利用共现模式分析排水系统缺陷

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Analysis of drainage system defects using co-occurrence patterns

　　Dramani Arimiyaw|Tarek Zayed|Jingchao Yang|Beenish Bakhtawar|Sherif Abdelkhalek|Mohamed Nashat
香港科技大学建筑与环境学院（FCE）建筑与房地产系（BRE），香港九龙红磡

**摘要**
城市排水系统面临着来自基础设施老化、环境压力以及服务需求增加的前所未有的挑战。传统的状况评估方法将各种缺陷模式汇总为单一的状况分数，掩盖了导致故障过程的根本恶化机制。本研究开发了一个网络科学框架，利用香港排水网络的CCTV检查数据来识别系统性的缺陷共现模式。通过构建加权缺陷共现网络并应用Louvain聚类算法，我们发现了四种不同的恶化机制：管道变形共现模式（占比18.4%）、结构-水力共现模式（占比54.5%）、根部-接头共现模式（占比22.3%）以及连接-沉积物共现模式（占比4.9%）。使用五种不同的加权方案进行的多方法验证显示了聚类的稳定性（调整后的Rand指数=0.438–1.000），而统计分析揭示了这些机制与基础设施特征（直径、年龄、材料）以及环境因素（行政区、土地利用、交通强度）之间的显著关联。这些发现支持制定基于机制的管理策略，使公用事业部门能够从纯粹的反应性状况评估方法转向基于系统性缺陷关联模式的针对性干预措施。尽管横断面分析无法建立因果关系，但观察到的共现模式为基于风险的资产管理提供了可操作的情报。

**1. 引言**
城市排水基础设施是现代水资源管理系统中最关键但也最脆弱的组成部分之一，全球范围内的排水系统在维护结构完整性和运行性能方面面临着前所未有的挑战（Carvalho等人，2018；Fontecha等人，2021；Yang等人，2025）。这些系统分别通过污水管道和雨水管道将粪便水和城市径流安全输送到处理厂和水体，避免了污染和洪水（Harvey和McBean，2014a；Nguyen等人，2022）。在发达国家，由于长期使用（50至75年）以及气候变化、地面移动等其他外部影响，现有的排水系统遭受了严重损坏，导致出现了各种缺陷（Harvey和McBean，2014a；Loganathan等人，2024；Yang等人，2025）。据估计，挪威的水基础设施需要280亿至320亿欧元的投资；美国每年需要140亿美元用于更换相关设施；加拿大则需要1090亿美元来更换35%的废水设施和23%的雨水设施（Li等人，2019；Nguyen等人，2022；Woldesellasse和Tesfamariam，2024；Yin等人，2020）。2016年至2017年期间，香港耗资1.38亿港元修复了22公里的雨水排水系统和污水管道（排水服务部门，2017）。老化管道中出现的裂缝、孔洞和断裂成为未经处理的污水排放到环境中的途径，同时也成为径流水和树根进入管道的入口（Arimiyaw等人，2025；Harvey和McBean，2014a）。当地下存在裂缝和裂隙时，这些由污水引起的污染物可以达到60米以上的深度（Harvey和McBean，2014b）。因此，定期检查和诊断排水基础设施对于确保其可持续性并防止严重后果至关重要，尤其是在含有有毒化学物质的废水系统中。

状况评估是资产管理的关键组成部分，可以提供关于基础设施当前和未来状态的最新信息（Yang等人，2025a；Yang等人，2025）。近年来，利用CCTV进行状况评估已被用于估算排水管道的剩余使用寿命（Kumar等人，2024；Sousa等人，2014）。在这一过程中，根据物理分级协议为个别缺陷分配分数，然后通过峰值、平均值和总分或计算方法在管道段级别上汇总为状况等级（Elmasry等人，2017；Khazraeializadeh等人，2014）。管道通常被分为1至5级，1级表示最佳状态，5级表示最差状态。然而，当前的状况评估方法面临几个关键挑战。这一过程主要是反应性的，因为检查是在因故障导致财务损失和环境问题时进行的（Nashat等人，2025）。可访问性和资源限制使网络检查范围仅限于大约10%至23%（Abdelkhalek和Zayed，2023；Balekelayi和Tesfamariam，2020）。虽然CCTV通过标准化编码系统提供了详细的管道缺陷记录，但公用事业部门在数据收集能力与从中提取的机制洞察之间存在脱节。

作为替代方案，预测建模作为一种主动策略已经引起了广泛关注（Yang等人，2025；Zamanian和Shafieezadeh，2023）。该策略依赖于从现有检查数据集中提取信息以预测管道状况，以便进行计划维护（Harvey和McBean，2014a；Nguyen和Seidu，2022）。统计和机器学习模型在排水系统的预测性维护中得到了广泛应用。例如，Chughtai和Zayed（2008）使用加拿大两个城市的历史物理、运营和环境数据开发了多项回归模型来预测污水管道状况，这些模型在验证集上的准确率达到82%至86%。Lubini和Fuamba采用多项式逻辑回归模型来预测魁北克污水管道的恶化状态（Lubini和Fuamba，2011），他们对状况良好的管道（1-2级）的准确率为54%，对状况一般的管道（3级）的准确率为59%。然而，这些模型在处理复杂的预测因素方面存在局限性，它们假设因素之间的线性相互作用，并不能准确反映排水系统的实际情况（Elmasry等人，2017）。另一方面，包括支持向量机、人工神经网络、决策树和随机森林在内的先进机器学习工具目前正被用于评估排水管道状况。这些模型相比统计模型具有许多优势，能够处理日益增长的检查数据量和因素之间的复杂相互作用（Yang等人，2025a；Yang等人，2025）。此外，它们还具有更强的模式识别能力，能够准确捕捉到潜在的恶化模式。此外，这些模型还包含了特征重要性指标，可以量化每个特征的贡献，从而实现更有针对性的公用事业干预。

然而，尽管机器学习在准确预测状况方面具有先进能力，但这些方法仍存在关键问题。这些预测仅关注状况等级（通常是序数尺度1-5）或二元故障（0/1），将复杂的多缺陷模式简化为单一的数值分数（Abdelkhalek和Zayed，2023；Chughtai和Zayed，2008；Harvey和McBean，2014b；Mashford等人，2011；Nguyen和Razak，2023）。例如，一个同时经历接头位移、纵向裂缝和渗透的管道与一个只有表面损坏、根部侵入和沉积物堆积的管道被赋予相同的等级（例如4级），尽管这两种情况代表了根本不同的物理过程，需要采取不同的干预措施。这种汇总隐藏了缺陷共现模式中关于故障机制的关键信息。当多个缺陷在多个管道段中一致出现时，它们很可能反映了共同的潜在恶化机制。

认识到这些局限性，最近的研究强调了基于缺陷的框架在优先安排排水维护方面的重要性。在基于专家的调查中，Alqahtani等人研究了污水管道中的常见结构缺陷及其因果关系（Alqahtani等人，2023）。研究表明，某些缺陷会因其他缺陷的存在而加速恶化。例如，高流速的陡峭斜坡可能产生硫化氢，导致腐蚀并引发裂缝和断裂。同样，地下水通过裂缝进入管道可能携带沉积物或土壤颗粒，可能导致堵塞。Daher等人使用分析网络过程（ANP）作为聚合方法，评估了网络组件和一般缺陷类型（如结构缺陷、运营缺陷和安装缺陷）的相对权重（Daher等人，2018）。虽然这些研究提供了宝贵的专家见解，但它们揭示了当前文献中的四个关键知识空白。首先，没有研究通过大规模CCTV检查数据库实证验证排水管道缺陷是否以非随机模式共现；现有的预测工作要么将缺陷视为独立的预测因子，要么将它们汇总为单一的状况分数。其次，尽管网络科学在其他复杂系统（如医疗保健中的症状共现网络或生态学中的物种相互作用）中已被证明 effective，但它尚未应用于排水系统的恶化分析。第三，早期预警能力尚未得到发展：某些缺陷可能作为潜在连锁故障的中心指标，但在没有系统分析共现模式的情况下，这些关键信号会被忽视，直到发生严重的结构损坏。第四，没有研究将缺陷关系模式转化为超越简单状况评估的可操作维护协议。

本研究通过将聚类检测方法应用于香港排水网络的CCTV检查数据，开发并验证了一个网络科学框架。具体来说，我们构建了缺陷共现网络，并应用Louvain聚类算法来识别代表潜在恶化机制的群体。该框架解决了四个关键问题：

1. 区分反映物理机制的真实系统性共现与由抽样偏差或数据伪影引起的虚假模式。通过构建缺陷共现网络并识别群体，我们测试了排水管道的恶化是否遵循可发现的机制，而不是随机过程，这与现有方法独立处理缺陷的方式不同。
2. 识别在每种机制中起结构核心作用的缺陷，这些缺陷可能作为潜在的早期预警指标，从而在灾难性故障发生之前实现预测性干预。通过中心性分析，检查群体内缺陷之间的关联程度以及缺陷位置的具体影响。
3. 从缺陷组成、普遍性、结构关系（而不仅仅是时间顺序）以及与管道和环境属性的关联方面对识别的机制进行表征。通过结合参数敏感性分析和替代指标的比较进行全面的验证，我们确定所识别的模式是否代表真实的恶化机制或方法论上的伪影。
4. 将机制知识整合到维护协议中，超越简单的状况分数，以捕捉管道恶化的原因和方式。基于机制的框架实现了从整体状况预测向机制性恶化管理的转变，支持主动的资产管理策略，如基于风险的检查优先级划分和特定于机制的修复措施。

本文的其余部分结构如下：第2节描述了研究背景，包括香港排水系统的特点、CCTV检查协议以及包含记录有缺陷的管道段的数据集。第3节介绍了分析方法论，详细介绍了缺陷共现网络的构建、聚类检测算法和验证框架。第4节报告了四个部分的结果：缺陷共现模式、识别的恶化机制、证明模式稳定性的验证结果以及机制与基础设施属性之间的关联。第5节讨论了对理解恶化过程的理论意义和实际应用。第6节总结了关键发现，阐明了贡献，并概述了未来研究的方向。

**2. 研究区域和数据**
香港位于中国东南沿海，是一个高度城市化的城市，人口密度高（约750万人，占地1100平方公里）。香港在雨季面临强降雨，年平均降雨量达到2400毫米（Chui等人，2006；Keung等人，2018），这对排水基础设施造成了压力。排水服务部门（DSD）负责管理包括雨水和污水系统在内的排水基础设施。香港采用了独立的排水系统，将这两种基础设施分开管理；目前他们负责约2400公里的雨水排水管道和1900公里的污水管道。DSD报告称，其中约1800公里（超过30%）的管道已运行30年或更长时间，许多管道出现了磨损迹象。因此，定期使用CCTV摄像头进行检查以确定排水系统的状况。

图1展示了本研究中使用的全面数据收集和整合工作流程。分析利用了来自DSD的5,470个文件夹中的30,241份CCTV检查报告，这些报告收集自14年的运营期间（2007–2021年）。这个总计75.8GB的庞大数据集提供了城市排水系统的广泛空间和时间覆盖，确保了对香港排水基础设施各种运行状况和恶化阶段的代表性抽样（Yang等人，2025a；Yang等人，2025）。为了进行全面的缺陷聚类分析和后续的基础设施-缺陷关联研究，核心缺陷数据与来自多个香港政府机构的补充基础设施和环境信息系统地整合。在基于CCTV检查记录的初步缺陷识别基础上，研究还纳入了DSD提供的全面管道属性信息，包括行政区、长度、材料和直径，以表征基础设施状况。此外，数据集还通过整合关键的环境变量得到了进一步增强，这些变量包括交通部门的年平均日交通量（AADT）数据、规划与土地部门的土地使用分类数据，以及其他相关的空间和人口统计变量。下载：下载高分辨率图片（185KB）下载：下载全尺寸图片图1. 综合数据收集和整合工作流程。数据预处理解决了三个关键挑战：数据质量保证、格式标准化以及缺陷记录的解释。原始的CCTV检查数据嵌入在PDF报告中，需要系统的提取和转换过程。原始PDF文件首先从分层文件夹结构中重新组织，并使用Python库（PyPDF2、PDFMiner和pdfrw）进行基于关键词的聚类处理。PDF报告的格式各不相同，使用专门的提取软件将表格数据转换为结构化的Excel格式。这个多阶段提取过程处理了布局结构的变化、重叠的文本元素以及不同报告期间的不一致格式。实施了一个系统的多阶段预处理流程，以确保数据质量和分析的稳健性。在PDF到Excel转换之后，提取的数据经过了全面的验证和标准化程序。分析集中在表现出多种共现缺陷的管道段上，最初通过缺陷字段分析确定了一个子集。移除了逻辑上的不一致性，只保留了最完整的记录，并排除了缺少地理位置数据的段。分析仅限于混凝土和玻璃化粘土管道，这两种是网络中的主要材料，缺失值使用适当的统计方法（分类变量：众数；连续变量：中位数）进行插补，以保持样本大小而不引入显著偏差。所有数据集都由各自的机构定期更新和实施严格的质量控制措施，以确保不同数据源之间的准确性和一致性。这种多机构合作为全面的管道状态分析建立了坚实的基础。3. 方法论图2概述了用于研究排水基础设施系统退化模式的四阶段分析框架，包括数据处理、网络聚类、基础设施关联分析和维护策略开发。下载：下载高分辨率图片（529KB）下载：下载全尺寸图片图2. 研究方法论。3.1. 缺陷共现网络构建本研究使用了一个框架来检查排水缺陷，在该框架中，共现被定义为在同一管道段内的多个缺陷在单次CCTV检查期间被记录下来。这种方法认识到在同一段中出现缺陷可能共享共同的退化驱动因素，或者代表同一物理机制的不同表现形式。需要注意的是，这种段级别的共现定义没有捕捉到缺陷出现的时间顺序；在单次检查中观察到的缺陷可能是在不同的时间出现的。这一限制及其对因果解释的影响将在第5节中讨论。每个管道段p由其缺陷概况Dp={d1,d2,?..,dk}来表征，其中D=d1,d2,d3,?..,dm表示网络中观察到的所有不同缺陷类型的集合。如果di∈Dp，则认为缺陷di存在于段p中。任何缺陷对di,dj之间的共现频率量化了这些缺陷在所有检查段中一起出现的频率。对于缺陷di和dj，共现计数定义为：(1)Cij=p∈P:di∈p∧dj∈p，其中P表示所有检查过的管道段集合，Dp是段p的缺陷概况，表示集合的基数。这个计数表示同时存在缺陷di和dj的段的数量。缺陷共现网络被构建为一个加权的无向图：(2)G=V,E,W，其中V=D表示对应于唯一缺陷类型的节点，E?V×V表示连接在至少一个段中共现的缺陷对的边，W:E→R+分配权重以量化共现强度。具体来说，如果Cij>0，则在节点di和dj之间存在边eij∈E，并且相应的权重为：(3)wij=Cij，其中Cij在方程(1)中定义。为了说明网络构建逻辑，考虑一个涉及三种缺陷的简化例子：裂缝（CR）、断裂（FR）和根部侵入（RI），它们在三个检查过的段中以不同的频率共现。段分析显示CR和FR在两个段中一起出现（CCR,FR=2），FR和RI在两个段中一起出现（CFR,RI=2），而CR和RI仅在一个段中一起出现（CCR,RI=1）。得到的网络包含三个节点（CR, FR, RI），它们分别通过权重2、2和1相连，捕捉了成对关联的相对强度。原始频率加权直接反映了检查网络中缺陷对之间的关联强度。然而，为了评估对权重方案选择的敏感性，我们系统地评估了四种基于不同基线期望的标准化共现的方法，包括Jaccard相似性、逐点互信息（PMI）、 lift和标准化共现，如敏感性验证部分所述。3.2. 缺陷聚类识别从缺陷共现网络中识别退化机制需要将缺陷系统地划分为簇，即那些内部关联比与其他组中的缺陷连接更强的缺陷组。我们采用了Louvain算法（Blondel等人，2008年），这是一种在网络科学中广泛采用的层次优化方法，因为它具有计算效率高且能够识别大型加权网络中的多尺度聚类结构的优势（Que等人，2015年）。3.2.1. Louvain算法（LA）网络划分将每个缺陷分配给一个唯一的簇。让Ci表示缺陷i的簇分配，使得Ci∈{1,2,...,K}，其中K是划分中的簇数量。Louvain算法通过迭代优化模块度Q来进行操作，模块度Q是一个量化簇结构强度的质量指标：(4)Q=12m∑ijwij-γkikj2mδci,cj，其中wij表示缺陷i和j之间的边权重，ki=∑jwij是缺陷i的加权度（总连接强度），m=12∑ijwij是网络中的总边权重，ci表示缺陷i的簇分配，δci,cj=1如果ci=cj，否则为0。模块度比较了簇内的边权重比例与在保持节点度的情况下边随机分布时的预期比例。接近1的值表示强簇结构，而Q≈0表明随机连接模式（Newman & Girvan，2004）。Louvain算法通过两个交替的阶段进行，直到收敛：阶段1：局部优化。每个缺陷最初被分配到自己的簇。然后算法依次考虑每个缺陷i，并评估将其从当前簇移动到每个邻居j的簇所获得的模块度增益ΔQ：(5)ΔQ=∑in+2ki,in2m-∑tot+ki2m2-∑in2m-∑tot2m2-ki2m2，其中∑in是目标簇内的边权重总和，∑tot是簇内缺陷的边权重总和，ki是缺陷i的加权度，ki,in表示从i到目标簇中缺陷的边权重。如果不存在正增益，则缺陷i移动到簇中，产生最大的正ΔQ，否则保持在其当前簇中。这个过程重复进行，直到没有单独的移动能提高模块度。阶段2：网络聚合。识别的簇被合并成超级节点，创建一个新的网络，其中每个节点代表第一阶段的一个簇。超级节点之间的边权重等于相应簇中缺陷之间的权重总和，而自环捕捉内部簇的连接性。这个聚合网络成为下一次迭代的输入。当模块度不能再提高时，算法终止，产生一个层次分解，每个层次代表逐渐粗糙的簇结构。为了识别退化机制，我们从实现最大模块度的层次中提取划分，因为这代表了粒度与有意义分组之间的最佳平衡。3.2.2. 应用于缺陷网络将Louvain算法应用于加权缺陷共现网络G=(V,E,W)可以识别出与其他簇外的缺陷相比更频繁共现的缺陷簇。每个识别的簇被解释为一个潜在的退化机制，即一组可能由共享的物理过程驱动或代表相同潜在原因的顺序表现形式的缺陷。例如，一个包含纵向裂缝、环向断裂和变形的簇可能表示由于土壤负荷引起的结构退化，而根部侵入、接头位移和渗透可能表明是由地下水驱动的退化。实现使用了Python 3.9.7和NetworkX 2.6.3进行网络构建和Louvain聚类，采用固定的随机种子（random_state = 42）以确保可重复性。统计测试使用SciPy 1.7进行。Louvain算法对此应用有几个优势：（1）它自然处理加权网络，保留了关于共现强度的信息；（2）不需要预先指定簇的数量，允许数据驱动的机制发现；（3）O(nlogn)的计算复杂度使得能够分析大型排水网络。通过多种互补方法验证了识别出的簇的有效性，因为网络衍生的簇代表了需要根据物理原理、领域知识和预测效用进行验证的统计模式。第3.3节详细介绍了验证框架，而第3.4节描述了用于表征识别出的机制的机制-特征关联分析。3.2.3. 稳定性分析Louvain算法在标准模块度优化中隐含地假设了一个分辨率参数γ=1.0。然而，改变γ可以揭示不同组织尺度上的机制：较低的值倾向于较少、较大的簇，代表广泛的退化类别，而较高的值产生更细致的划分，捕捉特定的失效模式。我们在γ∈[0.5-1.5]范围内进行簇检测，以评估识别的机制是否代表网络结构的稳定特征。对于每个分辨率值，我们使用一致的随机种子（42）应用Louvain算法，并记录结果划分Cγ。我们使用调整后的互信息（AMI）来量化划分稳定性：(6)AMI=MIU,V-EMIU,VmaxHU,HV-EMIU,V，其中U和V代表不同参数设置下的聚类结果，MI是互信息，H表示熵，E[·]表示期望值。AMI值的范围从0（无一致）到1（完全一致），较高的值表示更大的聚类稳定性。最终选择的分辨率参数是在整个评估范围内产生最高模块度得分的值。3.2.4. 缺陷中心性分析为了识别共现网络中的结构重要缺陷，计算了三个互补的中心性指标。度中心性CD(i)=kin-1衡量缺陷i与其他缺陷共现的比例，ki是直接连接的数量，n是网络中缺陷类型的总数。介数中心性CB(i)=∑s≠i,s≠t,t≠iσst(i)σst识别位于其他路径对最短路径上的缺陷。其中σst表示节点s和t之间的最短路径总数，σst(i)是穿过节点i的路径数量。接近中心性Cci=n-1∑jd(i,j)量化缺陷在网络中到达所有其他缺陷的速度。d(i,j)是缺陷i和j之间的最短路径距离（边数）。我们强调这些指标量化了统计共现网络内的拓扑显性，并不建立退化起始的因果或时间角色。3.3. 验证框架识别出的退化机制的有效性需要验证它们是否代表真实的退化过程，而不是用于量化共现的权重方案的人为结果。无论关联是通过原始频率、标准化普遍性还是统计依赖性来测量的，一个稳健的机制都应该持续存在。不同的共现量化方法可能强调缺陷关系的不同方面：原始频率捕获绝对共现强度，标准化度量考虑了单个缺陷的普遍性，而基于互信息的指标识别出意外强的关联。如果识别的机制代表真实的物理过程，那么相同的缺陷应该无论使用哪种权重方案都会聚集在一起。我们评估了五种权重方法：原始共现（方程3）、Jaccard相似性Jij=Cij∣Di∪Dj∣、逐点互信息PMIij=logP(di,dj)P(di)P(dj)、lift Lij=P(di,dj)P(di)P(dj)和标准化共现Nij=Cijmin(∣Di∣,∣Dj∣)，其中∣Di∣表示包含缺陷di的段数。对于每种权重方案k∈{raw, Jaccard, PMI, lift, normalized}，我们使用特定于方案的边权重重建网络Gk=(V,E,Wk)，应用Louvain社区检测并使用一致的参数（γ = 1.2），并记录结果划分Ck。我们使用调整后的Rand指数（ARI）来评估不同方案之间的簇成员一致性：(7)ARI(Ck,Ck′)=∑ijnij2-∑iai2∑jbj2/n212∑iai2+∑jbj2-∑iai2∑jbj2/n2，其中nij是划分Ck中的缺陷数和划分Ck′中的缺陷数，ai=∑jnij和bj=∑inij是边际总和，n是缺陷总数。ARI的范围是从?1到1，1表示完全相同的聚类，0表示随机一致性，负值表示比机会预期的一致性较差。在方案之间的成对比较中，高ARI值表明识别的机制对权重方案的选择具有鲁棒性，验证了它们捕捉了缺陷共现的基本模式。3.4. 机制-特征关联分析在识别和验证退化机制之后，我们研究了它们与管道基础设施特征的关联，以支持基于风险的资产管理。多缺陷条目被解析和分解，每个缺陷类型根据Louvain划分被专门分配到其对应的簇（1–4）。机制的普遍性是通过属于特定集群的缺陷实例的百分比来计算的。例如，数据集中的所有缺陷内衬和变形实例都被分配到由网络分析创建的集群中。然后，我们检查了九个管道属性：材料类型、直径（毫米）、年龄（年）、长度（米）、服务总人口、交通强度、区域、道路类型和土地使用情况。这些特征被分类为分类变量（材料、区域、道路类型、土地使用）或连续变量（直径、年龄、长度、人口、交通），需要不同的统计方法。对于连续变量，我们使用Kruskal-Wallis H检验来比较表现出每种机制的管道与不表现出这种机制的管道之间的分布。检验统计量为：(8)H=12NN+1∑i=1kRi2ni-3N+1，其中N是总样本量，ni是组i的样本量（机制存在或不存在），Ri是组i的秩和。在分布相同的零假设下，H遵循自由度为1的卡方分布。对于显著的关联，我们报告epsilon平方作为效应量度量：??2=HN-1，其中ε2 < 0.01表示效应可以忽略，0.01 ≤ ε2 < 0.06表示小效应，0.06 ≤ ε2 < 0.14表示中等效应，ε2 ≥ 0.14表示大效应，并提供中位数差异以便实际解释。对于分类变量，卡方检验检查独立性：(9)χ2=∑ijOij-Eij2Eij，在机制普遍性与特征类别独立的零假设下，Oij和Eij分别表示观察到的和预期的频率。对于显著的关联，我们报告Cramér's V作为效应量：V=χ2N(k-1)，其中V < 0.10表示关联可以忽略，0.10 ≤ V < 0.20表示小关联，0.20 ≤ V < 0.40表示中等关联，V ≥ 0.40表示大关联。鉴于识别出的K种机制和9个特征，我们进行了9K次统计检验。为了控制家族错误率并避免假发现，我们应用Bonferroni校正，调整后的显著性阈值αcorrected=0.059K。只有p<αcorrected的关联被认为是统计显著的。 4. 结果 4.1. 缺陷共现和中心性影响 分析的数据集包含697个下水道管道段，其中记录了1,415个缺陷实例，这些缺陷来自香港的cctv检查记录。大多数段（677个，占97.1%）恰好有两个并发缺陷，19个段（2.7%）有三个缺陷，一个段（0.1%）记录了四个同时发生的缺陷。每个段的平均缺陷数为2.03个（标准差=0.18），表明在整个网络中存在一致的共现模式且方差较低。 在使用louvain聚类方法识别不同的缺陷集群之前，我们首先检查了成对的共现模式和网络中心性指标，以揭示缺陷类型之间的基本结构关系。这些中心性指标量化了统计共现网络中的拓扑显著性，特别是跨不同恶化情境的连接广度，并不建立恶化开始的因果或时间作用。共现矩阵（图3）显示了15种缺陷类型之间的明显聚类模式，其中出现了三个主要的缺陷枢纽：结壳-断裂（70次共现）、缺陷内衬-变形（125次共现）和破裂-渗透（57次共现）。值得注意的是，缺陷内衬-变形这对缺陷表现出最强的共现关系，表明这些缺陷代表了一种统一的恶化机制。除了这些成对关系之外，结壳表现出最广泛的连接模式，与破裂（54次）、断裂（70次）和渗透（52次）显著共现，使其成为共现网络中连接最广泛的节点。这一点通过其最高的度中心性（0.857）和介数中心性（0.178）得到确认，如表1所示，表明其作为统计共现结构中的拓扑枢纽的角色；这是否反映了因果优先性、诊断敏感性或普遍性效应需要纵向验证（见第5.2d节）。 4.2. 缺陷聚类 虽然共现矩阵和中心性分析揭示了成对关系和单个缺陷的重要性，但要识别有意义的缺陷集群，需要在多个分辨率参数上执行高效的聚类分析，以捕捉细粒度和更广泛的恶化模式。 4.2.1. 参数优化和缺陷集群稳定性 敏感性分析揭示了选择参数进行稳健缺陷聚类的关键见解。图4(a)表明，随着阈值的增加，网络结构发生了显著变化，边数从51减少到17，而网络密度从0.49急剧下降到0.16。尽管如此，网络模块性在阈值4之后稳定在0.35-0.40之间，如图4(a)所示。分辨率参数分析（表2）进一步显示，当γ=1.0-1.2时，模块性达到峰值（Q ≈ 0.337），确认在选定的分辨率参数下有一个稳定、定义明确的集群结构。 表2. 不同分辨率参数下的网络指标。 分辨率（γ）数量集群模块性最大尺寸最小尺寸平均尺寸标准尺寸 0.540.32391013.753.63 0.640.32391013.753.63 0.740.32391013.753.63 0.830.33731125.00 4.240.940.3314723.752.05 1.030.33731125.00 4.241.140.3372623.751.79 1.240.3372623.751.79 1.340.3372623.751.79 1.440.3372623.751.79 1.550.2677523.00 1.10 对于分辨率参数优化，图4(b)显示，分辨率1.0产生了三个平衡的集群，具有峰值模块性（0.337）和平均集群大小为5.0。然而，为了捕捉更细粒度的缺陷关系，我们选择了分辨率1.2，该分辨率识别出了四个集群，同时保持了高模块性（0.337）和更均匀的集群大小（平均值=3.75，标准差=1.79）。稳定性分析验证了这一选择：图4(c-d)显示了参数的强稳健性，阈值范围4–8显示出高一致性（AMI> 0.79），而分辨率参数0.8–1.2显示出一致的聚类（AMI > 0.64）。因此，我们采用阈值=4和分辨率=1.2作为最优参数，平衡了网络连接性和细粒度集群检测。随后，第4.2.2节将评估不同的边缘加权方案，以进一步验证和完善这些聚类结果。
基于网络可视化（图5），识别出了四个不同的集群。以下解释提供了关于缺陷共现网络结构模式的见解。

4.2.1.1. 集群1（n = 2，密度 = 1.000）：缺陷内衬，变形
这个集群代表了严重的结构问题，并具有完全的内部连通性（密度=1.000），表明变形和内衬故障之间存在强烈的共现。这些缺陷表明了一种故障级联机制，即外部负荷导致变形，从而损坏了保护性内衬；或者相反，损坏的内衬使管道暴露在腐蚀性环境中，削弱了结构完整性。这两种缺陷都需要立即进行结构修复，因为它们威胁到管道的整体完整性。

4.2.2.2. 集群2（n = 6，密度 = 0.600）：破裂、塌陷、结壳、断裂、孔洞、渗透
这个最大的集群捕捉了从轻微断裂到完全塌陷的逐步物理恶化路径。中等密度（0.600）反映了复杂的相互依赖性，其中结壳通过增加水力应力加速了结构故障，而断裂的部分和孔洞促进了渗透，导致土壤侵蚀和外部支撑的丧失。这个集群展示了需要基于条件的维护策略的临界水力-结构耦合。

4.2.1.3. 集群3（n = 5，密度 = 0.800）：裂缝、碎屑、接头偏移、根系、表面损坏
这个集群具有高内部连通性（密度=0.800），代表了以接头为中心的故障和环境侵入。接头偏移造成了流动中断，导致碎屑积聚和应力集中，从而引发裂缝，而根系通过现有开口逐渐损坏表面并位移接头。

4.2.1.4. 集群4（n = 2，密度 = 1.000）：缺陷：缺陷连接、泥沙侵入
这个具有完美内部连通性的孤立集群代表了管道接头、服务侧支管和检查井连接处的基础设施接口故障。连接点的密封缺陷使得泥沙侵入成为可能，这提供了地下水渗透的统计相关指标。这些缺陷需要在连接点进行有针对性的密封干预，而不是更换整个管道。

4.2.2. 使用替代加权方法进行聚类验证
上述识别的集群揭示了从关键的结构问题到特定接头损坏的不同的故障机制。为了评估所识别的结构是否代表真正的共现模式而不是频率偏差，比较了不同的加权方案。进行了使用替代加权方案的敏感性分析，以评估聚类的稳定性和稳健性。评估了五种边缘加权方法：原始（基于频率）、Jaccard（相似系数）、PMI（点对互信息）、Lift（关联强度）和标准化（比例加权）。表3总结了聚类结果，而图6(a)和(b)展示了分辨率参数、集群数量和所有加权方案下的模块性分数之间的关系。大多数加权方案（原始、Jaccard、Lift）在分辨率1.2时一致地识别出四个集群，显示出很强的结构稳定性。PMI和标准化方法都产生了五个集群，表明这些方法通过强调缺陷关系的不同方面检测到了更细粒度的集群结构。

4.3. 集群特征关联分析
通过多方法验证（ARI分析显示中等至良好的跨方法一致性，0.438–0.748），确认了四个集群结构的稳健性后，分析现在从理解哪些缺陷共现转向调查这些模式出现的原因。本节检查了识别的缺陷集群与管道特定特征（材料、年龄、直径、长度）和环境条件（土地使用、交通负荷）之间的关联。数据集整合了检查记录和全面的管道级物理、操作和环境特征，包括基础设施特征（直径、年龄、材料：玻璃化粘土/混凝土）、空间背景（区域、土地使用类型）和操作需求（人口密度、交通流量）（表4）。

表4. 数据集特征摘要和描述性统计。
特征 数据类型 唯一值 样本值 类别 描述
直径 整数 2422 25, 300, 375毫米 物理 管道标称直径（范围：150–1800毫米）
年龄 整数 673 3, 41, 28年 物理 安装以来的年数（范围：5–72年）
长度 浮点数 6322 8.58, 13.53, 11.23米 物理 检查段长度（范围：2.1–156.4米）
材料 分类 2 玻璃化粘土、混凝土 物理 管道建筑材料
区域 分类 10 大埔、元朗、西贡 地理 行政区域位置
土地使用 分类 11 村庄类型 开发、住宅 环境 周围土地使用分类
道路类型 分类 7 PD、TR、UR 环境 道路分类（PD=主要道路，TR=主干道，UR=城市道路）
总人口 浮点数 1061 3412, 1590 6, 17,227 操作 服务区域人口密度
AADT 浮点数 2942 9646.67, 18523.45 操作 年平均日交通量（车辆/天）这种异常的共现频率远远超过了随机情况下的预期，表明这些缺陷类型之间存在强烈的关联性。观察到的模式代表了衬里系统的协同失效，保护屏障和结构完整性同时恶化。根据特征关联，该簇的特点是使用了较旧的玻璃化粘土管道，这表明了衬里的磨损以及长期使用可能带来的环境影响。有三种可能的劣化途径可以解释这种共现现象：（1）外部载荷导致结构变形，通过拉伸或剪切应力机械性地损坏了保护性衬里（Falter，1996年）。土壤载荷传递到衬里的过程受到主管道与周围土壤之间复杂相互作用的控制。随着主管道的劣化或土壤基质中空洞的形成，管土系统发生变形，这种结构调整直接影响衬里与主管道的结合方式，进而影响载荷分布和衬里在复合系统中的性能（Spasojevic等人，2007年）；（2）劣化的衬里使管道壁暴露在侵蚀性化学环境中（如微生物活动产生的硫酸、工业废水），加速腐蚀，降低结构强度并导致变形；或者（3）共同的外部因素，如严重的地面运动、重交通负荷或管道基础流失，同时导致了这两种缺陷类型的出现（Law & Moore，2007年）。通过有限元分析确定，如果主管道在衬里安装后发生断裂，那么主管道和衬里都会在全部覆土压力下发生变形。因此，要实现安全的衬里设计，必须确保与主管道断裂相关的局部弯曲以及在全部土壤载荷下的变形都在聚合物材料的拉伸能力范围内。截面CCTV数据无法区分这些途径，因为所有三种情况都可能导致观察到的共现模式。需要通过纵向检查数据来追踪管道从出现缺陷到随后劣化的整个过程，以确定时间顺序并验证具体的因果关系。

实际上，完美的共现模式（密度=1.000）表明，识别出有缺陷的衬里或变形的检测程序应该对受影响的管道进行全面评估，以评估这两种缺陷类型。强烈的关联性表明，仅针对一种缺陷类型的修复可能不够充分；即使修复了衬里，严重变形的管道也可能经历快速的衬里劣化，而在变形的管道上进行衬里更换也可能因持续的机械应力而提前失效。同时恢复几何完整性和提供化学保护的结构性修复方法（例如，使用耐腐蚀树脂的原位固化管道、结构滑衬）似乎比单独的干预措施更为合适。

5.1.2. 簇2：结构-水力共现模式（54.5% 的普遍性）
该簇包含了最普遍的共现模式，其特征是相互关联的结构缺陷（断裂、坍塌、裂缝和孔洞）和运行障碍（结垢和渗透），内部连通性处于中等水平（密度=0.600）。这种结构-水力共现模式反映了多种可能导致共现的劣化途径，而不仅仅是一种线性的机制。网络中心性分析（第4.1节）显示，结垢在该簇中的度中心性（0.857）和介数中心性（0.178）最高，表明它经常与多种结构缺陷类型同时出现。然而，结垢的高中心性需要谨慎解释。网络中心性衡量的是统计上的关联模式；结垢的中心位置表明它经常出现在具有多种结构缺陷的管道中，但并不直接证明时间顺序或因果关系的起始。这个簇也有三种可能的解释：（1）结垢在劣化过程中早期形成，随后通过增加的水力应力导致结构失效（Yusuf等人，2022年）；（2）轻微的结构缺陷（小裂缝、表面粗糙度）造成流动扰动和滞留点，促进结垢的积累，使结垢成为结果而不是原因（Goode等人，2025年；Yang等人，2026年）；或者（3）共同的外部因素（低流速、刺激性水化学物质、沉积物负荷）独立产生了这两种缺陷类型。（Law & Moore，2007年）通过有限元分析发现，如果主管道在衬里安装后断裂，主管道和衬里都会在全部覆土压力下发生变形。因此，要实现安全的衬里设计，必须确保与主管道断裂相关的局部弯曲以及在全部土壤载荷下的变形都在聚合物材料的拉伸能力范围内。截面CCTV数据无法区分这些途径，因为所有三种情况都可能导致观察到的共现模式。需要通过纵向检查数据来追踪管道从出现缺陷到随后劣化的整个过程，以确定时间顺序并验证具体的因果关系。在实际应用中，完美的共现模式（密度=1.000）表明，识别出有缺陷的衬里或变形的检测程序应该对受影响的管道进行全面评估。强烈的关联性表明，仅针对一种缺陷类型的修复可能不够充分；即使修复了衬里，严重变形的管道也可能经历快速的衬里劣化，而在变形的管道上进行衬里更换也可能由于持续的机械应力而提前失效。同时恢复几何完整性和提供化学保护的结构性修复方法（例如，使用耐腐蚀树脂的原位固化管道、结构滑衬）似乎比单独的干预措施更为合适。

5.1.3. 簇3：根部-接头共现模式（22.3% 的普遍性）
簇3表现出较高的内部连通性（密度=0.800），涉及接头偏移、根部、碎屑、裂缝和表面损伤。这种根部-接头共现模式强调了管道接头周围的空间共位和环境入侵。共现模式表明，但并未明确证明接头脆弱性是组织这些现象的关键因素：接头偏移造成流动中断，促进碎屑积累，而接头间隙为根部入侵提供了入口。根据（Randrup等人，2001年）的研究，根部导致超过50%的污水堵塞，而从管道中清除根部的成本非常高。凯尔采工业大学收集了关于根部入侵的数据以及促成这些入侵的缺陷信息。他们确定了已经生长在管道内部的根部的入侵后果类别，并提出了一种确定与根部入侵相关的污水流动堵塞风险的方法（Kuliczkowska & Parka，2017年）。然而，也存在其他可能的顺序：根部通过初始的轻微接头缺陷逐渐侵入，可能导致接头错位；或者不同步沉降可能同时产生接头错位和土壤开裂，从而允许根部穿透（Vipulanandan & Liu，2005年）。在实际应用中，极端的空间聚类使得能够高效地进行地理定位的干预。该片区如果出现高普遍性现象，应进行全面调查，以识别系统性的安装缺陷或环境风险因素（例如，土壤的收缩膨胀潜力、树冠密度、振动暴露）。高内部连通性（密度=0.800）表明，仅针对个别缺陷类型进行修复的效果有限，因为缺陷的相互关联性表明接头持续存在脆弱性。针对根部入侵的预防措施（化学根屏障、特定树种管理）可能比反应性的机械根部清除更具成本效益，尤其是在接头间隙作为入侵入口的情况下。此外，这个簇在相对较新的管道和人口密集的居住区更为常见。这些缺陷处于早期阶段，需要在它们发展成故障之前采取积极的解决方案。

5.1.4. 簇4：连接-沉积物共现模式（4.9% 的普遍性）
簇4表现出完美的共现（密度=1.000），即有缺陷的连接点和淤泥入侵之间完全同时出现，共记录了31起实例。这种连接点淤泥入侵模式反映了基础设施接口（服务支管、检修孔连接、交叉结构）的空间特异性，而不是连续的管道段落。完美的共现很可能反映了连接点密封失效后允许地下水渗透并携带悬浮细颗粒物的物理机制。与簇3中较粗的碎屑积累不同（与流动中断相关），淤泥成分表明是外部水源的入侵，而非内部系统材料造成的。尽管普遍性较低（4.9%），但由于连接点的战略重要性，它们仍需要特别关注；服务支管的失效直接影响单个物业；交叉结构的失效可能破坏网络连通性；与连接相关的入侵对流入和渗透（I&I）问题贡献较大。有缺陷的连接点和淤泥入侵之间的完美共现提供了一个低成本的筛查指标：定期进行检修孔检查并记录淤泥积累情况就可以识别连接缺陷，而无需花费CCTV的成本。强烈的材料和尺寸关联性使得可以基于风险来优先处理那些具有密集连接配置的大直径收集管道。

5.2. 方法论考虑和局限性
(a) 时间动态和截面限制：
这项分析最显著的局限性在于将缺陷关系视为静态的，尽管数据集覆盖了14年时间（2007–2021年）。截面CCTV数据仅捕捉了单个时间点的缺陷共现情况，但无法观察到劣化途径中的时间顺序。因此，我们的机制解释虽然基于工程原理并与观察到的共现模式一致，但仍属于推断性的，而非经过实证验证的因果模型。网络分析可以识别哪些缺陷频繁共现，但无法确定哪些缺陷在劣化过程中首先出现，或者共现的缺陷是否具有因果关系，或者仅仅是受到共同驱动因素的影响。例如，簇2的结构-水力共现模式可能遵循多种顺序：裂缝 → 结垢 → 断裂 → 渗透 → 崩塌，这是一种符合观察到的共现现象的合理路径，但其他顺序（渗透 → 土壤侵蚀 → 外部载荷增加 → 结构失效）也可能产生相同的共现模式。通过多个检查周期跟踪单个管道段落进行纵向分析，可以确定具体的失效顺序。

未来的研究应该结合事件发生时间分析（生存模型、Cox比例风险模型）来估计劣化进程，并识别加速或减缓缺陷状态转变的因素。如果检查记录在管道段落层面进行纵向关联，而非仅仅在截面层面进行分析，14年的观察窗口足以进行此类分析。此外，能够明确表示缺陷共现时间演变的动态网络模型可以揭示由于人口变化、气候变化或活跃库存中管道材料组成的演变，劣化途径是否随时间发生了变化。

(b) 边缘权重方法和敏感性分析：
主要的网络分析使用原始的共现频率作为边缘权重，这可能会偏重于高普遍性的缺陷。例如，结垢的高度中心性（0.857）和介数中心性（0.178）部分反映了其总体高普遍性（总共185次共现），而非独特的强机制关系。即使缺陷与其他缺陷的共现是随机的，并且与它们的普遍性成正比，仅仅由于频率效应，它仍然会获得高中心性。第4.2.2节评估了四种不同的加权方案来校正基础普遍性：Jaccard、PMI、Lift和Normalised。关键发现是，四种聚类结构在不同加权方法下基本保持稳定。然而，模块化得分变化很大，PMI的Q值为0.7292。未来的分析应考虑使用PMI或类似的标准化指标作为主要加权方案，原始频率提供关于绝对共现规模的补充信息。

(c) 簇验证和外部验证：
使用调整后的互信息（AMI）有效地证明了在参数范围内的聚类稳定性，阈值4–8保持高一致性（AMI > 0.79），分辨率参数0.8–1.2显示出一致的结构（AMI > 0.64），证实了识别的簇是稳健的。然而，AMI代表的是内部验证，评估算法变体之间的一致性，而非外部验证，确认其与现实世界故障过程的对应关系。几种方法可以加强外部验证：（1）故障案例比较：回顾性分析记录的灾难性故障，以确定故障前的检查记录是否显示与识别出的簇相匹配的缺陷组合。（2）专家咨询：与经验丰富的公用事业工程师和CCTV分析师进行结构化访谈，以评估提出的劣化途径是否与数十年来积累的现场观察和专业判断一致。（3）水力-结构建模：计算模拟劣化过程，以确定提出的机制在现实载荷和环境条件下是否物理上可行。

(d) 中心性解释：关联性与因果关系：
高中心性缺陷的表征需要谨慎解释。中心性衡量了共现网络中节点的拓扑重要性。结垢的高介数中心性（0.178）表明它经常出现在网络结构中其他缺陷类型之间的最短路径上，但拓扑中心性并不等同于劣化序列中的因果或时间优先性。中心性有三种不同的解释：（1）因果中心性：高中心性缺陷在劣化过程中早期出现，并直接导致后续缺陷的发展。（2）诊断中心性：高中心性缺陷作为劣化活动的敏感指标，出现在具有多种缺陷组合的管道中，因为它们对多种潜在应力源都有反应。（3）混淆中心性：高中心性缺陷在劣化的管道中频繁出现，是由于其高基础普遍性与多种劣化驱动因素的非特异性关联，没有独特的因果或诊断重要性。只有通过纵向数据建立时间顺序才能区分这些解释。在实际应用中，高中心性缺陷需要更高的监测优先级，因为它们与其他多种缺陷的统计关联性表明了更高的风险，无论它们是作为原因、结果还是共同效应。关于有结垢现象的管道应当得到更多关注这一可操作的见解，在所有三种解释中都仍然有效，尽管干预的最佳时机有所不同（如果是因果关系，则应采取主动措施；如果是后果，则应采取被动措施）。5.3. 整合资产管理的影响经过验证的聚类结构能够对当前的资产管理实践进行有意义的改进，目前的资产管理实践通常将所有基础设施视为同质性的，并应用统一的检查和修复协议。这四个聚类显示出不同的普遍率（54.5%、22.3%、18.4%、4.9%）、特征关联和空间分布，表明管道库存中的故障模式在本质上是异质的。分析具有以下实际意义：1.衬里-变形共现模式需要基于年龄进行优先级排序（>40年），并结合材料选择（玻璃化陶土）和地理重点（城市核心区域）来识别高风险群体。此外，还需要全面的解决方案来解决结构完整性和环境保护问题。非开挖结构方法（CIPP与结构级树脂、紧密贴合的滑套）可以同时恢复几何稳定性和材料保护。基本上，将分类关联（材料、区域）与连续的年龄预测变量结合起来，表明分类树方法（随机森林、梯度提升树）在其预测建模方面的表现将优于线性模型。2.结构-水力共现模式在老化管道（40.9年）中很常见，支持基于状态的监测，其中初次检查建立基准，并根据严重程度调整重新检查间隔。即使在当前没有结构缺陷的情况下，如果出现严重的结垢现象，也需要加速重新检查。此外，水力模型输出（流速、沉积物输送能力）也将补充检查数据，以预测结垢的易感性。对于修复来说，早期缺陷（轻微裂缝、中度结垢）可以通过较低成本的干预措施（局部修复、水力清洗）来处理，将昂贵的技术（挖掘、全面更换）保留到更严重的情况下使用。使用多个显著的连续预测变量（年龄、长度、人口密度）和分类预测变量（道路类型、土地利用）对这一聚类进行建模，表明带有交互项（年龄×材料）的梯度提升模型将提高预测准确性，超过单变量方法。3.根-接头共现模式主要出现在相对较新的基础设施中（34.4年），服务于人口密度最高（17,131人）且交通流量较大的地区（日均交通量：19,543辆）。这些地区可能需要空间聚类（区域V = 0.453），以便进行地理定位，将检查资源集中在受影响区域（南部：24.1%，元朗：22.5%，屯门：14.6%），同时减少其他地区的检查频率。结合使用多种方法（根去除、接头灌浆和化学根阻隔剂）可以处理相互关联的缺陷组合。对于这一聚类，空间模型（地理加权回归、空间自回归模型）通过捕捉现有特征中未表示的局部安装质量或环境因素，将显著优于非空间方法。4.连接-沉积物共现模式在最大直径的管道（463.0毫米）中也很常见，混凝土占比高达87.0%。由于普遍率较低，常规的人孔检查记录沉积物堆积提供了低成本的筛查，在观察到淤泥侵入的地方部署有针对性的CCTV系统。根据材料特性进行优先级排序（混凝土管道与易受影响的连接技术）和土地利用定位（工业区、特殊用途区）可以提高效率。5.4. 未来研究方向几个研究扩展将解决已识别的局限性，并加强实际应用：1. 纵向退化跟踪：将多个周期内的检查记录链接到单个管道段级别，以建立时间序列，验证提出的故障路径，并量化退化阶段之间的进展速率。这使得基于证据的最佳重新检查间隔和干预时机估计成为可能。2. 整合未测量变量：纳入 Construction Quality Metrics（承包商身份、铺设材料规格、安装深度）、维护历史（清洁频率、之前的维修）以及水力负荷数据（流速、流量：容量比、硫化氢浓度），以提高预测模型的准确性，超越现有特征所能实现的有限效果。3. 司法故障调查：对记录在案的故障（紧急维修、倒塌、服务中断）进行结构化的回顾性分析，以确定故障前的检查记录是否显示特定于聚类的缺陷组合，从而提供机制相关性的外部验证。4. 修复效果评估：跟踪针对特定缺陷模式应用的不同修复技术的长期性能，以便基于证据选择治疗方法。当前的修复决策主要依赖于供应商声明和工程判断；按故障模式分层的比较效果研究将有助于优化资本投资。5. 水力-结构建模：开发计算模型，模拟提出的退化机制（结垢对壁面剪应力的影响、根侵入力对接头位移的影响、渗透引起的土壤侵蚀），以确定假设的故障路径的物理合理性，并识别退化加速的关键阈值。6. 通用性评估：将相同的分析框架应用于来自其他公用事业、气候区域和人口统计背景的检查数据，以确定识别的聚类是否代表普遍的故障模式或特定于背景的现象。多公用事业比较将有助于识别可转移的与系统特定的见解。6. 结论本研究通过开发一个网络科学框架解决了排水基础设施状况评估的关键局限性，该框架从缺陷共现模式中识别出系统的退化机制。对14年的CCTV检查数据进行分析，揭示了四个稳健的缺陷聚类，代表了不同的故障路径：衬里-变形共现模式、结构-水力共现模式、根-接头共现模式和连接-沉积物共现模式。使用五种不同的权重方案进行的多方法验证确认了聚类的稳健性，调整后的Rand指数值在方法学家族内部显示出完全一致（ARI = 1.000），以及中等至良好的跨方法一致性（ARI = 0.438–0.748）。使用调整后的互信息进行分辨率参数优化，在阈值4–8（AMI > 0.79）和分辨率参数0.8–1.2（AMI > 0.64）范围内显示出稳定的聚类效果。此外，这些机制与管道特性（直径、年龄、材料）和环境背景（区域、土地利用、交通强度）表现出显著的关联。该框架使资产管理实践发生了三项变革性改进。首先，特定于机制的检查策略取代了统一协议，将资源集中在通过特征关联和空间聚类模式识别出的高风险群体上。其次，缺陷中心性分析确定了每种机制内的统计上显著的共现节点；虽然这些节点在没有纵向验证的情况下不能被确认为因果预警指标，但它们在各种缺陷组合中的广泛统计关联支持将监测优先级提高作为预防措施。第三，修复策略可以根据退化路径进行匹配，而不是根据总体状况分数进行匹配，从而优化干预效果和资本效率。重要的局限性限制了因果解释。检查数据的横截面性质排除了对提出的退化序列的时间验证；通过多个检查周期对单个管道进行纵向跟踪将确定缺陷的先后顺序和进展速率。未来的研究应该整合纵向分析，纳入操作变量，并通过司法调查记录在案的故障来验证机制。尽管存在这些局限性，所展示的机制与可测量基础设施属性之间的关联为公用事业提供了立即可行的指导。根-接头共现模式的地理集中性使得空间定位成为可能；衬里-变形共现模式的材料特异性普遍性支持基于风险的优先级排序；结构-水力共现模式的高普遍性证明了基于状态的系统监测的合理性。该框架在不同公用事业、气候区域和人口统计背景下的通用性仍有待验证，这是未来多城市比较研究的重点。这种基于机制的方法从根本上将排水资产管理从被动故障响应转向基于对故障过程物理理解的主动退化管理。

CRediT作者贡献声明：
Dramani Arimiyaw：撰写 - 原始草稿、可视化、验证、软件、方法论、调查、概念化。
Tarek Zayed：撰写 - 审稿与编辑、监督、资源获取、资金筹集。
Jingchao Yang：撰写 - 审稿与编辑、可视化、验证、软件、方法论、调查、正式分析、数据管理、概念化。
Beenish Bakhtawar：撰写 - 审稿与编辑、方法论、调查、正式分析、数据管理、概念化。
Sherif Abdelkhalek：撰写 - 审稿与编辑、方法论、调查、正式分析、数据管理、概念化。
Mohamed Nashat：撰写 - 审稿与编辑、方法论、调查、正式分析、数据管理、概念化。