香港理工大學領域的團隊開發了一套結合人工智能及物聯網的多層級模型，以建構更具成本效益的智能污水管理系統，不但可預測泄漏嚴重程度、鎖定易滲漏區域，更可監測和預測高風險地區的溢流。相關研究已發表於《隧道與地下空間技術》及《可持續性》。

論文：

• https://www.sciencedirect.com/science/article/abs/pii/S0886779823005527
• https://www.mdpi.com/2071-1050/14/21/14036

研究成果

業界現時普遍使用閉路電視檢查管道狀況，但此方法主要依賴專業人員的經驗，成本高昂且耗時。

理大建築及房地產學系教授 Tarek Zayed 教授帶領團隊，利用深度學習算法，精準分析污水管道狀況，識別老化及受損部分，以便規劃不同區域的檢查優次。此系統的核心部分包括「泄漏嚴重程度指數」（Exfiltration Severity Index，ESI），用來量化及模擬個別管道層級的泄漏嚴重程度。基於此指數，人工智能模型會綜合考慮管道特性、氣候條件及環境影響等多項因素，繼而預測泄漏的可能性及嚴重程度。

研究顯示，該系統在評估嚴重程度方面的準確率達 85%。透過優化保養日程，此模型將營運效率提高了 50% 至 60%，並減少了 30% 至 40% 的緊急維修工作，而渠道的整體檢查及保養時間則減少約 25% 至 30%。

深度學習算法輔助閉路電視監測

團隊又與香港渠務署合作，在九龍區的排水網絡安裝水位感測器，應用物聯網技術，識別及監測曾出現堵塞問題的管段，加以重點清理。結果顯示，此技術提升了 85% 的整體效能。受監測區域的緊急溢流事件成功減少了 70% 至 75%。

團隊安裝的水位感測器

研究團隊

發表於《隧道與地下空間技術》的論文，第一作者為理大的 Shihui Ma，共同通訊作者為 Tarek ZAYED 教授、理大／開羅大學的 Eslam Ali。

發表於《可持續性》的論文，第一作者為理大的 Alshami，通訊作者為曼徹斯特大學的 Saeed Reza Mohandes。

來源：香港理工大學

如欲知道更多教科相關消息，請留意京港 Facebook 專頁：https://www.facebook.com/BHKAEC