Page 71 - 水利学报2025年第56卷第4期

测方法等由于技术限制、成本问题，在实际应用中效果有限，尤其是在大规模自压灌溉系统中，这些
方法难以奏效。
近年来，将机器学习和元启发式优化算法结合到模型中来预测输水管道泄漏已成为相关领域研究
［9］
热点之一 ［7-8］ 。王俊岭等 通过搭建城市管网水力模型，构建了基于 BP 神经网络的漏点定位模型，实
现了供水管网漏点的快速定位，预测泄漏位置横、纵坐标的平均相对误差分别为 4.16% 和 1.40%。
Oladele 等 ［10］ 使用实验室管网和 EPANET 模拟的压力与流量数据训练人工神经网络进行泄漏定位，发现
压力相较流量对泄漏检测更为敏感，且模型定位准确度达到 96.89%。卓美燕等 ［11］ 利用 EPANET 软件对
海底管道进行建模，利用 BP 神经网络和改进的支持向量机模型预测泄漏位置，并通过实例验证了模
型的准确性。Mashford 等 ［12］ 提出了一种使用支持向量机分析监测压力值的方法，利用 EPANET 水力建
模获得的数据进行训练和测试，可以有效预测泄漏位置。冉雨晴等 ［13］ 提出了一种遗传算法优化 BP 神
经网络的管网泄漏定位模型，与传统 BP 神经网络比较，收敛速度和预测精度均更优。
目前，基于机器学习的管网泄漏定位研究主要集中在城市供水管网。由于管网结构、运行方式和工
作环境等的不同，城市供水管网泄漏定位方法难以直接用于自压灌溉管网。基于自压灌溉管网独特运作
模式和管网结构特征，将机器学习与水力模型结合实现自压灌溉管网的泄漏定位有着广阔前景。反向传
播 （Back Propagation，BP） 神经网络通过处理复杂的非线性关系，能够高精度的预测管网的泄漏情况，
但 BP 神经网络在训练过程中容易出现收敛速度慢及容易陷入局部最优等问题，导致模型性能不能达到
最优 ［14］ 。为了克服这些局限并进一步提升模型的性能，需要研究自压灌溉管网在不同泄漏工况下的压力
变化，合理规划压力监测点布局，并针对性的通过智能优化算法对模型进行优化，实现自压灌溉管网泄
漏的精准定位。麻雀搜索算法（Sparrow Search Algorithm，SSA）作为一种新兴的群体智能优化算法，具有
优秀的全局搜索能力和较高的鲁棒性及适应性，使其在应对复杂的非线性问题时表现出色，基于麻雀算
法优化的 BP 神经网络（SSA-BP）不仅提升了模型的收敛速度，还有效规避了陷入局部最优解的风险，增
强了预测的精确性和稳定性，在实际应用中表现更为稳定可靠。目前 SSA-BP已广泛应用于植物茎秆水分
预测、农业气象灾害预测等领域 ［15-17］ ，展现出巨大的应用潜力和优势。将 SSA-BP 应用于自压管灌工程的
泄漏定位，不仅有望提高管道泄漏监测的效率和精度，还将为自压灌溉管网管理提供有力的技术支持。
本文通过搭建自压灌溉管网水力模型进行泄漏模拟，分析不同泄漏位置及不同泄漏工况下的管网
压力变化，研究水压监测点压力变化率和泄漏点位置之间的非线性关系，采用麻雀搜索算法优化反向
传播神经网络，将其应用于自压灌溉管网泄漏定位，建立基于 SSA-BP 的泄漏定位模型。通过与传统
的 BP 神经网络、遗传算法优化 BP 神经网络（Genetic Algorithm-Back Propagation，GA-BP）对比分析，
验证 SSA-BP 神经网络在自压灌溉管网泄漏定位方面的可行性和高效性。

2 研究方法

为了更有效地进行自压灌溉管网泄漏定位研究，利用 EPANET 软件建立一个高精度的自压灌溉管
网微观水力学模型并进行泄漏模拟。当管网出现泄漏时，监测到的节点压力波动数据可用于预测和分
析管网泄漏信息 ［18-19］ 。利用 BP 神经网络训练，建立泄漏点位置和监测点压力变化率之间的非线性关
系，从而搭建泄漏定位模型。
2.1 自压灌溉管网泄漏模型
2.1.1 EPANET 软件 EPANET 软件是由美国环境保护局开发的一款管网水力模拟软件，能够动态模
拟管网中的水流情况，常用于模拟分析输配水管网泄漏情况 ［20］ 。使用 EPANET 进行管网泄漏定位时，
导入真实管网的坐标，保证了水力模型与实际物理管网的空间对应一致性。
2.1.2 泄漏模拟 扩散器是水力模型中的节点类别之一，可以模拟与节点相连的管道泄漏。本文基于
EPANET 自带的扩散器模型来模拟管网系统发生泄漏，通过扩散器的流量与该节点压力的关系如下：
q = CP γ （1）

— 489 —