我国疆域辽阔,供水管线铺设已达数十万公里,加之近几年,城市扩张速度极快,虽然随着城市的发展,大量的管网得到了重建和扩建,但位于城市中心地带的许多老旧生活区,仍有为数不少的埋设于地下的老旧管网在运行,由于其配套设施落后和管网失修,使得漏失现象相当严重。漏失不同于爆管,其大多会由小的漏损逐渐演变成大的事故,那么在其演变前对管网做出一个全面诊断成为一项重要课题。现阶段对于管网漏失的定量研究相对匮乏,本文主要对供水管网漏失过程中的漏失量进行研究。管网运行过程中,漏失量会受到各方面的影响,如水压、供水流量、管道属性等,这些影响因素之间是相互关联的,他们之间共同作用会对漏失的定量研究产生巨大影响。传统的指数模型很难精准算出漏失量的大小,主要是指数模型在应用中漏失系数是很难确定的,而且漏失过程中漏失面积是不断变化的,这直接影响了漏失指数的确定。针对漏失面积的动态变化影响漏失系数,本次研究应用流固耦合技术找出不同漏口形式下漏失面积与水压的关系,再通过实验的方法得出不同水压下的漏失量。应用曲线拟合的方法对漏失过程中的漏失面积比漏失系数作曲线拟合,得出了漏失系数和漏水面积比的计算公式,为漏失的计算提供了借鉴。为深入研究漏失对供水管网的影响提出了通过建立供水管网仿真模拟实验平台对漏失工况下运行的管网进行水力分析的方法,通过各节点的压力,流量变化反映漏失工况下的管网运行状态。为了简化供水管网的漏失研究,通过相应的数学模型对管网做了水力建模,使用EPA对所构建的实验平台建立了水力模型,并把真实值与模拟测的数值进行了对比,通过比对说明了所建模型的可靠性。应用该水力模型,得出了管网在漏失工况下节点压力的变化规律,为研究管网漏失研究提供了理论依据。近年来智慧城市建设不断发展,但市政管网诊断技术相对滞后,本文使用人工神经网络,对管网漏失过程中漏失的水量进行预测。管网发生漏失时漏失点附近水流会产生压力波动,这种波动会影响所在的管网运行状态,同时管网系统对不同漏点的反应状况存在差异,这就可以将不同漏点的管网运行数据对应不同的漏失模式,人工神经网络可以通过样本数据的学习得到最佳的映射规则,进而识别管网漏失工况下的各种运行状态。使用供水管网仿真模拟平台进行漏失实验获取管网漏失发生时的各节点压力数据。为提高人工神经网的预测效率,分别使用遗传算法和粒子群算法对神经网络进行优化,进而搭建了GA-BP神经网络和PSO-BP神经网络,分别使用两种网络对管网漏失状态下的漏失量进行预测。使用样本数据对网络进行训练后,得出本次构建的人工神经网络可以判断管网不同的漏失模式的结论,为管网漏失研究提供了一种方法。