近年，气候变化导致极端天气愈趋频繁，为城市污水系统等基建带来沉重压力。污水系统一旦受损，可能导致污水泄漏、溢流甚至水浸，威胁公众健康与安全。为应对这些挑战，香港理工大学（理大）研究团队开发了一套结合人工智能（AI）及物联网的多层级模型，以建构更具成本效益的智能污水管理系统，不但可预测泄漏严重程度、锁定易渗漏区域，更可监测和预测高风险地区的溢流情况。
业界现时普遍使用闭路电视检查管道状况，但此方法主要依赖专业人员的经验；若要应用于整个污水管网，成本高昂且耗时。理大建筑及房地产学系教授Tarek Zayed教授带领团队开发智能管理模型，利用深度学习算法精准地分析污水管道状况，有助识别老化及受损部分，以便规划不同区域闭路电视检查的优先次序。
Zayed 教授解释：「除了极端天气外，人口增长和结构老化亦会对城市排水系统造成压力。透过采用以风险为本的检查与保养策略，我们的AI模型有助更精准地部署闭路电视监测，减少不必要的现场视察，预期可减少整体渠道检查及保养时间约25%至30%。」
此系统的核心部分包括由团队开创性设计的「泄漏严重程度指数」（Exfiltration Severity Index，简称ESI），用来量化及模拟个别管道层级的泄漏严重程度，让管理人员能预先识别易泄漏的管段。Zayed教授补充：「污水泄漏指污水从损坏的污水系统流向周边环境。发生泄漏时，其中的病原体和有毒化合物等会污染土壤或地下水，危害公众健康及生态系统。」
系统的AI模型会综合考虑管道特性、气候条件及环境影响等多项因素，继而预测泄漏的可能性及严重程度，提供实证以便优先处理更紧急的保养工作。团队研究显示，该系统在评估严重程度方面的准确率达85%，能显著降低地下水污染风险。同时，透过优化保养日程，此预测模型将营运效率提高了50%至60%，并减少了30%至40%的紧急维修工作。相关研究论文「渠道网络泄漏严重程度主动管理：基于超参数优化的两级机器学习预测」已发表于学术期刊《隧道与地下空间技术》（Tunnelling and Underground Space Technology）。
除泄漏外，管道堵塞亦是导致污水系统无法正常运作的主因，严重时更会引致水浸。针对这个问题，Zayed教授的团队进一步应用物联网技术，模拟水管网络在不同程度堵塞下的运作及溢流情况。
团队与香港特别行政区政府渠务署合作，在九龙区的排水网络安装水位感测器，利用不同数据探勘技术收集真实数据，作模拟案例研究、模型校准及验证之用。团队应用这个以物联网技术为本的监测系统，让曾出现堵塞问题的管段接受重点清理，提升了其整体效能85%，成效显著。
Zayed教授总结道：「透过AI和物联网技术，我们的多层级模型为预测潜在渠道故障的位置和时间提供了可靠决策工具，其提供的重要信息可用来规划更有效的行动，以减少污水溢流的发生次数、规模及严重程度。整体而言，得益于系统及时有效的监测所带来的快速应对能力，受监测区域的紧急溢流事件成功减少了70%至75%。」
相关研究论文「利用物联网技术评估不同堵塞情况下的渠道网络效能」已发表于《可持续性》（Sustainability）期刊。此研究获研究资助局的「优配研究金」及环境及自然保育基金的资助。
