《Cambridge Prisms: Water》：Accelerating Water Distribution Systems Planning and Design with Generative Artificial Intelligence Models
编辑推荐：
本刊推荐：为应对快速城市化背景下给水管网系统(WDS)规划面临的效率瓶颈，研究人员开发了集成生成式人工智能(Gen AI)与水力模型的新型AI代理。该工具通过自然语言交互自动执行水力模拟、性能评估和管网扩容方案生成，实证表明可显著提升土地开发申请的处理效率，为水务部门实现标准化、可扩展的智慧规划提供了技术突破。
随着全球城市化进程加速，住房可负担性成为可持续发展的重要挑战。然而新住宅区的及时交付往往受限于水电等基础设施的升级需求。对水务公司而言，应对增长需要进行密集的水力分析，以评估给水管网系统(Water Distribution Systems, WDS)容量、识别升级需求并规划系统扩展。这一过程在高增长环境下变得尤为复杂，需要快速处理大量不确定性场景，给有限的人力资源带来巨大压力。
传统WDS规划主要依赖稳态水力模型，这类基于质量守恒和能量守恒原理的物理模型能够相对准确地模拟管网中的流量与压力状态。常见的建模工具包括EPANET和Water Network Tool for Resilience(WNTR)。规划类型可分为侧重于长期规划的主规划、短期考虑的资本规划以及应对开发商请求的土地开发项目。其中土地开发评估最具挑战性，规划工程师需要手动配置多场景、执行水力模拟并解读结果，这种人工操作模式难以保证效率与一致性。
尽管人工智能和机器学习在WDS建模领域逐渐受到关注，如图神经网络(GNN)在泵速估计、压力预测等方面的应用，但这些方法在处理真实管网中复杂的运行组件（如增压泵站、减压阀等）时仍面临挑战。生成式人工智能(Gen AI)特别是大语言模型(Large Language Model, LLM)的出现，为改变这一现状提供了新思路。LLM能够通过自然语言与复杂系统进行直观交互，但其在专业领域的准确性和可靠性仍存疑虑，且水务行业对数据安全的严格要求限制了第三方LLM的直接应用。
为此，研究人员提出了一种创新的水力AI代理框架，将Gen AI与水力模型深度融合。该框架包含四个核心组件：用户界面、LLM推理引擎、预定义函数库和公用事业数据库。与生成未经验证功能的公共Gen AI工具不同，该方法依赖于根据水务公司设计标准和服务准则开发的内部水力函数库，所有模型计算均在安全系统内完成，既保护了敏感数据，又利用了LLM的函数调用和推理规划能力。
关键技术方法包括：1）基于OpenAI的gpt-4o-mini模块构建LLM交互核心；2）利用WNTR Python包作为水力模拟引擎；3）开发包括run_simulation()、add_demand_to_existing_node()等专用函数库；4）通过函数调用机制实现自然语言指令到水力分析流程的自动转换。
案例研究一：土地开发申请评估
通过模拟真实案例验证AI代理效能。当用户提出“在节点15064增加需求”的请求时，AI代理能自动识别信息缺失并索要需求数据。获得20 L/s的需求量后，代理依次执行需求添加、水力模拟、性能评估等步骤。应用的水力标准包括：最小服务压力≥20 m、最大管道流速≤2.5 m/s，且新需求导致的压力降不得超过基准场景最小压力的10%。代理成功识别出12个节点超出压力降阈值，绘制了基准与未来场景的水力坡度线(Hydraulic Grade Line, HGL)对比图，并准确提出将196米DN100管道升级为DN150的扩容方案，与水力工程师独立评估结果高度一致。
案例研究二：现场数据处理能力
代理展示了处理现场数据的能力，能够根据指定压力记录仪编号和时间范围下载数据，并在对应节点进行现场数据与模拟结果的对比分析。代理不仅能检索保存数据至指定位置，还能生成可视化和统计对比结果，包括偏差值计算等。
研究结论表明，生成式AI在WDS规划设计中具有变革潜力，能够实现水力模拟和性能评估的自动化。这种方法不是要取代人类专业知识，而是作为辅助工具节省时间、提高工作效率一致性，使工程师能专注于更高层次的决策。函数调用机制显著增强了大语言模型的能力，使其能够与外部工具和数据源交互，输出复杂准确的结果，并适应水务公司的标准。
与依赖统计特征或历史数据模式的其他AI方法不同，该方法的有效性取决于用户定义函数的开发质量，这些函数需要领域专业知识来确保分析准确性。虽然本研究展示了生成式AI在WDS应用中的部分潜力，但大规模应用的效益量化、局限性分析以及多场景决策优化等方面仍需进一步探索。该研究为水务部门在快速城市化背景下实现高效、标准化的基础设施规划提供了突破性解决方案。
