[论文解读] The impact of sensor placement on graph-neural-network-based leakage detection

J. J. H. van Gemert, V. Breschi+3 more|arXiv (Cornell University)|Mar 25, 2026

Water Systems and Optimization被引用 0

一句话总结

本文提出基于PageRank中心性的传感器布置方法，用于水分布网的传感器放置，并证明该拓扑驱动的布置在ChebNet的压强重构、单步预测和泄漏检测方面相较任意传感器布局在EPANET Net1上具有改进。

ABSTRACT

Sensor placement for leakage detection in water distribution networks is an important and practical challenge for water utilities. Recent work has shown that graph neural networks can estimate and predict pressures and detect leaks, but their performance strongly depends on the available sensor measurements and configurations. In this paper, we investigate how sensor placement influences the performance of GNN-based leakage detection. We propose a novel PageRank-Centrality-based sensor placement method and demonstrate that it substantially impacts reconstruction, prediction, and leakage detection on the EPANET Net1.

研究动机与目标

• 强调水分布网中传感器布置对泄漏检测的重要性。
• 提出一个可扩展的、基于PageRank中心性的、应用于WDN拓扑的传感器布置方法（无需模型）。
• 将PageRank为基础的传感器布置与ChebNet重构器–预测器框架结合，以评估重构、预测和泄漏检测性能。
• 在EPANET Net1基准上评估该方法，并与任意传感器配置进行比较。
• 分析传感器布置如何影响重构精度、预测性能及基于残差的泄漏检测。

提出的方法

• 使用WDN的接头邻接矩阵A和阻尼因子alpha，定义基于PageRank中心性的传感器布置算法。
• 在归一化并缩放后的拉普拉斯矩阵上应用Chebyshev谱GNN（ChebNet），从稀疏传感测量中进行压强重构并预测一次步压强。
• 训练重构器将稀疏测量映射到全压强，预测器将过去的稀疏测量映射到下一步压强；以均方误差目标进行优化。
• 计算节点残差r_n(t)=x_r(t)-x_p(t)并投影到边以获得r_e(t)，通过滚动平均阈值法进行泄漏检测。
• 确保一致的图构造，使基于PageRank的传感器布置与ChebNet卷积共享相同的邻接矩阵，以实现信息传播的一致性。

实验结果

研究问题

• RQ1 PageRank中心性为基础的传感器布置如何影响GNN框架中的压强重构精度？
• RQ2 与任意传感器布局相比，它对一次步压强预测的性能有何影响？
• RQ3 传感器布置对基于残差的泄漏检测的可靠性和误报行为有何影响？
• RQ4 将PageRank布置与ChebNet拓扑对齐是否提高了EPANET Net1上的整体泄漏检测性能？
• RQ5 对于更大规模网络，方法在实际应用中的可扩展性有何影响？

主要发现

• 基于PageRank中心性的传感器布置在重构器和预测器的验证误差上均优于任意布置（重构器PageRank: 0.1358 vs. 4.407；预测器PageRank: 0.6831 vs. 3.582）。
• 使用PageRank布置时，重构器残差更小、分布更集中，指示重构精度提高；预测器残差由于一次步前动态性仍偏高。
• 在泄漏情形下，基于PageRank的布置能更早且持续地发出警报，且在泄漏发生前误报更少且更短。
• 未被感知的接头在PageRank布置下同样表现出改进的残差行为，支持拓扑信息驱动的传感器布置的优势。
• 训练曲线显示PageRank为基础的设置在重构器和预测器模型中均收敛更快、损失更低。