導致結構不穩定。單個管段較長，意味著每條人孔到人孔長度的污水管道(管段)的接頭數量減少，從而也降低了滲透和接頭缺陷的風險。Jeong等指出，較長的污水管道管段比較短的管段更不容易老化。他們使用了一個包括大尺寸管道的數據集，一個可能的解釋是，較大的管道不太可能發生堵塞，因此污水可以更容易地輸送。

Ana等解釋說，當污水管道人孔到人孔段較長時，管道惡化的風險會增加，這可能是因為較長的管道有更多的接頭，而接頭特別容易發生故障。接頭缺陷是下水道系統中常見的一種，它們會增加失效的概率。此外，較長的管道更容易發生堵塞和沉積物的沉積，這有利于污水管道的惡化。Khan等發現管道的狀況在管道長度變化方面存在雙重行為，即小于70 m(230英尺)的管段對污水管道的狀況沒有影響，而長于70 m(230英尺)的管段由于端部接頭的密度增加了惡化的速度，而端部接頭是斷裂、滲透和外滲的來源。

Salman和Salem認為，在污水管網中，較長的管道表現更好，因為隨著管道長度的增加，暴露于惡化因素的程度也會增加。

Laaksoetal發現，長于40 m(131英尺)的污水管道比管網中的其他管道惡化得更快，這可以解釋為長管道中潛在的缺陷和彎曲應力更高。此外，側向連接也是潛在的原因。結構破壞，較長的管道有更多的橫向連接。

3.1.5 管道埋深

必須考慮土壤類型、地下水位、管道材料、管徑和規定等幾個因素，確定污水管道的合適深度。在不同的預測模型中，研究深度對污水管道劣化影響的結果是相互矛盾的。Khan等指出，在其預測模型中，管道埋深是一個重要的變量，深度的增加對污水管道狀況水平有負向影響。這種行為的合理性原因可能是較深的管道上方有更大的負荷，遇到地下水位的概率更高。相反，在Davies等開發的預測模型中，管道深度不是一個顯著的變量。這并不是說單獨考慮下水道深度就不會影響管道的劣化，但在基于管道數據集特征的數據分析中，管道深度與下水道管道的狀況水平并不一定有直接關系。Tran等和Ana等也報告稱，管道深度在其預測模型中不是一個重要因素。一般來說，埋藏較淺的管道會因表面荷載、非法連接和樹根侵入而出現更多的缺陷和更高的劣化率。此外，管道上方更多的覆蓋深度會降低道路交通和道路維護/施工活動等地表因素的影響。

Salman和Salem也有同樣的發現。在他們的模型中使用的8個自變量中，管道深度是模型中唯一不顯著的變量。Laakso等在研究中證明，安裝深度在1.8～3 m(6到10英尺)之間與惡劣的狀況水平相關，由于冬季霜凍條件，他們建議最小深度為1.5 m(5英尺)。

3.1.6 管道坡度

污水管道的坡度較平，因此廢水在管道內停留的時間較長。廢水在污水管道內停留的時間越長，污水管道內越容易產生硫化氫氣體。硫化氫可以轉化為硫酸，而硫酸會攻擊水泥基管道，如混凝土和砂漿，并增加污水管道內部的腐蝕速度(Ana等人，2009；Ayoub等人，2004)。同樣，Baur和Herz指出，沉積物沉積和堵塞更多發生在坡度較平的管道中，這些管道惡化的風險更高。

Jeong等指出，當管道坡度較陡時，下水道段發生惡化的概率較高。根據本研究結果，較快的流速和較低的穩定性是導致較高劣化率的可能原因。Tran等也有類似的研究結果，并提出坡度較陡的管道更容易因土壤中的空隙、土壤移動和管道接頭缺陷而產生缺陷。Salman和Salem開發的預測模型揭示了管道坡度的重要性，根據他們的結果，坡度較陡的管道更容易因穩定性問題和高流速而惡化。Laakso等根據其預測模型的結果，確定負坡和極低坡是對污水管道危害最大的條件。負坡和極低的坡度會導致沖洗不充分，從而導致雜物堆積和堵塞。綜上所述，管道坡度是一個不顯著的變量。

3.1.7 管道類型

污水管道可分為獨立的衛生管道、雨污水管道系統和合流制污水管道系統。在合流制下水道系統中，一根管道用于將生活、商業和工業廢水以及雨水輸送到選定的處理地點。分離式衛生污水管和雨水污水管系統的概念是將雨水和衛生污水分開管理。在這種方法中，使用兩個獨立的管道將生活、商業和工業廢水，以及雨水輸送到選定的處置地點。

O’Reilly等發現，合流制污水系統的惡化率高于衛生污水系統。他們認為，一般情況下，合流制污水系統比獨立系統安裝較淺，合流制系統的流量波動較大。Davies等和Baur和Herz的研究表明，合流制下水道的惡化率較低，因為這些系統類型在建設過程中經歷了更多的規劃和工程努力。Ariaratnam等表明，廢水類型是一個重要的變量，并且發現衛生下水道對管道缺陷的影響最大，其次是暴雨，然后是合流制下水道系統。

Salman和Salem稱，衛生級污水管道比合流制污水管道更耐老化。這一結果可以解釋為，由于降雨事件中的高流速，聯合下水道的土壤流失、滲透和外滲的可能性更高。

3.1.8 污水管上的負荷

很明顯，污水管道會受到來自地表的荷載影響。污水管道上方地表的土地使用和交通會影響到管道所承受的地表負荷的大小。測量或估計表面荷載的大小或頻率是非常困難的，因為它們隨時間而變化(Kley和Caradot 2013)。污水管道可以承受大的一次性荷載，如地表施工、地面公用設施建設、滑坡和地震，也可以承受小的周期性荷載，每小時、每天或季節性的頻率，如公交車站、交通和維護活動(Ashoori等，2017)。

需要提及的是，少數研究調查了道路類型對污水管道劣化的影響。Davies等確定位于農村主干道和人行道下的下水道比位于城市主干道下的管道處于不良狀態的風險要低得多。造成這種差異的主要原因可能是城市地區的管道受較重的交通負荷影響較大。根據Tran等生成的預測模型結果，也發現管道位置具有顯著性，他們的研究發現，管道的位置決定了覆土深度，當覆土面積較大時，由于管道的荷載較小，結構劣化程度可能較低。

Salman和Salem證明，與位于花園或任何類型的道路下的管段相比，當地街道和小巷下的管段惡化的可能性較小，可能的原因是安裝在道路下的管道采用了更好的設計和安裝方法。Bakry等指出，當污水管道位于工業區下時，污水管道的劣化程度較大，而位于住宅區下時，劣化程度較低。很明顯，工業區內的污水管道所承載的污水具有不同的特性，會導致更快的惡化。相反，Tran等人表示，管道位置在其預測模型中不是一個重要的變量。任何關鍵環境的影響，如海岸線和工業區，都不足以被視為影響變量。Ana等也取得了類似的結果，這意味著在他們的模型中，輕度交通和主干道下的下水道的惡化率沒有顯著差異。

3.2 環境因素

3.2.1 土壤類型

土壤類型是影響地面損失和污水管道穩定性的重要因素。例如，當土壤受到壓力時，由于不同的膨脹或收縮因素，它可能會有不同的表現(Davies等人，2001)。不同類型的土壤與管道材料、地下水和其他管道屬性或環境因素有不同的反應(Kaushal和Guleria，2015)。Davies等對土壤的斷裂進行了研究，結果表明，埋設在具有極高斷裂潛力的土壤中的下水道，其抗劣化和失效能力顯著提高。通常情況下，在粘性土中，斷裂的可能性非常大。Wirahadikusumah等指出，周圍土壤是影響污水管道劣化的重要因素。根據該研究，下水道缺陷大小、水力條件和土壤性質是影響地面損失率的主要因素。當污水管道周圍的土壤支撐發生損失時，污水管道可以移動。地面或土壤支撐的損失會導致管道周圍形成空隙，因此，在這種情況下，污水管道更容易塌陷或變形。根據Micevski等的Markov模型結果，土壤類型也被發現是一個顯著的變量。該研究表明，沖積土中的管道比莢土中的管道惡化得更快。沖積土是從鹽堿環境中沉積下來的，具有更強的腐蝕性，而莢膜土是通過巖石風化形成的。土壤類型的顯著性水平可能使這些土壤類型形成不同的結果。相反，在Laakso等開發的預測模型中，土壤類型并不顯著；在本研究中，他們的數據集中土壤數據的質量不夠充分，需要更多的研究來評估土壤類型對于污水管道的惡化。

3.2.2 地下水位

地下水是指地表下的水。污水管道處或上方有地下水，可能會導致污水滲透到管道中，增加結構缺陷，形成空隙，失去污水管道的支撐。在粘性土壤中，提高地下水位可能會導致土壤粘性強度降低，管道周圍的空隙會增加。因此，支撐土壤很容易被沖刷(流失)，管道在這種情況下更容易坍塌。通常情況下，位于地下水位較高地區的下水道比位于地下水位低于下水道水平的地區的下水道更容易發生故障。

Davies等指出，管道周圍有地下水會導致土壤失去支撐，出現滲透缺陷。此外，管道周圍形成空洞和缺乏適當的支撐，導致下水道結構問題。粘性土壤的周期性地下水位可能導致土壤強度降低，土壤有可能被沖入下水道。

Malek Mohammadi等根據為坦帕市開發的預測模型發現，地下水位是一個重要的變量。研究顯示，地下水增加了管道的負荷量和土壤移動和滲透的風險。通常情況下，地下水位在管道清單中是無法獲得的，它在很少的預測模型中被用作決定性變量。需要更多的研究來評估地下水位對衛生污水管道狀況的影響。

3.3 操作因素

通常情況下，機構和市政當局有足夠的物理數據，部分環境因素也能通過專業的研究探測手段獲得數據，但操作因素的實時數據往往無法獲得。

4 污水管網狀況預測的研究步驟

4.1 區域規模的選擇

條件預測模型的有效性取決于收集數據的質量的選擇。通常，研究的區域規模會選在某個城市或者相鄰的幾個城市。一方面，研究所需的數據往往來自水務管理和統計部門，而這些部門通常以城市為單位進行統計；另一方面，不同地區的排水管道運行狀況存在較大差異，這導致跨區域的預測十分困難。當研究區域規模進一步擴大到區省、國家時，研究者們同樣可以方便地從有關部門獲取統計數據，但此時由于區域差異性，模型的準確度通常會降低。

4.2 輸入變量的選擇

無論是統計模型和人工智能模型，對于輸入變量的篩選，除了分析輸入變量的類型和數量外，還研究了各變量的顯著性水平。大部分的狀況預測研究都計算了變量的顯著性水平。統計學上的顯著性說明了一個變量影響污水管道狀況的可能性或不可能性。根據管道的地理環境特征，剔除顯著性水平較低的變量。除此之外，需計算任意兩個變量之間的相關性系數，剔除其中與垃圾產生相關性較小或者與其他變量相關性過大的變量。圖4中“重要”的變量用黑圈表示，“不重要”的變量用白圈表示，那些缺乏任何顯著性水平信息的變量用三角表示為“未指定”。

圖4 下水道狀況預測模型中包含的變量(●：重要，○ ：不重要，▲：不確定)

4.3 狀態評級方法的選擇

污水管道的狀況一般是通過狀況評估形成的過程來規定的。結構狀況和運行狀況是兩種常見的管道狀況類別(Chughtai和Zayed，2008)。結構狀況評估管道缺陷、管道的物理強度以及管道抵抗外部載荷的能力。運行狀況表示管道滿足其服務要求的能力。結構狀況的結果可用于確定管道修復或更換的必要性，而管道的運行狀況則表明需要進行清潔和維護(Opila，2011年)。不同國家已經開發了許多方法來對埋地污水管道的狀況進行評分，如英國的WRc、美國的Pipeline Assessment Certification Program(PACP)，以及加拿大國家研究委員會(NRC)和澳大利亞水務協會(WSAA)的方法(Moteleb 2010)，這幾類污水管道狀況分類系統被全世界的下水道修復行業所接納，并且各分類系統之間可以實現相互轉換。

5 結論與展望

本文將排水管道狀況預測模型按方法分為統計模型和人工智能模型兩類，傳統統計模型的準確度很大程度上取決于影響因素的選擇，理想的影響因素應當包含所有與排水網管狀況惡化相關的獨立變量。然而在實際研究中，往往只是人為選擇了少量較為重要的影響因素，而人工智能模型在變量選擇上依賴機器自主學習，相較傳統統計模型更能精準全面地提升模型預測效果。總體而言，隨著研究的不斷深入，模型預測的準確度和適用范圍在不斷提高，但仍存在以下問題需要解決。

(1)傳統市政或者公用事業公司常規收集的數據研究許多變量對污水管道狀況的影響是非常困難的。基于此，如何采用更多智能數據采集系統來編制相應的污水管道數據庫，并實現云平臺共享數據。

(2)如何有效地將回填類型、地面運動、土壤斷裂潛力等環境因素和水利條件、沉積物水平、下水道類型等操作因素的影響進行量化分析。

(3)基于機器學習和深度學習算法性能的快速更新，如何實時進一步調查評估新算法，并應用于條件預測模型的發展。