Leakages in the underground water distribution networks (WDNs) waste over 1 billion gallon of water annually in the US and cause significant socio-economic loss to our communities. However, detecting and localization leakage in a WDN remains a challenging technical problem despite of significant progresses in this domain. The progresses in machine learning (ML) provides new ways to identify the leakage by data-driven methods. However, in-service WDNs are short of labeled data under leaking conditions, which makes it infeasible to use common ML models. This study proposed a novel machine learning (ML)-based framework for WDN leak detection and localization. This new framework, named clustering-then-localization semi-supervised learning (CtL-SSL), uses the topological relationship of WDN and its leakage characteristics for WDN partition and sensors placement, and subsequently utilizes the monitoring data for leakage detection and leakage localization. The CtL-SSL framework is applied to two testbed WDNs and achieves 95% leakage detection accuracy and around 83% final leakage localization accuracy by use of unbalanced data with less than 10% leaking data. The developed CtL-SSL framework advances the leak detection strategy by alleviating the data requirements, guiding optimal sensor placement, and locating leakage via WDN leakage zone partition. It features excellent scalability, extensibility, and upgradeability for applications to various types of WDNs. It will provide valuable a tool in sustainable management of the WDNs.

在美国，地下水分配网络 (WDN) 中的泄漏每年浪费超过 10 亿加仑的水，并给我们的社区造成重大的社会经济损失。然而，尽管在 WDN 领域取得了重大进展，但检测和定位 WDN 中的泄漏仍然是一个具有挑战性的技术问题。机器学习 (ML) 的进步提供了通过数据驱动方法识别泄漏的新方法。然而，服务中的 WDN 在泄漏条件下缺少标记数据，这使得使用常见的 ML 模型不可行。本研究提出了一种基于机器学习 (ML) 的新型 WDN 泄漏检测和定位框架。这个新框架，命名为先聚类再定位半监督学习（CtL-SSL），利用WDN的拓扑关系及其泄漏特性进行WDN分区和传感器放置，随后利用监测数据进行泄漏检测和泄漏定位。CtL-SSL 框架应用于两个测试平台 WDN，通过使用泄漏数据小于 10% 的不平衡数据，实现了 95% 的泄漏检测精度和约 83% 的最终泄漏定位精度。开发的 CtL-SSL 框架通过减轻数据要求、指导最佳传感器放置以及通过 WDN 泄漏区域分区定位泄漏来推进泄漏检测策略。它具有出色的可扩展性、可扩展性和可升级性，适用于各种类型的 WDN 的应用程序。它将为 WDN 的可持续管理提供宝贵的工具。随后利用监测数据进行泄漏检测和泄漏定位。CtL-SSL 框架应用于两个测试平台 WDN，通过使用泄漏数据小于 10% 的不平衡数据，实现了 95% 的泄漏检测精度和约 83% 的最终泄漏定位精度。开发的 CtL-SSL 框架通过减轻数据要求、指导最佳传感器放置以及通过 WDN 泄漏区域分区定位泄漏来推进泄漏检测策略。它具有出色的可扩展性、可扩展性和可升级性，适用于各种类型的 WDN 的应用程序。它将为 WDN 的可持续管理提供宝贵的工具。随后利用监测数据进行泄漏检测和泄漏定位。CtL-SSL 框架应用于两个测试平台 WDN，通过使用泄漏数据小于 10% 的不平衡数据，实现了 95% 的泄漏检测精度和约 83% 的最终泄漏定位精度。开发的 CtL-SSL 框架通过减轻数据要求、指导最佳传感器放置以及通过 WDN 泄漏区域分区定位泄漏来推进泄漏检测策略。它具有出色的可扩展性、可扩展性和可升级性，适用于各种类型的 WDN 的应用程序。它将为 WDN 的可持续管理提供宝贵的工具。CtL-SSL 框架应用于两个测试平台 WDN，通过使用泄漏数据小于 10% 的不平衡数据，实现了 95% 的泄漏检测精度和约 83% 的最终泄漏定位精度。开发的 CtL-SSL 框架通过减轻数据要求、指导最佳传感器放置以及通过 WDN 泄漏区域分区定位泄漏来推进泄漏检测策略。它具有出色的可扩展性、可扩展性和可升级性，适用于各种类型的 WDN 的应用程序。它将为 WDN 的可持续管理提供宝贵的工具。CtL-SSL 框架应用于两个测试平台 WDN，通过使用泄漏数据小于 10% 的不平衡数据，实现了 95% 的泄漏检测精度和约 83% 的最终泄漏定位精度。开发的 CtL-SSL 框架通过减轻数据要求、指导最佳传感器放置以及通过 WDN 泄漏区域分区定位泄漏来推进泄漏检测策略。它具有出色的可扩展性、可扩展性和可升级性，适用于各种类型的 WDN 的应用程序。它将为 WDN 的可持续管理提供宝贵的工具。它具有出色的可扩展性、可扩展性和可升级性，适用于各种类型的 WDN 的应用程序。它将为 WDN 的可持续管理提供宝贵的工具。它具有出色的可扩展性、可扩展性和可升级性，适用于各种类型的 WDN 的应用程序。它将为 WDN 的可持续管理提供宝贵的工具。