工程9（2022）35研究高等水科学与技术数字水的发展以及从汽车和飞机工业Dragan Savic `a，b，caKWR水研究所，Nieuwegein 3430 BB，荷兰b英国埃克塞特大学工程、数学和物理科学学院，埃克塞特EX4 4QFc国立大学工程与建筑环境学院，Bangi 43600，马来西亚阿提奇莱因福奥文章历史记录：收到2021年2021年4月5日修订2021年5月19日接受2021年7月23日在线提供关键词：数字化自动化水务行业潜在风险教训A B S T R A C T提供水和环境卫生服务是全世界面临的一项关键挑战。提供此类服务的水和废水基础设施的规模、复杂性和关键性使得这些系统的规划和管理极其困难。随着我们生活中许多领域的数字革命，水务部门已经开始从数字化转型中受益。有效利用遥感天气和土壤湿度数据，提高灌溉效率（即，这些技术包括：利用人工智能更好地检测管网中的异常和故障;利用自然启发的优化来改进系统的管理和规划;更多地使用数字孪生模型和机器人技术，所有这些都显示出改变和改进复杂水系统管理方式的巨大潜力。然而，这些发展也带来了额外的风险，包括但不限于网络安全、不正确的使用以及对数字解决方案和自动化的能力和准确性的过度自信。本文确定了数字技术在水务领域的关键进展，并将取证工程原理应用于自动化和数字化转型进一步推进的通过确定可能导致汽车和飞机行业高调事故的新数字技术的问题（例如，特斯拉自动驾驶汽车和波音737 MAX），有可能识别水领域的类似风险，从中学习，并防止未来的失败。主要发现表明：①自动化将需要“人在回路中”; ②人类操作员必须充分了解该技术并接受培训以使用它; ③在技术故障的情况下应提供后备手动干预;虽然冗余传感器可能成本高昂，但它们可以降低由于传感器读数错误而导致的风险;必须考虑网络安全风险;鉴于供水系统的自动化和互联性日益提高，这些研究结果还指出了与水行业数字化转型相关的主要研究领域©2021 THE CONDITOR.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。1. 介绍世界各地的社会都依赖于复杂的系统来提供基本的商品和服务，从水、食品和能源到卫生、交通和通信。这些商品和服务的全球数字令人震惊，预计未来对它们的需求例如，全球约90%的人口至少享有基本饮用水电子邮件地址：Dragan. kwrwater.nl预计到2050年将有近60亿人面临清洁水资源短缺的问题[2]。发达国家拥有庞大的相互连接的水基础设施系统，为人口提供高质量的饮用水服务：例如，在英国的英格兰和威尔士，有1000多个水处理厂生产饮用水，34.6万公里的供水网络为2600多万户家庭提供服务[3]，而在荷兰，饮用水网络延伸超过12万公里，为800多万户家庭提供服务[4]。其规模、复杂性、长生命周期和关键性https://doi.org/10.1016/j.eng.2021.05.0132095-8099/©2021 THE CONDITOR.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程杂志首页：www.elsevier.com/locate/engD. 萨夫伊奇工程9（2022）3536由该基础设施提供的服务的性质使得这些系统的规划和管理极其困难。在过去的二十年里，现代数字技术发展迅速，其应用通过改善银行、运输、营销、娱乐和旅游等部门复杂系统的规划和管理而改变了社会。通过利用大规模和广泛的数据采集、具有日益复杂的预测能力的云计算以及通过互联网和物联网（IoT）的全球连接，已经开发和实施了许多新颖的应用。例如，零售银行的数字化转型导致人们通过使用在线和移动工具进行交易和组织财务的方式发生了巨大变化。类似地，数字技术让Uber等组织建立了一种新的商业模式，并由此颠覆了交通行业。包括谷歌、亚马逊、Airbnb、Netflix和苹果在内的各种其他组织也在许多领域利用了数字技术。从数字技术的角度来看，航空和汽车工业这两个行业尤其令人感兴趣，这不仅是因为安全在这些行业中至关重要，还因为它们在实现全自动化方面取得了最大的进步。 尽管为了使这些系统能够单独执行操作，已经对这些系统进行了巨大的努力和投资，仍然必须与监督工作、指导和监督系统性能或与系统协作的人进行交互[5]。然而，数字技术的引入和自动化程度的提高也导致了与如何使用这些技术进步有关的几次例如，特斯拉自动驾驶仪无法防止几起汽车碰撞[6]，波音737 MAX及其机动特性增强系统（MCAS）软件被怀疑在两起飞机坠毁事件中发挥了作用，造成重大生命损失[7]。通过确定新技术在这种情况下出现了什么问题，应该可以从这些事件中吸取教训，防止未来的失败。毫不奇怪，随着数字技术在人类活动的各个领域的采用，水行业已经开始从数字化转型中受益[9，10]。水文信息学领域的进步，尤其是人工智能（AI）的应用，已经开始在水部门及其管理上留下印记[9然而，由于存在一些挑战，包括遗留数据收集和管理系统、难以为数字应用建立明确的业务案例网络安全问题和在过去的二十年里，法医调查旨在确定故障的根本原因，从而防止将来发生类似故障。法医工程的早期例子包括对导致桥梁设计、施工和检查发生重大变化的故障进行调查，例如1879年的泰桥灾难[16]和1940年的塔科马海峡大桥倒塌[17]。本文的目的有两个：①确定在水务领域应用的关键数字技术进步;②将取证工程原理应用于在数字化转型和自动化的道路上进一步前进的领域中所经历的失败，在数字组件发挥重要作用的情况下。目的是从这些错误中吸取教训，避免在水部门重蹈覆辙。2. 水行业数字化的进展2.1. 智能灌溉农业灌溉占全球用水量的70%，是最大的用水者，在粮食安全中发挥着重要作用[18]。在世界许多地区，密集的洪水灌溉和抽取地下水用于作物灌溉使含水层枯竭，超过其自然补给水平，从而影响到水安全。因此，迫切需要利用数字技术来更有效地利用水资源和更好地决策。数字技术的采用将带来智能灌溉系统，该系统可以根据当地条件（如温度、湿度和土壤含水量）为作物提供必要的水量灌溉管理方面的一个关键数字进步是使用遥感数据。遥感是指对农田反射或发射的辐射进行非接触式测量，可通过卫星、飞机（载人和无人系统）、拖拉机和手持传感器进行[19]。遥感测量的激增导致了大量的数据-所谓的大数据-这就需要快速处理和分析大量高度可变的数据类型的能力，以提供新的见解[20]。由于遥感和人工智能的最新进展，田间规模的表型信息可以准确量化，并与大数据相结合，以开发预测性和规范性的管理工具[21]。遥感的一个常见应用是估计作物需水量。这些应用基于预测模型，通过应用基于各种类型数据、能量平衡、空气动力学和辐射物理学的算法计算作物需水量[22]。这些模型使用数据类型的组合，包括来自卫星图像的数据（例如，表面温度、表面湿度和植被指数），来自天气传感器的数据（例如，空气温度、风速和湿度），以及地理数据（例如，数字高程和土地覆盖）。这一方法的一个例子是FruitLook服务，这是一个在线工具，使用卫星和地理数据帮助南非西开普省的水果和葡萄酒种植者优化用水并提高生产力。使用FruitLook服务的生产商中，近一半报告称其用水量至少减少了10%，而一些生产商报告称用水量减少了30%。FruitLook系统拥有700名常规用户，包括生产商、顾问和研究人员，他们从西开普省约900万公顷的可用数据中受益[24]，该系统被积极用于改善作物生产管理。2.2. 智慧城市水务到2050年，全球居住在城市住区的人口预计将增加到97亿的70%[2]。除了城市化，人口增长、气候变化和资源限制也给城市基础设施规划和管理（包括供水和废水处理服务）带来了巨大挑战由于异构传感器的激增和广泛的数据采集，城市供水系统正在产生越来越多的传感处理不可避免的数据爆炸需要数据分析和新的人工智能方法来利用，解释和利用网络化，互连和内在复杂的水系统中数据的结构和动态特征[25]。最初仅限于科学界[26-D. 萨夫伊奇工程9（2022）3537水的作用[9]。列出所有这些工具超出了本文的范围，但这里介绍了一些成熟的技术，包括使用机器学习（ML）进行地下基础设施的异常检测，用于水基础设施系统规划和管理的自然启发优化工具，以及数字孪生。2.2.1. 用于供水系统异常检测的机器学习减少无收益水--即已经抽取、处理和泵入分配系统，但没有交付给客户并向客户收费的水（即，“失去的水”）-是一个全球水务公用事业的关键驱动力。然而，鉴于供水网络的规模和复杂性，以及它们大多位于地下的事实，很难确定这些水损失发生在哪里。作为综合事件管理系统的一部分，英国水务公司United Utilities投资了一种事件检测工具，为泄漏、爆裂、压力或流量异常以及传感器故障或遥测问题等事件提供近实时、可操作的警报[29]。异常检测系统结合了几种自学习AI和ML技术以及统计数据分析工具，每15分钟自动处理网络中收集的压力和流量传感器数据。然后，人工神经网络（ANN）使用这些数据来预测近期的值，并将其与新的观测值进行分析和比较，以检测任何重大偏差。统计过程控制技术，niques也用于分析压力和流量偏差，从预测信号。收集到的证据通过贝叶斯网络来分析多事件发生的证据[30]。该过程提供了事件发生的可能性的估计，并提供给检测报警机制。该系统通过一组自学习方法使用历史事件来改进对未来事件的检测。最重要的是，事件检测系统不需要使用水网络的水力模型图图1显示了事件检测系统的输出如何集成到United Utilities的供水管网事件识别（ERWAN）系统的界面中。的情况如图所示，已经识别出异常，并安排了两次干预（次要和主要服务），这防止了由于压力显著增加而导致的网络中更严重的故障。自2015年以来，ERWAN系统已在United Utilities的网络中投入使用，并已被证明是强大和可扩展的。它每15分钟处理来自7500多个压力和流量传感器的数据，并以高真报警率和低假报警率及时可靠地检测管道爆裂和泄漏等事件[29]。2.2.2. 图像处理和机器学习用于废水系统必须定期检查废水处理基础设施，以便制定维护或更换计划由于这种检查通常是昂贵和耗时的，因此只有相对小部分的废水系统使用闭路电视（CCTV）进行检查。Myrans等人[31]提出了一种方法，可以使用图像处理和应用于原始CCTV镜头的ML该过程应用随机森林ML技术来识别下水道系统中的故障类型这种创新的方法已经在英国一家水务公司收集的闭路电视录像中得到验证和展示结果表明，74%的峰值精度时，应用于现实世界的下水道系统。2.2.3. 元胞自动机系统在洪水管理中的应用地表水泛滥发生在降雨超过排水系统时，排水系统在强降雨期间不能充分输送水现代测绘技术，如合成孔径雷达、航空数字摄影测量和光探测与测距（LIDAR），为城市地区急需的新洪水建模应用提供了数据可用性和准确性方面的显著改善[32]。然而，普通的模拟工具无法高效和有效地处理大城市地区的洪水建模，这是现在通过高分辨率数字高程模型的广泛可用性而成为可能。特别是，当模型用于洪水风险评估或不确定性和缓解分析时，计算效率是一个问题，需要重复模拟运行[33]。 快速图1.一、ERWAN系统警报指示压力突然增加，可能是由于减压阀故障[29]。DMA：地区计量区。D. 萨夫伊奇工程9（2022）3538参考文献[34]中的二维元胞自动机模型已经实现了大规模问题的洪水模拟。通过使用图形处理单元（GPU）和元胞自动机的大规模并行计算能力，这些学者在将新模型应用于基准测试和真实案例研究时，实现了处理速度的数量级提高2.2.4. 自然启发优化在水资源领域使用自然启发的算法已经得到了很好的记录[28，29]。这些优化算法已在各个领域得到应用，从可持续发展规划的设计[35]到城市水基础设施的最佳系统运行[36]。20世纪80年代末和90年代初，自然启发计算的出现，以及进化计算算法、群体智能和人工神经网络的初步成功，导致更复杂的城市水基础设施问题得到解决。该领域的贡献已经从经济驱动的单一目标框架发展到多目标模型，这些模型不会产生单一的解决方案，而是产生一套解决方案折衷解决方案，通常称为非支配或帕累托最优解决方案[36]。一个有趣的应用自然启发算法的水网络管理是确定最佳位置用于泄漏检测和定位的压力传感器和流量计。参考文献[37]报道了这种方法在荷兰真实网络中的实际应用。多目标优化探讨了传感器安装数量最小化和检测覆盖率最大化之间的权衡。 选择该网络作为试点，以确定最多20个压力传感器的最佳数量和位置，以补充现有的10个传感器，以最大限度地提高泄漏检测的可能性和这些传感器覆盖的网络范围。对于每一个额外的传感器，获得的结果显示了最佳的位置和覆盖范围，在客户连接，泄漏检测的百分比年龄，和管道长度的网络覆盖的传感器。在安装了所有20个新传感器的极端情况下，与原来的10个传感器相比，客户连接的覆盖率将从11 411（26.5%覆盖率）增加到22 967（53.2%），可以检测到的泄漏百分比将从26.2%提高到48.5%，管道覆盖在方面的管长度将高于236.75公里（25.1%）至415.55公里（44%）。这些发现符合与题为“水传感器网络之战（BWSN）”的设计挑战的结果2.2.5. 数字双胞胎数字孪生模型可用作运营水系统管理的决策支持工具，并越来越多地在水部门得到应用。数字孪生是真实系统的虚拟数字副本，不断更新数据以模仿系统将数字孪生概念应用于为西班牙瓦伦西亚市160万人口服务的供水系统，展示了如何使用数字孪生来模拟各种网络运行条件。创建一个由113 000个管道和许多其他元素组成的网络的数字孪生模型的挑战8个蓄水池，28个水箱，47个水泵，259个调节阀，48 500个手动阀，4 600个消防栓，118 000个供水接头，97个流量计和470个压力计）是相当可观的[39]。由于这个庞大而复杂的系统的大小，作者不得不创建一个大约10000个管道的战略模型（大约是原始大小的10%），以创建一个计算效率高的数字孪生模型。结果令人鼓舞，因为只有600森-分类测量（压力，流量和水位），可以在10000节点的战略模型中实时了解供水系统的行为。数字孪生的发展为丰富、身临其境和有趣的建模体验开辟了一条新的途径，可以通过严肃的游戏[40]和增强、虚拟或混合增强/虚拟现实[8]吸引各种利益相关者。通过这些技术，不同的利益相关者（例如，运营和规划人员、用户和监管机构）可以了解水系统的复杂行为，使用数字孪生进行安全实验，了解不同的、往往相互冲突的观点，并制定策略，为复杂系统找到更可持续的解决方案2.2.6. 机器人具有传感和人工智能能力的机器人越来越多地用于制造业和可能危及人类生命的危险情况机器人还可以比人类更快、更一致和更准确地执行一些人类任务，这增加了各行业失业的可能性，特别是在制造业。在水部门，机器人设备已经通过自主水下和水面车辆应用于水质建模[41]。这样的机器人可以提供更好的空间覆盖的水质数据在大面积，在不同的深度，并在实时。机器人设备被视为重要研究和应用领域的另一个领域是地下水资产的结构状况由于它们的年龄，管道容易出现故障（例如，泄漏、破裂、堵塞和塌陷），但难以检查。管道状况通常可以通过使用闭路电视摄像机的非破坏性方式或通过破坏性方法（例如拆除短管段进行检查）进行检查然而，这些都是昂贵的程序，可能会导致服务中断，只有一小部分网络可以使用它们进行检查。机器人可以提供地下管道的系统状况评估，以支持资产管理规划[42]。越来越多地使用机器人设备来检查埋地管道，例如自主和普遍这只是一个时间问题，这种设备的第一个商业实施将发生。3. 对涉及数字解决方案和运输自动化的故障进行取证分析3.1. 自动驾驶汽车自2004年美国国防高级研究计划局（DARPA）首次提出挑战以来，人们对自动驾驶汽车的研究和工业产生了极大的兴趣。如今，更准确的说法是将控制这种车辆的软件称为驾驶员辅助系统（DAS），因为它们通过自主行动或提醒驾驶员潜在的问题并避免碰撞来帮助驾驶员，但不能被认为是完全自动化的。特斯拉是插电式电动汽车的领先生产商。特斯拉汽车中的软件-所谓的特斯拉自动驾驶仪-可以将速度与交通状况相匹配，保持在车道内，改变车道，从一条道路过渡到另一条道路，当目的地靠近时退出道路，当靠近停车位时自动停车，并在用户的车库和车库之间然而，自动驾驶汽车的快速发展也导致了一些备受瞩目的碰撞事故，涉及特斯拉、谷歌和优步（Uber）试验的汽车，这些公司是试验DAS的最著名的其中一些碰撞导致了致命的后果。由于DAS无法识别道路上的静止障碍物（例如，当特斯拉D. 萨夫伊奇工程9（2022）3539汽车与停着的消防车相撞），理解并给其他车辆让路，或者发现并避开行人。然而，在几乎所有的事故中，DAS都在工作，司机没有注意道路。同样，可能导致冲突风险的另一个因素是用于将数据馈送到DAS的技术的限制。例如，传感器的标准组合包括LIDAR系统（基于激光的雷达系统，其可以创建详细的道路地图）、无线电探测和测距（RADAR）系统（其探测远处物体及其速度）以及获取视觉信息的高分辨率相机（例如，交通标志或交通灯是红色还是绿色）。例如，特斯拉汽车依靠摄像头和雷达向DAS提供环境信息，但不使用激光雷达系统。这可能是也可能不是导致特斯拉汽车发生碰撞的原因最后，由于他们的系统不是完全自主的自动驾驶系统，特斯拉警告驾驶员，他们最终要对车辆在道路上的行为负责3.2. 飞机自动驾驶仪系统拥有超过50年的服务和超过15000架飞机的销售，波音737是世界上最畅销的飞机。其升级版737 MAX拥有更大、更省油的发动机和更新的航空电子设备，航程更长，运营成本更低。升级后的飞机预计将与以前的型号有足够的共同点，不需要额外的冗长认证，预计飞行员将能够操作它，而无需新飞机所需的模拟器培训。自2017年首次投入使用以来，737 MAX成为波音有然而，737 MAX在2018年和2019年发生的两起致命事故，在五个月内发生，共造成346名乘客死亡，导致人们对737 MAX的安全性提出质疑，并导致该飞机于2019年3月在全球范围内停飞。在这两起坠机事件中，飞机在起飞后不久就在上升，而飞行员试图保持向上的角度，以便以所需的速度上升[46]。导致坠机的关键原因之一是飞机的设计选择，其中包括使用更大的发动机，这些发动机的位置比前代飞机更靠前，更高新的发动机尺寸和位置改变了飞机的空气动力学，并创造了在某些情况下飞机机头可能向上倾斜的可能性，例如在起飞后的低速飞行期间，当飞机手动飞行时[45]。这种向上的俯仰增加了导致飞机失速的风险这两起事故发生在飞机起飞后不久，当时飞机正在上升高度，因为机载软件（MCAS）反复启动并迫使飞机俯冲[46]。这一发现指出了MCAS的一个潜在缺陷，MCAS的设计是通过将机头向下推来自动激活和稳定飞机。由于MCAS被设计为仅使用两个迎角传感器中的一个的信息，这使得它容易受到错误传感器读数的影响，因此情况变得复杂。两起坠机事故的另一个因素是飞行员没有完全意识到--或者可能根本没有被告知--MCAS4. 经验教训和结论鉴于管理水系统的复杂程度，其关键性质（例如，他们与健康和食品供应的联系），行业中必要的安全文化，以及迄今为止的数字化状态，水务部门有机会向其他在自动化和数字化转型方面更先进的行业学习。从本文讨论的交通运输部门事故中吸取的教训（至少部分归因于数字化和自动化）有助于建立基于学术和行业的数字化转型和自动化研究议程水部门。(1) 自动化需要“人在回路中”。数字化和自动化对水务行业的影响主要体现在公用事业人员身上。功能日益强大的数字和自动化系统可以从根本上改变复杂的自然和工程系统的保护、控制和操作方式。然而，尽管在汽车和航空工业等领域的自动化创新和实施方面投入了大量资金，但需要最高安全水平的操作系统仍然依赖于训练有素的航空公司飞行员和车辆驾驶员。对于水务部门来说，这意味着，尽管智能软件包括人工智能和机器学习解决方案，但自动化系统仍将需要高技能的劳动力来确保水务系统未来的安全运行。(2) 人工操作员需要自动化培训。参与管理水系统的人员不仅必须了解系统的复杂性，以便能够更有效地管理它们，而且还必须接受如何使用数字技术系统的培训，以提高系统的性能并了解其局限性。例如，参与两起坠机事件的737 MAX飞行员没有完全意识到（或可能没有被告知）MCAS，这使得自动化系统变得脆弱，并有可能导致严重故障。驾驶员对汽车自动化软件（如特斯拉自动驾驶仪）的能力过于自信，可能会导致严重的车祸，因为驾驶员错误地认为他们的汽车可以独立运行即使是将“自动驾驶仪”简单地重新命名对于自来水公司人员，所需的培训和文件水平必须使人员充分了解自动化系统的能力和局限性，并能充分利用其能力。(3) 自动化需要后备手动选项。自动安全系统，如飞机和汽车中使用的安全系统，可以在没有任何人类参与的情况下启动行动，从而增加风险。例如，迎角传感器的错误读数似乎导致MCAS软件将737MAX飞机的机头向下倾斜并导致其失速，最终导致两起坠机事件。虽然在印度尼西亚发生的第一起737 MAX坠机事件发生在波音公司就飞行员可以采取哪些措施来补救这种情况发出明确指示之前，但在埃塞俄比亚发生的第二起坠机事件发生在飞行MAX的飞行员接受了印度尼西亚坠机事件后的培训之后关键问题似乎是MCAS系统，它被自动激活了多次。尽管水务行业的大多数数字解决方案都不是完全自动化的，但任何涉及自动化的未来发展都应包括故障安全机制，以便在系统启动操作时提醒用户，(4) 传感器冗余在安全关键系统中是有益的。飞机和汽车行业都已经接受了传感器冗余的力量，以保护人类生命。例如，在大规模生产的车辆中，人类的安全是至关重要的，特斯拉汽车（和其他特斯拉Model 3包括一个视觉系统，该系统由8个摄像头组成，可在半径250米范围内提供汽车周围的完整可视性，12个超声波传感器和一个前向雷达系统。然而，这种模式不包括激光雷达，而几乎所有其他公司的工作，D. 萨夫伊奇工程9（2022）3540自动驾驶汽车使用激光雷达技术[47]。另一方面，在737 MAX上，波音公司只使用了一个传感器将迎角数据输入其自动MCAS安全系统，尽管飞机有两个这样的传感器[7]。由于任何传感器都容易发生故障，因此提供冗余并使用两个传感器信号将通过指示其中一个是否发送错误数据来提高安全性。虽然水工业在传感器的数量及其相对于所讨论的系统的大小的密度方面仍然落后于汽车和飞机工业，但是增加的冗余水平将提高数据质量并降低与感测数据相关联的不确定性。(5) 必须考虑网络安全。虽然网络安全漏洞没有涉及任何分析的交通事故，但白帽黑客远程控制汽车并禁用其传输作为其研究计划的一部分的轶事证据[48]令人担忧。最近对水行业的一项调查表明，防范网络安全威胁被认为是公用事业和政府的高度优先事项[49]。该审查确定了14起报告和记录的事件，从一名心怀不满的前员工控制自动化系统并故意导致数百万升未经处理的污水排放到环境中，到一家公用事业公司成为勒索软件网络攻击的受害者，黑客要求支付费用以恢复对其计算机系统的访问(6) 还必须考虑道德决策和负责任的人工智能。自动驾驶汽车越来越多的前景给汽车设计师和人工智能从业者带来了另一个挑战：处理人工智能软件必须做出生死攸关的决定的情况。与不可避免的致命事故相关的基于伦理的决策，即在可用的反应时间内无法找到避免事故的解决方案的情况，特别值得关注。例如，一个悲剧性的假设困境，即自动驾驶汽车必须选择是碾过一群行人，还是跳下悬崖杀死自己的乘客，这表明了人工智能的一个潜在伦理问题人工智能在水务领域的应用通常涉及稀缺水资源的优化配置。然而，如果自动化发挥到极致，例如在严重干旱的时候，人工智能决定如何将资源分配给各种用户（例如，作物灌溉与城市供应），这样的决定可能会导致有关负责任的人工智能的伦理问题[50]。数字技术和自动化系统在水行业越来越普遍。无线传感器网络、自动机器人和复杂的人工智能工具应用已经或即将应用于水行业。由于城市化带来的挑战，食品，能源和饮用水行业之间日益激烈的水竞争，水质威胁，老化的基础设施，有限的资金和气候变化，数字化的加速似乎是水行业不可避免的。因此，存在着彻底改变和改善复杂水系统管理方式的潜力。然而，该等发展将不可避免地带来额外风险。通过考虑其他行业的已知和报告的事件，可以更好地理解和管理新的挑战，其中一些事件是在这里从汽车和飞机行业学到的。本文分析的事件发生在具有强大监管机制和固有安全文化的行业，表明应研究类似问题，以保护水务行业数字化转型的发展领域。引用[1] 世界卫生组织。2000-2017年家庭饮用水、环境卫生和个人卫生方面的进展纽约：联合国儿童[2] 2018年联合国世界水资源发展报告，基于自然的水资源解决方案纽约：联合国;2018年3月19日[引用于2021年7月14日]。可从https://www.unwater.org/world-water-development-report-2018-nature-based-solutions-for-water/获取。[3] 英格兰和威尔士，2019年4月至2020年3月[互联网]。伦敦：英国水; 2020年[引用2021年7月14日]。可从以下网址获得：https://discoverwater.co.uk/[4] 2019年饮用水情况说明书[互联网]。Bezuidenhoutseweg：Vewin; 2019 [引用于2021年7月14日]。可查阅：https://vewin.nl/SiteCollectionDocuments/Publicaties/Drinking%20water%20fact%20sheet%202019.pdf。[5] 《从这里到自治：人类自动化研究的经验教训》（From Here to Autonomy：Lessons Learned from Human- Automation Research）2017;59（1）：5-27.[6] 班克斯VA，工厂KL，斯坦顿NA。驾驶员错误或设计师错误：使用感知周期模型探索2016年5月7日特斯拉致命车祸的情况。安全科学2018;108：278-85。[7] 放大图片作者：Johnston P.波音737 MAX传奇：软件组织的经验教训。软件质量教授2019;21（3）：4-12。[8] Makropoulos C，Savic 'DA. Urban hydroinformatics：past，present and future.水2019;11（10）：1959。[9] 杨文，李文. 数字水：行业领导者描绘转型之旅。次报告.伦敦：国际水协会和Xylem公司; 2019年。[10] 沈角深度学习研究的跨学科综述及其与水资源科学家的相关性。Water Resour Res2018;54（11）：8558-93.[11] 萨维奇·D 2019.人工智能水资源规划和管理如何从中受益？IAHR白皮书系列，2019年第1期。马德里：国际水文环境工程与研究协会; 2019年。[12] De Souza GG，Costa MA，Libânio M.需水量预测研究进展所 采用的方法和未来的可能性。供水2019;19（8）：2179-98。[13] Zhu S，Piotrowski AP.使用人工智能模型的河流/溪流水温预测：系统综述。地球物理学报2020;68（5）：1433-42。[14] Cobb F，Carper KL.法医工程学Boca Raton：Taylor& Francis;2000.[15] 加格角法医工程学：一个失败侦探的艺术与手艺。洛杉矶：CRC出版社; 2020年。[16] LewisPMR，Reynolds K. 法医工程：泰桥灾难的重新评估。国际医学科学评论2002;27（4）：287-98。[17] 拉森河塔科马海峡大桥的空气动力学-60年后。结构工程国际2000;10（4）：243-8.[18] 粮农组织。水资源促进可持续粮食和农业--为G20轮值主席国德国编写的报告。次报告. 罗马：联合国粮食及农业组织，2017年。[19] 穆拉DJ。精确农业遥感25年：关键进展和剩余知识差距。生物系统工程2013;114（4）：358-71。[20] 松卡湾大数据和农业部门：不仅仅是很多数字。Int FoodAgribus Man 2014;17（1）：1-20.[21] Jung J，Maeda M，Chang A，Bhandari M，Ashapure A，Landivar-Bowles J.遥 感 和 人 工 智 能 作 为 提 高 农 业 生 产 系 统 弹 性 的 工 具 的 潜 力 。 Curr OpinBiotechnol2021;70：15-22.[22] [10]黄晓波，李晓波. 对Palmiet湿地（不同形状和大小）实际蒸散量的遥感估算的评价. Geosciences2019;9（12）：491.[23] 农场大门外：水果看解锁更大的图片：功能-水和农业。水车2017;16（5）：26-9.[24] Jarmain C ， Goudriaan R ， Naude R. 八 年 后 ， FruitLook 继 续 成 长 。Agriprobe2018;15（2）：44-7.[25] [10] Reis S， Seto E， Northcross A ， Quinn NWT ， Convertino M ， JonesRL，et al. 为环境和人类健康集成建模和智能传感器。环境模型软件2015;74：238-46。[26] 作者声明：A.数据驱动的建模：一些过去的经验和新方法。J Hydroinform 2008;10（1）：3-22.[27] NicklowJ，Reed P，Savic D，Dessalegne T，Harrell L，Chan-Hilton A，等. 水资源 规划和管 理中遗 传算法及 其他方面 的最新技 术。 J Water Res Plan Man2010;136（4）：412-32.[28] Maier HR，Kapelan Z，Kasprzyk J，Kollat J，Matott LS，Cunha MC，等. 水资源中的进化算法和其他元分析：现状、研究挑战和未来方向。Environ ModellSoftw2014;62：271-99.[29] Romano M，Boatwright S，Mounce S，Nikoloudi E，Kapelan Z.联合公用事业公司基于人工智能的事件管理。 IAHR Hydrolink 2020;4：104-8.[30] RomanoM，Kapelan Z，Savic 'DA. 自动检测供水系统中的管道爆裂和其他事件。J Water Resour Plan Manage 2014;140（4）：457-67.[31] 杨伟，王伟. CCTV下水道调查中故障类型的自动检测。J Hydroinf 2019;21（1）：153-63.[32] Chen AS，Evans B，Djordjevic 'S，Savic 'DA。在二维城市洪水建模中表示建筑物阻塞效应的粗网格方法。J Hydrol2012;426-427：1-16.[33] Ghimire B，Chen AS，Guidolin M，Keedwell EC，Djordjevic 'S，Savic 'DA. 用元胞自动机方法建立快速二维城市洪泛模型。J Hydroinform 2013;15（3）：676-86。D. 萨夫伊奇工程9（2022）3541[34] Guidolin M，Chen AS，Ghimire B，Keedwell EC，Djordjevic 'S，Savic 'DA。用于快速洪水分析的加权元胞自动机二维淹没模型。Environ Model Softw 2016;84：378-94.[35] 放大图片作者：J.在优化水分配系统中迷失？系统运行的文献综述。 EnvironModelSoftw 2017;93：209-54.[36] 放大图片作者：J. 在优化水分配系统中迷失？系统设计的文献综述。水2018;10（3）：307。[37] Quintiliani C，Vertommen I，Laarhoven KV，Vliet JVD，van Thienen P.荷兰供水管网泄漏检测的最佳压力传感器位置。环境科学进展2020;2（2）：40。[38] OstfeldA，Uber JG，Salomons E，Berry JW，Hart WE，Phillips CA，et al. 水传感器网络（BWSN）之战：工程师和算法的设计挑战。水资源规划人杂志2008;134（6）：556-68。[39] Conejos Fuertes P，Martínez Alzamora F ，Hervás Carot M ，Alonso CamposJC. 建立和利用数字孪生模型管理饮用水分配网络。城市水J 2020;17（8）：704-13。[40] Savic DA ， Morley MS ，Khoury M.水系 统规划 和管理 的严重 博弈 。水 2016;8（10）：456.[41] 作 者 ： ChenY ， Han D. 智 慧 城 市 水 质 监 测 ： 试 点 项 目 。 AutomConstruct2018;89：307-16.[42] Mirats Tur JM，Garthwaite W.水管内检测机器人装置：综述。J Field Robot2010;27（4）：491-508.[43] 杨志华，李志华，李志华.仿生群体机器人在埋地管道自主检测中的行为模拟。TunnUndergr Space Technol2020;101：103356.[44] [10] BadueC，Guidolini R，Pastiro RV，Azevedo P，Cardoso VB，Forechi A，et al. 自动驾驶汽车：一项调查。 专家系统应用2021;165：113816。[45] 放大图片作者：J.波音737 MAX：工程伦理的教训科学工程伦理学2020;26（6）：2957-74。[46] 斯戈巴湾B-737 MAX和监管体系的崩溃。J Space SafEng2019;6（4）：299-303.[47] 乌尔里希湖十大科技车：2018年。 IEEE Spectr 2018;55（4）：30-41.[48] Cysneiros LM，Raffi M，do Prado Leite JCS.软件透明度是自动驾驶汽车的关键要求。在：2018年IEEE第26届国际需求工程会议（RE）会议录; 2018年8月20日至24日;加拿大AB州班夫。纽约：IEEE; 2018..p. 382- 7[49] [10] HassanzadehA ， Rasekh A ， Galelli S ， Aghashahi M ， Taormina R ，Ostfeld A，et al. 对水行业网络安全事件的审查。J Environ Eng 2020;146（5）：03120003.[50] 多恩N.水领域的人工智能：负责任使用的机会。科学总环境2021;755：142561。
我的内容管理
展开
