ترجمه فارسی مقاله شبکه‌های عصبی گراف مبتنی بر الگوریتم برای تشخیص و مکان‌یابی نشت در شبکه‌های توزیع آب

چکیده

Detecting and localizing leakages is a significant challenge for the efficient and sustainable management of water distribution networks (WDN). Leveraging the inherent graph structure of WDNs, recent approaches have used graph-based data-driven methods. However, these methods often learn shortcuts that work well with in-distribution data but fail to generalize to out-of-distribution data. To address this limitation and inspired by the perfect generalization ability of classical algorithms, we propose an algorithm-informed graph neural network (AIGNN). Recognizing that WDNs function as flow networks, incorporating max-flow information can be beneficial for inferring pressures. In the proposed framework, we first train AIGNN to emulate the Ford-Fulkerson algorithm for solving max-flow problems. This algorithmic knowledge is then transferred to address the pressure estimation problem in WDNs. Two AIGNNs are deployed, one to reconstruct pressure based on the current measurements, and another to predict pressure based on previous measurements. Leakages are detected and localized by comparing the outputs of the reconstructor and the predictor. By pretraining AIGNNs to reason like algorithms, they are expected to extract more task-relevant and generalizable features. Experimental results demonstrate that the proposed algorithm-informed approach achieves superior results with better generalization ability compared to GNNs that do not incorporate algorithmic knowledge.

چکیده به فارسی (ترجمه ماشینی)

تشخیص و بومی سازی نشت یک چالش مهم برای مدیریت کارآمد و پایدار شبکه های توزیع آب (WDN) است.با استفاده از ساختار نمودار ذاتی WDN ، رویکردهای اخیر از روشهای مبتنی بر داده مبتنی بر نمودار استفاده کرده اند.با این حال ، این روش ها اغلب میانبرهایی را یاد می گیرند که با داده های توزیع به خوبی کار می کنند اما نمی توانند به داده های خارج از توزیع تعمیم دهند.برای پرداختن به این محدودیت و با الهام از توانایی کلی سازی کامل الگوریتم های کلاسیک ، ما یک شبکه عصبی نمودار آگاه از الگوریتم (AIGNN) پیشنهاد می کنیم.تشخیص اینکه WDN ها به عنوان شبکه های جریان عمل می کنند ، شامل اطلاعات حداکثر جریان می تواند برای استنباط فشارهای مفید باشد.در چارچوب پیشنهادی ، ابتدا Aignn را آموزش می دهیم تا از الگوریتم فورد-فلفسون برای حل مشکلات حداکثر جریان تقلید کنیم.این دانش الگوریتمی سپس برای رفع مشکل تخمین فشار در WDNS منتقل می شود.دو Aignns مستقر شده اند ، یکی برای بازسازی فشار بر اساس اندازه گیری های فعلی و دیگری برای پیش بینی فشار بر اساس اندازه گیری های قبلی.با مقایسه خروجی های بازسازی کننده و پیش بینی کننده ، نشت شناسایی و بومی سازی می شود.با پیش بینی Aignns به استدلال مانند الگوریتم ها ، از آنها انتظار می رود ویژگی های مربوط به کار و قابل تعمیم بیشتری را استخراج کنند.نتایج تجربی نشان می دهد که رویکرد آگاهانه الگوریتم پیشنهادی با توانایی کلی سازی بهتر در مقایسه با GNN هایی که دانش الگوریتمی را در بر نمی گیرند ، به نتایج برتر می رسد.