供水管網發生爆管事故后，快速確定爆管位置，可以實現迅速搶修，有效降低事故的損失。針對爆管定位問題，本文基于人工神經網絡（ANN），建立爆管位置與事故時壓力監測點的壓力變化率之間的非線性映射關系，構建了ANN爆管定位模型，并選取了一個供水管網案例，引入相關系數（R2）指標評估模型的精度，驗證了方法的可行性。此外，分析了不同監測點組合對模型定位精度的影響，發現監測點組合均勻分布在管網內部時，模型定位精度越高。

　　隨著我國城市化進程的不斷加快，城市供水管網的規模也不斷增加，由于缺乏科學合理的規劃、維護與運行管理，各大城市的供水管網爆管事故頻發，嚴重影響了城市供水的安全性和經濟性，對資源、環境、社會均產生了巨大的負面影響。目前水務公司發現爆管事故多依賴于人工報告，此為被動性爆管定位方法，此方法雖然可以確定準確的爆管點，但弊端也比較明顯，檢測效率較低，反應時間較長，發現事故時，可能已經造成了較大的損失。因此，需要開展供水管網爆管事故智能檢測方面的研究，快速準確地確定爆管位置和事故影響范圍，并做出相應的科學決策。

　　為了解決爆管定位的難題，各國學者均開展了大量的相關研究工作。1992 年，Liggett 等人首先提出基于暫態的爆管定位方法，該方法的基本原理是爆管產生的壓力波將先后傳播到附近的幾個壓力監測點，根據傳播路徑和時間差來診斷爆管位置，但由于壓力波傳播路徑比較復雜，且時間差通常很短，因此定位精度會受到嚴重影響；等人綜合運用負壓波和流量檢測法進行泄漏模式識別與漏點定位，可及時發現和定位泄漏點。基于水力模型的爆管定位方法也取得了一定的進展，Wu 在此研究方向做出了代表性的工作，其結果被英國的水務公司所采用；Sanz 等人后續推進了這方面的研究，其依據爆管的水量變化過程，不斷校核管網模型的空間分布參數，其結果展示出了較高的爆管定位精度；等人利用監測資料與低壓供水模型相結合的管網爆管水力學模型實現了爆管定位，并分析了爆管點位置與周圍壓力變化的關系。隨著人工智能技術的快速發展，數據驅動的智能爆管分析方法成為了國內外學者的熱點關注問題。應用人工免疫網絡并結合最近鄰方法，推測爆管事故的發生；Zhang等人采用支持向量機分析爆管區域；等人通過SCADA（SupervisoryControl and Data Acquisition）監測系統收集壓力數據，對比爆管前后兩個時刻的壓力值變化，繪制爆管壓降等值線圖，最后通過壓降中心來定位爆管點，以上三個研究均是基于機器學習的方法，通過訓練模型達到對實測數據的異常辨識功能，從而確定爆管的位置。

　　針對智能化的爆管定位問題，本文提出了一種基于人工神經網絡（ANN）的供水管網爆管定位方法，利用ANN的模式識別功能，建立爆管位置與壓力監測點水壓化率之間的非線性映射關系，實現爆管位置的確定。此外，本文選取了一個案例管網，通過大量的模擬爆管事故，驗證了所提出方法的可行性。