在人口急速增长的时代下,人均用水量急剧增加,水资源短缺问题已经不容小觑。而在造成水资源浪费的各种因素中,管网漏损是主要原因之一;同时管网漏损问题严重影响着人们的生活质量。如何有效地控制漏损,及时发现并定位漏损位置,对减少水资源的浪费,保证人们生活的用水正常具有重要意义。随着大数据技术、机器学习、深度学习技术的发展,以BP神经网络,支持向量机为首的新型技术与方法应用到供水管网的领域之中。本文通过对供水管网的全方面影响因素进行深度剖析,在不同情况下构建了供水管网漏损定位模型,在本文中,着重完成了以下工作:(1)供水管网中的水力监测点主要有压力监测点和流量监测点两种。其中,流量监测点的安装和维护成本较高,且在原先管网大规模铺设时期,传感器等技术并未广泛应用,存在管网流量数据不易获得的区域。针对这种情况,设计并实现基于BP神经网络的管网漏损定位模型。首先对供水管网的实验环境以及管网结构进行描述。进一步将管网数据从供水管网模拟试验平台导出。管网数据包含五大监测点压力值、管网管径、管龄、管网管材、管道长度、管道阻力系数等数据。以该十一维数据作为输入,漏损点作为输出,建立BP神经网络模型。但在构建中对权、阈值的分析发现,BP神经网络的易陷入局部最优的特性。又借助遗传算法根据“优胜劣汰”的原则对BP神经网络的权值与阈值进行优化。并且在不同的初始种群数量、交叉概率等条件下进行对比分析试验,定位准确度相较于传统BP网络有所提高。(2)随着物联网技术的发展,管网流量数据的收集与采集方式、途径也逐步发展起来。并且根据遗传算法改进的BP神经网络模型,未考虑管网流量这一种重要影响因素,无法发挥管网流量时间序列数据的特性,同时BP网络中不存在时序的概念。基于此,本文采用基于双通道深度学习的管网漏损定位模型。首先使用ADF检验根检验,根据检验结果中的t统计量与p值,得到管网流量数据的非线性、非平稳性特点,证明管网流量数据的不平稳性。使用集成经验模态分解算法对流量数据进行分解与平稳化处理,并将分解后得到的本征模函数以及残差项,进入到深度学习模型中的长短时记忆网络进行特征提取。同时结合监测点压力值、管网管径、管龄等非时间序列数据作为输入的BP神经网络作为双通道,分别进行特征分析,将提取的特征进行连接共同进行管网漏损定位,并进行对比分析实验,相较于遗传算法改进BP神经网络的管网漏损定位模型的准确度有所提高。本文关于基于遗传算法改进BP神经网络的管网漏损模型,以及基于深度学习的供水管网漏损定位模型适用于不同情况下发生的管网漏损情况。模型均是在管网模拟试验平台所导出的数据下,进行的真实有效的实验。对于供水管网的安全运行具有重要意义,为下一步及时采取漏损措施奠定良好基础。