当前位置: X-MOL 学术Process Saf. Environ. Prot. › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Graph convolutional networks based contamination source identification across water distribution networks
Process Safety and Environmental Protection ( IF 7.8 ) Pub Date : 2021-09-10 , DOI: 10.1016/j.psep.2021.09.008
Yujue Zhou 1, 2 , Jie Jiang 2 , Kai Qian 2 , Yulong Ding 2, 3 , Shuang-Hua Yang 2, 4 , Ligang He 1
Affiliation  

Water distribution Networks (WDNs) are one of the most important infrastructures for modern society. Due to accidental or malicious reasons, water contamination incidents have been repeatedly reported all over the world, which not only disrupt the water supply but also endanger public health. To ensure the safety of WDNs, water quality sensors are deployed across the WDNs for real-time contamination detection and source identification. In the literature, various methods have been employed to improve the performance of contamination source identification (CSI) and recent studies show that there is a great potential to tackle the CSI problem by deep learning models. The success of deep learning based CSI methods often requires a large size of training samples being collected. In real-world situations, the number of contamination events occurring in a single WDN is rather small, especially for a newly built WDN. However, the existing CSI methods in the literature mostly focus on the study of training and applying models on the same WDNs and the knowledge of CSI gained from one WDN cannot be reused by a different WDN. To these ends, based on the application of graph convolutional networks, this paper provides a solution for cross-network CSI that can transfer the CSI knowledge learned from one WDN to a different WDN. Empirically, based on a benchmark WDN in the task of contamination source identification, we show that the proposed cross-network CSI method can achieve comparable accuracy even trained on a different WDN.



中文翻译:

基于图卷积网络的配水网络污染源识别

供水网络 (WDN) 是现代社会最重要的基础设施之一。由于意外或恶意原因,世界各地屡屡发生水污染事件,不仅扰乱了供水,也危害了公众健康。为确保 WDN 的安全,WDN 中部署了水质传感器,以进行实时污染检测和源头识别。在文献中,已采用各种方法来提高污染源识别 (CSI) 的性能,最近的研究表明,通过深度学习模型解决 CSI 问题具有很大的潜力。基于深度学习的 CSI 方法的成功通常需要收集大量的训练样本。在现实世界的情况下,单个 WDN 中发生的污染事件数量相当少,特别是对于新建的 WDN。然而,文献中现有的 CSI 方法大多侧重于在相同 WDN 上训练和应用模型的研究,并且从一个 WDN 获得的 CSI 知识不能被不同的 WDN 重用。为此,本文基于图卷积网络的应用,提供了一种跨网络 CSI 的解决方案,可以将从一个 WDN 学到的 CSI 知识转移到不同的 WDN。根据经验,基于污染源识别任务中的基准 WDN,我们表明,即使在不同的 WDN 上训练,所提出的跨网络 CSI 方法也可以达到相当的准确性。文献中现有的 CSI 方法大多侧重于在相同 WDN 上训练和应用模型的研究,并且从一个 WDN 获得的 CSI 知识不能被不同的 WDN 重用。为此,本文基于图卷积网络的应用,提供了一种跨网络 CSI 的解决方案,可以将从一个 WDN 学到的 CSI 知识转移到不同的 WDN。根据经验,基于污染源识别任务中的基准 WDN,我们表明,即使在不同的 WDN 上训练,所提出的跨网络 CSI 方法也可以达到相当的准确性。文献中现有的 CSI 方法大多侧重于在相同 WDN 上训练和应用模型的研究,并且从一个 WDN 获得的 CSI 知识不能被不同的 WDN 重用。为此,本文基于图卷积网络的应用,提供了一种跨网络 CSI 的解决方案,可以将从一个 WDN 学到的 CSI 知识转移到不同的 WDN。根据经验,基于污染源识别任务中的基准 WDN,我们表明,即使在不同的 WDN 上训练,所提出的跨网络 CSI 方法也可以达到相当的准确性。本文提供了一种跨网络 CSI 的解决方案,可以将从一个 WDN 学到的 CSI 知识转移到不同的 WDN。根据经验,基于污染源识别任务中的基准 WDN,我们表明,即使在不同的 WDN 上训练,所提出的跨网络 CSI 方法也可以达到相当的准确性。本文提供了一种跨网络 CSI 的解决方案,可以将从一个 WDN 学到的 CSI 知识转移到不同的 WDN。根据经验,基于污染源识别任务中的基准 WDN,我们表明,即使在不同的 WDN 上训练,所提出的跨网络 CSI 方法也可以达到相当的准确性。

更新日期:2021-10-01
down
wechat
bug