近年，氣候變化導致極端天氣愈趨頻繁，為城市污水系統等基建帶來沉重壓力。污水系統一旦受損，可能導致污水泄漏、溢流甚至水浸，威脅公眾健康與安全。為應對這些挑戰，香港理工大學（理大）研究團隊開發了一套結合人工智能（AI）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情況。
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；若要應用於整個污水管網，成本高昂且耗時。理大建築及房地產學系教授Tarek Zayed教授帶領團隊開發智能管理模型，利用深度學習算法精準地分析污水管道狀況，有助識別老化及受損部分，以便規劃不同區域閉路電視檢查的優先次序。
Zayed 教授解釋：「除了極端天氣外，人口增長和結構老化亦會對城市排水系統造成壓力。透過採用以風險為本的檢查與保養策略，我們的AI模型有助更精準地部署閉路電視監測，減少不必要的現場視察，預期可減少整體渠道檢查及保養時間約25%至30%。」
此系統的核心部分包括由團隊開創性設計的「泄漏嚴重程度指數」（Exfiltration Severity Index，簡稱ESI），用來量化及模擬個別管道層級的泄漏嚴重程度，讓管理人員能預先識別易泄漏的管段。Zayed教授補充：「污水泄漏指污水從損壞的污水系統流向周邊環境。發生泄漏時，其中的病原體和有毒化合物等會污染土壤或地下水，危害公眾健康及生態系統。」
系統的AI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，提供實證以便優先處理更緊急的保養工作。團隊研究顯示，該系統在評估嚴重程度方面的準確率達85%，能顯著降低地下水污染風險。同時，透過優化保養日程，此預測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。相關研究論文「渠道網絡泄漏嚴重程度主動管理：基於超參數優化的兩級機器學習預測」已發表於學術期刊《隧道與地下空間技術》（Tunnelling and Underground Space Technology）。
除泄漏外，管道堵塞亦是導致污水系統無法正常運作的主因，嚴重時更會引致水浸。針對這個問題，Zayed教授的團隊進一步應用物聯網技術，模擬水管網絡在不同程度堵塞下的運作及溢流情況。
團隊與香港特別行政區政府渠務署合作，在九龍區的排水網絡安裝水位感測器，利用不同數據探勘技術收集真實數據，作模擬案例研究、模型校準及驗證之用。團隊應用這個以物聯網技術為本的監測系統，讓曾出現堵塞問題的管段接受重點清理，提升了其整體效能85%，成效顯著。
Zayed教授總結道：「透過AI和物聯網技術，我們的多層級模型為預測潛在渠道故障的位置和時間提供了可靠決策工具，其提供的重要資訊可用來規劃更有效的行動，以減少污水溢流的發生次數、規模及嚴重程度。整體而言，得益於系統及時有效的監測所帶來的快速應對能力，受監測區域的緊急溢流事件成功減少了70%至75%。」
相關研究論文「利用物聯網技術評估不同堵塞情況下的渠道網絡效能」已發表於《可持續性》（Sustainability）期刊。此研究獲研究資助局的「優配研究金」及環境及自然保育基金的資助。
