近日，新葡萄8883官网AMG周啸副教授、同济大学郭姝艺博士生、信昆仑教授和英国Exeter大学Guangtao Fu教授等合作在《Water Research》期刊上发表了题为“Network Embedding: The Bridge Between Water Distribution Network Hydraulics and Machine Learning”的研究论文(DOI: 10.1016/j.watres.2024.123011)。

针对供水管网（WDN）中水力特征难以被机器学习方法有效利用的问题，开发了一种创新的供水管网嵌入（WDNE）模型。该模型结合深度自编码器技术（SDNE）进行管网结构特征的嵌入，并使用K-竞争自编码器（KATE）实现管网节点静态和动态特征（属性）的嵌入，成功将管网水力关系和节点特征转换为更加适合机器学习处理的向量形式。这使得下游任务中的机器学习方法能够充分理解和利用WDN数据中蕴含的复杂水力特征，从而减少对大量训练数据的需求。该模型使得机器学习方法更加轻量化，并拓宽了WDN中机器学习方法可应用的范围。研究表明，WDNE模型在供水管网爆管定位和节点分组任务中均有效提升了机器学习方法的性能。作为促进复杂WDN数据与机器学习方法高效融合的桥梁，该模型有望在更加广泛的水系统中发挥重要作用。

《Water Research》（水研究）是水资源、环境科学与生态学领域的顶级期刊，专注于全球水科学与技术及其管理的前沿研究，涵盖水与废水处理、水质监测、污染控制、环境修复等广泛主题，以其严格的同行评审和高学术标准著称。作为中科院一区期刊，其影响因子达11.4（2024年），在环境工程、水资源和污染控制领域长期位居全球前列。该期刊以发表原创性、高影响力的研究为特色，是水科学领域最具权威性和国际认可度的学术平台之一

原文链接：https://www.sciencedirect.com/science/article/pii/S0043135424019110

X. Zhou, S. Guo, K. Xin, Z. Tang, X. Chu, G. Fu, Network embedding: The bridge between water distribution network hydraulics and machine learning, Water Research, 2025, 273: 123011.

  周啸/文、图

王静峰、王昌建/审