拿起一本工程杂志或期刊，很难没有看到关于人工智能(AI)将如何解决我们所有问题的文章。虽然这些工具确实是强大而有用的，但它们真的是它们所销售的万灵药吗?

在这篇博客中，让我们将AI模型与基于物理的模型进行对比。基于物理的模型是那些基于科学原理的模型，如F = ma或质量输入=质量输出，或经验关系，如曼宁的方程或者是理性的方法．人工智能模型是基于一个不同的有效原则——过去是未来的一个很好的预测器。

水力计算传统上基于基于物理的模型，因为我们了解这些原理。然而，我看到了一种趋势，即研究人员表示，他们不需要基于物理的模型来设计和操作液压系统。公平地说，有可能找到一个精心挑选的例子，其中AI模型是准确而快速的。

人工智能模型使用历史数据进行训练。在一定程度上，所提出的问题与训练数据是针对同一个系统的，我们有理由期望人工智能模型能够产生良好的结果。但是水力设计和操作分析通常涉及回答“如果”的问题，这些问题几乎总是涉及训练数据集中没有遇到的情况。例如:

-如果我们换了这个泵呢?

-我们将如何应对亚当斯街的火灾?

-新油罐会对抽水作业产生什么影响?

-最佳管理实践将如何减少径流?

AI训练数据可能不包括新泵，或者在Adams St发生火灾，或者包括尚未建造的坦克，或者有新的BMP的数据。在训练数据之外推断人工智能模型是有风险的。在一个经过良好校准的基于物理的模型中解决这些问题，为结果很可能是准确的提供了信心。

在人工智能专业人员手中，有了足够的数据，人工智能模型对于预测无法使用基于物理的模型建模的行为非常有价值，例如，下一个最有可能断裂的管道是哪条?

人工智能专业人士了解他们的工具的局限性，但最近流传的营销材料并不总是承认这一点。与任何模型一样，用户需要理解基本原理，特别是考虑到这两种类型的模型都变得如此复杂，以至于没有人能够理解每一个细微差别。但是，理解模型背后的基本原则，用户可以在选择工具时做出正确的选择。

如果你喜欢这样的博客，你可以回到我们的博客库//www.omd-dvd.com/tag/water-and-wastewater．

想从我们的常驻水和废水专家那里了解更多吗?今天加入Tom Walski博士通讯!