戚宇瑶，周杨军，周鹏飞

(中国城市规划设计研究院上海分院，上海 200335)

1 引言

近年来，我国正处于大力推进排水管网修复改造的阶段，2019年，国务院印发《城镇污水处理提质增效三年行动方案(2019—2021年)》，明确提出推进生活污水收集处理设施改造和建设，建立污水管网排查和周期性检测制度。其主要原因在于至2019年，全国已建排水管网破碎率高达30%，管网检测修复亟待开展。由于时间有限、如CCTV检测等昂贵的评估技术和大量的管道规模，频繁地对污水管网进行检查并不符合成本效益。因此准确地预测排水管网状况，能够指导从业人员，为相关部门和机构定制状况评估模型，通过优化检查时间和减少检查次数，节省成本，也可为市政当局提供决策标准，以制定修复策略。

影响地下排水管道破损的因素分为三组：物理因素、施工操作因素和环境因素。通常情况下，相关管理部门和市政当局能掌握足够的物理数据，但环境和操作因素的信息往往无法获得。而美国在2002年，排水管网密度平均在20～30 km/km2，是我国现状管网密度的2～3倍，基本实现了全国范围内管网全覆盖全收集的目标。美国排水管网的问题主要存在于破损管道的维护、修复、改造。近20年以来，美国将状态预测模型的开发利用作为排水管网领域的重点研究对象，对我国开展排水管网的检测修复有极高的参考价值。

排水管网预测模型种类众多，既有传统的统计模型，如马尔科夫链(Markov chain)和逻辑函数模型(Logistic regression)；也有一些人工智能模型，如神经元网络(Neural network)和机器学习(Machine learning)等。管网状况影响因素众多，除了管龄、管材、管长外，回填类型、垫层材料、土壤类型、水利条件等也得到了广泛的应用。

本文将总结2001～2019年美国在排水管网状况预测模型方面的研究进展，具体分析过去的研究中排水管网破损状况的影响因素、预测常用的模型方法以及相关研究的基本步骤，并将对我国在该领域未来的研究方向提出展望，以期能为后续研究所借鉴。

2 污水管网状况预测模型与方法

污水管网预测模型在方法上可以分为两大类：一类是回归分析统计模型，这类模型是以历史数据为基础，在传统管道物理因素的基础上，综合分析排水管网状况与其他环境和施工因素之间的关系，例如：垫层材料、街道类别、现有结构和运行状况等方面的内容。研究经过数据采集与编制、条件模型设计和结构发展模拟下水管道的运行恶化曲线。另一类是人工智能模型，分为人工给定分析特征的机器学习(Machine learning)和通过深度学习自动找出分类问题重要特征的深度学习(DeepLearning)及卷积神经网络元(CNN)，它从过去的数据中"学习"基础过程的模式，并将获得的"知识"(或输入和输出数据之间的数学关系)进行概括，以预测或分类给定问题域的一组新的输入变量的输出，适用于下水管道的缺陷分类、排水管的恶化原因分析和管理策略指导。表1中列出了使用不同统计和AI模型的下水道状况预测模型，显示了以往研究中用于开发污水管道状态预测模型的数据点数量和状态评级标准。

表1 污水管状况预测模型

2.1 统计模型

2.1.1 马尔科夫链模型

马尔科夫链模型通常用来描述一个随机过程，其中在未来的某一步跳入特定状态的概率只取决于当前步骤的状态(Micevski等，2002)。数学格式可以呈现，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，变量X在步骤t+1时处于状态it+1的概率仅有条件地取决于其在步骤t中的状态it.对于马尔科夫链模型，假设条件概率随时间的推移保持不变。对于任何变量X在步骤t时处于状态i中，在步骤t+1时转移到状态j的概率可以用公式(2)来表示：

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

(2)

其中pij为转移概率。如果目标马尔科夫链过程中存在多个状态(n个状态，其中n>1)，通常需要一个转移矩阵，如式(3)所示。

(3)

如果将初始状态定义为一个向量Q，经过n个步骤，则状态向量是：

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

马尔科夫链的基本特征是变量在某一时刻/某一位置的数据特征与上一时刻/为止的值有关，无记忆性，与历史数据无关。马尔科夫链模型已被广泛应用于各个工程领域(Lecchini-Visintini等，2010；Yang等，2005)。而在污水管道维护领域，马尔科夫链模型被广泛用于开发恶化模型，该模型可以模拟污水管道状况随时间的恶化(Baik等，2006；Micevski等，2002；Tran等，2008)。在以往的研究中，结论表明马尔科夫链模型可以有效模拟现实生活中的随机过程。从本质上讲，污水管道缺陷数据的生成是一个离散时间的随机过程，这是一个可以通过马尔科夫链模型有效解决的问题。

2.1.2 回归逻辑模型

回归分析模型主要包括以下几类：线性回归、二元逻辑回归、多元逻辑回归。其中，基于排水管网影响因素的复杂性，多元逻辑回归是最常用的回归分析模型，它用多项式的形式来反映影响因素和排水管网状态之间的关系。当因变量是二进制(0/1，True/False，Yes/No)时，应该使用逻辑回归。这里，Y的取值范围为[0,1]，它可以由下列等式来表示：

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。

回归分析是一种面向数据的技术，因为它直接处理所收集的数据，而不考虑其背后的过程。首先，选择合适的统计软件对采集到的数据进行预处理，预处理后的数据分为两部分：第一部分(如：20%)随机选取用于模型验证，其余数据用于模型开发。第二步，采用矩阵图检查变量之间的关联性，排除相关变量。通过最佳子集分析推荐的预测因子功能形式，基于不同材质管道开发多个回归模型(图1)。这些模型已经过验证，其平均有效性百分比在82%～86%之间(Fazal Chughtai和Tarek Zayed 2008)。

图1 污水管道状况预测的回归逻辑模型框架

2.1.3 小结

统计模型作为开发模拟模型的传统方法，其准确度很大程度上取决于影响因素的选择。理想的影响因素应当包含所有与排水网管状况恶化相关的独立变量。在实际研究中，往往只选择少量影响因素，主要是因为部分物理因素数据收集的成本很高，环境因素和运行操作数据由于其复杂性收集极为困难。所以，很难全面地模拟现实状况。所以，多元线性回归的准确度相对较低，因此研究者尝试使用人工神经网络来进行排水管网恶化状况的预测。

2.2 人工智能(AI)模型

近20年以来，美国关于排水管网CCTV视频自动缺陷识别的研究主要集中在对缺陷类型的分类上，即给定一个下水道管道的图像，开发算法对图像中可见的缺陷类型进行分类。这一任务通常是通过使用计算机视觉和图像处理技术来完成的，如随机森林算法、决策树、二元图像阈值和傅里叶变换(Moselhi和Shehab 2000)。然而最近几年，随着计算机深度学习(deep learning)的发展及深度神经网络上强大的泛化能力(即对未见数据的泛化能力)，美国学者研发出同时对缺陷进行分类和定位的缺陷检测方法，即先用二元卷积神经网络CNN识别缺陷类型，筛选出缺陷管段，再利用对象检测模型(YOLO、SSD、Faster R-CNN等)对缺陷进行定位。

2.2.1 基于深度学习的管道结构缺陷自动检测模型系统

该模型系统包括两个步骤，首先将大量下水道图像作为输入，并使用二元卷积神经网络(CNNs)来识别根部入侵、沉积物或裂缝的等缺陷的存在，筛选出存在缺陷的管段数据和具体缺陷类型。第二步中，上一步中筛选出的问题图像被对象检测器(YOLO、SSD、Faster R-CNN等)处理分类为裂缝的缺陷，以定位缺陷，微调对象检测器的参数，对不同类别的缺陷识别边界框位置，同时给出缺陷类别概率。

为了对所提出的系统的分类性能(即速度和准确度)进行基准测试，两个模型分别在CCTV图像上进行了测试。第一个测试包括在大量真实图像的数据集上对CNN分类器的分类精度和速度进行基准测试。第二项测试包括测量对象检测模型(YOLO、SSD、Faster R-CNN等)检测裂缝的准确性和速度。第二次测试中使用的图像与第一次测试中使用的裂缝图像相同，但带有边界框注解(提供位置信息)(图2)。

图2 基于深度学习的管道结构缺陷自动检测模型系统技术路线

应用该模型系统对CCTV管网数据进行缺陷识别大大节省了由传统人工识别缺陷的时间和人工成本，同时提升了识别的精准性，研究表明，利用5层卷积神经网络(CNNS)+对象缺陷检测模型(YOLO)，检测缺陷的精准性可达71%。

3 污水管网状况预测的影响因素

在使用管网预测模型对城市排水管网恶化状况进行预测时，需要事先对管网恶化的影响因素进行分析和筛选。影响因素过少会导致模型准确度低，而过多又会导致增长计算时间、缩小适用范围。确定影响污水管道恶化的因素非常重要，原因如下：第一，在状态评估过程中，数据收集是一个非常昂贵的过程，收集所有的管道信息并不是一个经济有效的方法。确定重要因素减少了管道数据库中所需要的数据数量，降低了数据收集成本。第二，当模型中使用重要因素时，可以达到较高的预测精度。第三，一般来说，影响污水管道恶化的因素可分为物理因素、环境因素和操作因素。表2列出了以往研究中预测污水管道状况最常用的因素或变量。

表2 影响污水管老化的因子

3.1 物理因素

3.1.1 管龄

管龄通常是指管道安装年限与检验日期之差。管道的老化从污水管道安装的那一刻就开始了，老化是管道老化最重要的因素之一(库兰迪维尔2004)。浴盆曲线是根据管道的年龄确定管道故障率的曲线图(Singh和Adachi 2013)。浴盆曲线包括3个不同的阶段，如图3所示。

图3 埋地管道的理论浴缸曲线(数据来自Singh和Adachi，2013)

在以往的研究中，大部分开发的状态预测模型都表明，管龄与污水管道的劣化有显著关系。Ariaratnam等指出，由于管道老化过程的后果，管龄会显著影响污水管道的恶化。Jeong等和Ana等也有类似的研究结果，并指出管道使用初期的劣化率较低，后期较高。Khan等明确指出，污水管道的劣化并不是在安装过程中就开始的，而是在一定时间后才会产生。Lubini和Fuamba证明，随着污水管道的老化，根部侵入增加，管道粗糙度逐渐增大。由于管道粗糙度与摩擦系数有直接关系，因此管道的水力性能将下降，管道老化的可能性增大。在Salman和Salem、Kabir等和Laakso等开发的预测模型中发现管龄具有显著性。

3.1.2 管材

不同材料建造的污水管道对土壤类型、地下水位等环境因素有不同的反应(Salman 2010)。例如，混凝土管具有很强的耐磨性，粘土管对酸的作用非常好。塑料管，如聚氯乙烯(PVC)或高密度聚乙烯(HDPE)，可抵抗酸碱废物；但在负荷下会发生过度变形(Singh和Adachi，2013)。在开发状态预测模型的过程中，可以将管道材料作为一个独立变量，模型的结果可以揭示这个变量是否显著。

Davies等发现管道材料是一个显著的变量，污水管道的劣化与管道材料有直接关系。Micevski等根据其马尔科夫模型的结果指出，混凝土管比粘土管更坚固耐用。Ana等人指出，混凝土管在模型中表现出比砖管和粘土管更好的行为。管道老化行为差异的一个可能的原因是由于管道的生产程序。混凝土管道通常是在可控的环境下异地施工，因此质量和完整性较高；但砖砌管道通常是在原地施工，环境条件不同，工艺不良会影响质量。

在Lubini和Fuamba开发的模型中，管道材料也有显著影响。他们发现，与其他管道相比，钢筋混凝土管道的抗老化能力最强，因为钢筋使导管的强度足以防止结构老化。Bakry等在其模型中证明了陶土管比石棉水泥管和钢筋混凝土管表现更好。在Laakso等人开发的预测模型中，混凝土和高密度聚乙烯管有显著差异。在他们的研究中，对管道材料不同行为的一个可能解释是，某些批次的高密度聚乙烯管道的质量存在缺陷。

相反，Jeong等指出，管道材料在其研究中不是一个显著的变量(指出这可能是由于他们使用较少的数据来开发预测模型)，等级不平衡也是如此。一般来说，如果针对不同的管道材料分别生成模型，可以预测出更好的管道行为。

3.1.3 管径

众多研究调查了下水道尺寸与管道恶化之间的关系，结果是矛盾的。一些状况预测模型发现，下水道劣化率随着管径的增大而降低，而另一些研究发现，管径越小的管道行为越好，故障越少。在一些预测模型中发现，管径是影响污水管道劣化的重要因素。Ariaratnam等表示，在他们的模型中，当直径增大时，管道处于劣化状态的可能性较大。Davies等发现，随着直径的增大，刚性污水管道处于不良状态的风险显著降低，大的污水管道比小的污水管道风险低；他们解释说，原因可能是刚性污水管道的结构设计受限于管道的横截面和所经历的环向或挤压应力。

Micevski等发现，小管道的劣化程度比大管道大。一个可能的解释是，管道设计者低估了小型管道所需的覆盖深度和荷载流量。Tran等指出，较大的管道通常埋得较深，并且使用更合适的设计和施工人员来安装，因此，根据所开发的预测模型的结果，较大直径的管道更耐老化。

Lubini和Fuamba确定，在导管中出现障碍物的情况下，直径较大的管段仍能输送废水，而直径较小的管段则更容易因水力流量损失而恶化。Salman和Salem和Bakry等人也得到了同样的结果，在他们的预测模型中，较大的管道比较小的管道表现更好，恶化率更低。

相反，Jeong等指出，较大的管道更容易恶化，因为它们有更多的表面积暴露在污水和周围土壤区域。较大的管道更容易损坏，因为它们很笨重，而且很难准确安装。Laakso等确定，由于在设计和安装阶段进行了更仔细的监督，直径为30 cm和150 cm(12和60英寸)的管道状况较好。

Tran等和Ana等发现，在他们的模型中，管道直径不是一个显著的变量；然而，他们证明了较大的管道通常埋得很深，具有较低的恶化率。

3.1.4 管长

实际上，在所有的污水管道清查中，管道的长度都是以多个管段的人孔到人孔长度的管段来记录的。通常情况下，较长的人孔到人孔的污水管段具有较高的劣化率，因为较长的管道发生缺陷的概率较大。然而，在以往的研究中，发现管道长度对劣化率的影响存在双重行为。

Davies等指出，当单个管段较长[超过1.5 m(5英尺)]时，管道处于不良状态的风险下降。管道接头是管道中渗透的主要来源，这是因为土壤移动到下水道中，缺乏支撑，导致结构不稳定。单个管段较长，意味着每条人孔到人孔长度的污水管道(管段)的接头数量减少，从而也降低了渗透和接头缺陷的风险。Jeong等指出，较长的污水管道管段比较短的管段更不容易老化。他们使用了一个包括大尺寸管道的数据集，一个可能的解释是，较大的管道不太可能发生堵塞，因此污水可以更容易地输送。

Ana等解释说，当污水管道人孔到人孔段较长时，管道恶化的风险会增加，这可能是因为较长的管道有更多的接头，而接头特别容易发生故障。接头缺陷是下水道系统中常见的一种，它们会增加失效的概率。此外，较长的管道更容易发生堵塞和沉积物的沉积，这有利于污水管道的恶化。Khan等发现管道的状况在管道长度变化方面存在双重行为，即小于70 m(230英尺)的管段对污水管道的状况没有影响，而长于70 m(230英尺)的管段由于端部接头的密度增加了恶化的速度，而端部接头是断裂、渗透和外渗的来源。

Salman和Salem认为，在污水管网中，较长的管道表现更好，因为随着管道长度的增加，暴露于恶化因素的程度也会增加。

Laaksoetal发现，长于40 m(131英尺)的污水管道比管网中的其他管道恶化得更快，这可以解释为长管道中潜在的缺陷和弯曲应力更高。此外，侧向连接也是潜在的原因。结构破坏，较长的管道有更多的横向连接。

3.1.5 管道埋深

必须考虑土壤类型、地下水位、管道材料、管径和规定等几个因素，确定污水管道的合适深度。在不同的预测模型中，研究深度对污水管道劣化影响的结果是相互矛盾的。Khan等指出，在其预测模型中，管道埋深是一个重要的变量，深度的增加对污水管道状况水平有负向影响。这种行为的合理性原因可能是较深的管道上方有更大的负荷，遇到地下水位的概率更高。相反，在Davies等开发的预测模型中，管道深度不是一个显著的变量。这并不是说单独考虑下水道深度就不会影响管道的劣化，但在基于管道数据集特征的数据分析中，管道深度与下水道管道的状况水平并不一定有直接关系。Tran等和Ana等也报告称，管道深度在其预测模型中不是一个重要因素。一般来说，埋藏较浅的管道会因表面荷载、非法连接和树根侵入而出现更多的缺陷和更高的劣化率。此外，管道上方更多的覆盖深度会降低道路交通和道路维护/施工活动等地表因素的影响。

Salman和Salem也有同样的发现。在他们的模型中使用的8个自变量中，管道深度是模型中唯一不显著的变量。Laakso等在研究中证明，安装深度在1.8～3 m(6到10英尺)之间与恶劣的状况水平相关，由于冬季霜冻条件，他们建议最小深度为1.5 m(5英尺)。

3.1.6 管道坡度

污水管道的坡度较平，因此废水在管道内停留的时间较长。废水在污水管道内停留的时间越长，污水管道内越容易产生硫化氢气体。硫化氢可以转化为硫酸，而硫酸会攻击水泥基管道，如混凝土和砂浆，并增加污水管道内部的腐蚀速度(Ana等人，2009；Ayoub等人，2004)。同样，Baur和Herz指出，沉积物沉积和堵塞更多发生在坡度较平的管道中，这些管道恶化的风险更高。

Jeong等指出，当管道坡度较陡时，下水道段发生恶化的概率较高。根据本研究结果，较快的流速和较低的稳定性是导致较高劣化率的可能原因。Tran等也有类似的研究结果，并提出坡度较陡的管道更容易因土壤中的空隙、土壤移动和管道接头缺陷而产生缺陷。Salman和Salem开发的预测模型揭示了管道坡度的重要性，根据他们的结果，坡度较陡的管道更容易因稳定性问题和高流速而恶化。Laakso等根据其预测模型的结果，确定负坡和极低坡是对污水管道危害最大的条件。负坡和极低的坡度会导致冲洗不充分，从而导致杂物堆积和堵塞。综上所述，管道坡度是一个不显著的变量。

3.1.7 管道类型

污水管道可分为独立的卫生管道、雨污水管道系统和合流制污水管道系统。在合流制下水道系统中，一根管道用于将生活、商业和工业废水以及雨水输送到选定的处理地点。分离式卫生污水管和雨水污水管系统的概念是将雨水和卫生污水分开管理。在这种方法中，使用两个独立的管道将生活、商业和工业废水，以及雨水输送到选定的处置地点。

O’Reilly等发现，合流制污水系统的恶化率高于卫生污水系统。他们认为，一般情况下，合流制污水系统比独立系统安装较浅，合流制系统的流量波动较大。Davies等和Baur和Herz的研究表明，合流制下水道的恶化率较低，因为这些系统类型在建设过程中经历了更多的规划和工程努力。Ariaratnam等表明，废水类型是一个重要的变量，并且发现卫生下水道对管道缺陷的影响最大，其次是暴雨，然后是合流制下水道系统。

Salman和Salem称，卫生级污水管道比合流制污水管道更耐老化。这一结果可以解释为，由于降雨事件中的高流速，联合下水道的土壤流失、渗透和外渗的可能性更高。

3.1.8 污水管上的负荷

很明显，污水管道会受到来自地表的荷载影响。污水管道上方地表的土地使用和交通会影响到管道所承受的地表负荷的大小。测量或估计表面荷载的大小或频率是非常困难的，因为它们随时间而变化(Kley和Caradot 2013)。污水管道可以承受大的一次性荷载，如地表施工、地面公用设施建设、滑坡和地震，也可以承受小的周期性荷载，每小时、每天或季节性的频率，如公交车站、交通和维护活动(Ashoori等，2017)。

需要提及的是，少数研究调查了道路类型对污水管道劣化的影响。Davies等确定位于农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处于不良状态的风险要低得多。造成这种差异的主要原因可能是城市地区的管道受较重的交通负荷影响较大。根据Tran等生成的预测模型结果，也发现管道位置具有显著性，他们的研究发现，管道的位置决定了覆土深度，当覆土面积较大时，由于管道的荷载较小，结构劣化程度可能较低。

Salman和Salem证明，与位于花园或任何类型的道路下的管段相比，当地街道和小巷下的管段恶化的可能性较小，可能的原因是安装在道路下的管道采用了更好的设计和安装方法。Bakry等指出，当污水管道位于工业区下时，污水管道的劣化程度较大，而位于住宅区下时，劣化程度较低。很明显，工业区内的污水管道所承载的污水具有不同的特性，会导致更快的恶化。相反，Tran等人表示，管道位置在其预测模型中不是一个重要的变量。任何关键环境的影响，如海岸线和工业区，都不足以被视为影响变量。Ana等也取得了类似的结果，这意味着在他们的模型中，轻度交通和主干道下的下水道的恶化率没有显著差异。

3.2 环境因素

3.2.1 土壤类型

土壤类型是影响地面损失和污水管道稳定性的重要因素。例如，当土壤受到压力时，由于不同的膨胀或收缩因素，它可能会有不同的表现(Davies等人，2001)。不同类型的土壤与管道材料、地下水和其他管道属性或环境因素有不同的反应(Kaushal和Guleria，2015)。Davies等对土壤的断裂进行了研究，结果表明，埋设在具有极高断裂潜力的土壤中的下水道，其抗劣化和失效能力显著提高。通常情况下，在粘性土中，断裂的可能性非常大。Wirahadikusumah等指出，周围土壤是影响污水管道劣化的重要因素。根据该研究，下水道缺陷大小、水力条件和土壤性质是影响地面损失率的主要因素。当污水管道周围的土壤支撑发生损失时，污水管道可以移动。地面或土壤支撑的损失会导致管道周围形成空隙，因此，在这种情况下，污水管道更容易塌陷或变形。根据Micevski等的Markov模型结果，土壤类型也被发现是一个显著的变量。该研究表明，冲积土中的管道比荚土中的管道恶化得更快。冲积土是从盐碱环境中沉积下来的，具有更强的腐蚀性，而荚膜土是通过岩石风化形成的。土壤类型的显著性水平可能使这些土壤类型形成不同的结果。相反，在Laakso等开发的预测模型中，土壤类型并不显著；在本研究中，他们的数据集中土壤数据的质量不够充分，需要更多的研究来评估土壤类型对于污水管道的恶化。

3.2.2 地下水位

地下水是指地表下的水。污水管道处或上方有地下水，可能会导致污水渗透到管道中，增加结构缺陷，形成空隙，失去污水管道的支撑。在粘性土壤中，提高地下水位可能会导致土壤粘性强度降低，管道周围的空隙会增加。因此，支撑土壤很容易被冲刷(流失)，管道在这种情况下更容易坍塌。通常情况下，位于地下水位较高地区的下水道比位于地下水位低于下水道水平的地区的下水道更容易发生故障。

Davies等指出，管道周围有地下水会导致土壤失去支撑，出现渗透缺陷。此外，管道周围形成空洞和缺乏适当的支撑，导致下水道结构问题。粘性土壤的周期性地下水位可能导致土壤强度降低，土壤有可能被冲入下水道。

Malek Mohammadi等根据为坦帕市开发的预测模型发现，地下水位是一个重要的变量。研究显示，地下水增加了管道的负荷量和土壤移动和渗透的风险。通常情况下，地下水位在管道清单中是无法获得的，它在很少的预测模型中被用作决定性变量。需要更多的研究来评估地下水位对卫生污水管道状况的影响。

3.3 操作因素

通常情况下，机构和市政当局有足够的物理数据，部分环境因素也能通过专业的研究探测手段获得数据，但操作因素的实时数据往往无法获得。

4 污水管网状况预测的研究步骤

4.1 区域规模的选择

条件预测模型的有效性取决于收集数据的质量的选择。通常，研究的区域规模会选在某个城市或者相邻的几个城市。一方面，研究所需的数据往往来自水务管理和统计部门，而这些部门通常以城市为单位进行统计；另一方面，不同地区的排水管道运行状况存在较大差异，这导致跨区域的预测十分困难。当研究区域规模进一步扩大到区省、国家时，研究者们同样可以方便地从有关部门获取统计数据，但此时由于区域差异性，模型的准确度通常会降低。

4.2 输入变量的选择

无论是统计模型和人工智能模型，对于输入变量的筛选，除了分析输入变量的类型和数量外，还研究了各变量的显著性水平。大部分的状况预测研究都计算了变量的显著性水平。统计学上的显著性说明了一个变量影响污水管道状况的可能性或不可能性。根据管道的地理环境特征，剔除显著性水平较低的变量。除此之外，需计算任意两个变量之间的相关性系数，剔除其中与垃圾产生相关性较小或者与其他变量相关性过大的变量。图4中“重要”的变量用黑圈表示，“不重要”的变量用白圈表示，那些缺乏任何显著性水平信息的变量用三角表示为“未指定”。

图4 下水道状况预测模型中包含的变量(●：重要，○ ：不重要，▲：不确定)

4.3 状态评级方法的选择

污水管道的状况一般是通过状况评估形成的过程来规定的。结构状况和运行状况是两种常见的管道状况类别(Chughtai和Zayed，2008)。结构状况评估管道缺陷、管道的物理强度以及管道抵抗外部载荷的能力。运行状况表示管道满足其服务要求的能力。结构状况的结果可用于确定管道修复或更换的必要性，而管道的运行状况则表明需要进行清洁和维护(Opila，2011年)。不同国家已经开发了许多方法来对埋地污水管道的状况进行评分，如英国的WRc、美国的Pipeline Assessment Certification Program(PACP)，以及加拿大国家研究委员会(NRC)和澳大利亚水务协会(WSAA)的方法(Moteleb 2010)，这几类污水管道状况分类系统被全世界的下水道修复行业所接纳，并且各分类系统之间可以实现相互转换。

5 结论与展望

本文将排水管道状况预测模型按方法分为统计模型和人工智能模型两类，传统统计模型的准确度很大程度上取决于影响因素的选择，理想的影响因素应当包含所有与排水网管状况恶化相关的独立变量。然而在实际研究中，往往只是人为选择了少量较为重要的影响因素，而人工智能模型在变量选择上依赖机器自主学习，相较传统统计模型更能精准全面地提升模型预测效果。总体而言，随着研究的不断深入，模型预测的准确度和适用范围在不断提高，但仍存在以下问题需要解决。

(1)传统市政或者公用事业公司常规收集的数据研究许多变量对污水管道状况的影响是非常困难的。基于此，如何采用更多智能数据采集系统来编制相应的污水管道数据库，并实现云平台共享数据。

(2)如何有效地将回填类型、地面运动、土壤断裂潜力等环境因素和水利条件、沉积物水平、下水道类型等操作因素的影响进行量化分析。

(3)基于机器学习和深度学习算法性能的快速更新，如何实时进一步调查评估新算法，并应用于条件预测模型的发展。