Издаётся с сентября 1923 года
DOI: 10.33622/0869-7019
Russian Science Citation Index (RSCI) на платформе Web of Science


  • ВОДОСНАБЖЕНИЕ, КАНАЛИЗАЦИЯ,
    СТРОИТЕЛЬНЫЕ СИСТЕМЫ ОХРАНЫ ВОДНЫХ РЕСУРСОВ
  • Оценка и прогноз надежности сетей водоснабжения с помощью искусственного интеллекта
  • УДК 628:004.85
    doi: 10.33622/0869-7019.2024.10.66-74
    Виктор Иванович БАЖЕНОВ1, доктор технических наук, профессор, исполнительный директор, bazhenov@pump.ru
    Олег Григорьевич ПРИМИН2, доктор технических наук, профессор, tepper2007@yandex.ru
    Владимир Викторович БАЖЕНОВ3, магистрант, bazhenovvladimirv@gmail.com
    1 Водоснабжение и водоотведение, 115054 Москва, Б. Строченовский пер., 7
    2 Национальный исследовательский Московский государственный строительный университет (НИУ МГСУ), 129337 Москва, Ярославское ш., 26
    3 Московский государственный технический университет им. Н. Э. Баумана (национальный исследовательский университет), 105005 Москва, 2-я Бауманская ул., 5
    Аннотация. Обоснована роль искусственного интеллекта, использующего средства машинного обучения, в задачах прогнозирования отказов трубопроводов и аварийных ситуаций в водопроводных сетях. Тенденции применения машинного обучения в управлении сетями водоснабжения выявили использование 16 алгоритмов для решения задач, связанных с утечками систем водоснабжения. Показано, что выходными переменными могут являться: интенсивность отказов, вероятность отказа, время до отказа, количество отказов, состояние труб, локализация уязвимых участков, оставшийся срок службы труб, коэффициент готовности. Проанализированы и представлены факторы, влияющие на отказы участков трубопроводов сетей водоснабжения. Отмечено, что результаты работы существующих в водной отрасли имитационных моделей возможно и целесообразно использовать для машинного обучения алгоритмов искусственного интеллекта. Подключение онлайн новых реальных данных с объекта управления позволит совершенствоваться таким методам и извлекать подходящие управленческие решения, а также стратегии из имитируемых систем.
    Ключевые слова: искусственный интеллект, машинное обучение, сети водоснабжения, управление водопроводной сетью, прогнозирование отказов трубопроводов, управление данными
  • СПИСОК ИСТОЧНИКОВ
    1. Alimi O. A., Ouahada K., M. Abu-Mahfouz A., Rimer S. A review of research works on supervised learning algorithms for SCADA intrusion detection and classification [Обзор исследовательских работ по алгоритмам контролируемого обучения для обнаружения и классификации вторжений в SCADA]. Sustainability, 2021, vol. 13, no. 17, p. 9597.
    2. Obringer R., White D. D. Leveraging unsupervised learning to develop a typology of residential water users' attitudes towards conservation [Использование неконтролируемого обучения для разработки типологии отношения бытовых водопользователей к сохранению водных ресурсов]. Water Resources Management, 2023, vol. 37, no. 1, pp. 37-53.
    3. Fan X., Yu X. An innovative machine learning based framework for water distribution network leakage detection and localization [Инновационная платформа на основе машинного обучения для обнаружения и локализации утечек в водопроводной сети]. Structural Health Monitoring, 2022, vol. 21, no. 4, pp. 1626-1644.
    4. Kammoun M., Kammoun A., Abid M. LSTM-AE-WLDL: Unsupervised LSTM auto-encoders for leak detection and location in water distribution networks [LSTM-AE-WLDL: Неконтролируемые автокодировщики LSTM для обнаружения и локализации утечек в сетях распределения воды]. Water Resources Management, 2023, vol. 37, no. 2, pp. 731-746.
    5. Fan X., Zhang X., Yu X. A graph convolution network deep reinforcement learning model for resilient water distribution network repair decisions [Графовая сверточная сеть - модель глубокого обучения с подкреплением для принятия решений о ремонте устойчивой водопроводной сети]. Computer Aided Civil and Infrastructure Engineering, 2022, vol. 37, no. 12, pp. 1547-1565.
    6. Xu J., Wang H., Rao J. Wang J. Zone scheduling optimization of pumps in water distribution networks with deep reinforcement learning and knowledge-assisted learning [Оптимизация зонного планирования работы насосов в сетях распределения воды с использованием глубокого обучения с подкреплением и обучения с использованием знаний]. Soft Computing, 2021, vol. 25, pp. 14757-14767.
    7. Рашка С. Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2. СПб : Диалектика, 2020. 848 с.
    8. Nishiyama M., Filion Y. Forecasting water main failure using artificial neural network and generalized linear models [Прогнозирование аварий на водопроводе с использованием искусственной нейронной сети и обобщенных линейных моделей]. World Environmental and Water Resources Congress 2013, Showcasing the Future, 2013, pp. 706-715.
    9. Weeraddana D., Hapuarachchi H., Kumarapperuma L. et al. Long-term water pipe condition assessment: a semiparametric model using gaussian process and survival analysis [Долгосрочная оценка состояния водопровода: полупараметрическая модель с использованием гауссовского процесса и анализа выживаемости]. Pacific-Asia Conference on Knowledge Discovery and Data Mining. Springer International Publishing, 2020, pp. 487-499.
    10. Fares H., Zayed T. Hierarchical fuzzy expert system for risk of failure of water mains [Иерархическая нечеткая экспертная система для оценки риска аварии на водопроводных магистралях]. Journal of Pipeline Systems Engineering and Practice, 2010, vol. 1, no. 1, pp. 53-62.
    11. Fares H., Zayed T. Risk assessment for water mains using fuzzy approach [Оценка риска для водопроводных сетей с использованием нечеткого подхода]. Construction Research Congress 2009. Building a Sustainable Future, 2009, pp. 1125-1134.
    12. Christodoulou S., Deligianni A., Aslani A., Agathokleous A. Risk-based asset management of water piping networks using neurofuzzy systems [Управление активами водопроводных сетей на основе оценки рисков с использованием нейронечетких систем]. Computers, Environment and Urban Systems, 2009, vol. 33, no. 2, pp. 138-149.
    13. Christodoulou S., Deligianni A. A neurofuzzy decision framework for the management of water distribution networks [Нейронечеткая структура принятия решений для управления сетями распределения воды]. Water Resources Management, 2010, vol. 24, pp. 139-156.
    14. Xu Q., Chen Q., Li W., Ma J. Pipe break prediction based on evolutionary data-driven methods with brief recorded data [Прогнозирование прорыва трубы на основе эволюционных методов, основанных на кратких зарегистрированных данных]. Reliability Engineering & System Safety, 2011, vol. 96, no. 8, pp. 942-948.
    15. Sattar A. M. A., Gharabaghi B., McBean E. A. Prediction of timing of watermain failure using gene expression models [Прогнозирование сроков выхода из строя водопроводной магистрали с использованием моделей экспрессии генов]. Water Resources Management, 2016, vol. 30, pp. 1635-1651.
    16. Kleiner Y., Rajani B. Comparison of four models to rank failure likelihood of individual pipes [Сравнение четырех моделей для ранжирования вероятности отказа отдельных труб]. Journal of Hydroinformatics, 2012, vol. 14, no. 3, pp. 659-681.
    17. Wang R., Dong W., Wang Y. et al. Pipe failure prediction: A data mining method [Прогнозирование выхода из строя труб: метод интеллектуального анализа данных]. 2013 IEEE 29th International Conference on Data Engineering (ICDE), 2013, pp. 1208-1218.
    18. Francis R. A., Guikema S. D., Henneman L. Bayesian belief networks for predicting drinking water distribution system pipe breaks [Байесовские сети убеждений для прогнозирования прорывов труб в системе распределения питьевой воды]. Reliability Engineering & System Safety, 2014, vol. 130, pp. 1-11.
    19. Aydogdu M., Firat M. Estimation of failure rate in water distribution network using fuzzy clustering and LS-SVM methods [Оценка интенсивности отказов в водопроводной сети с использованием методов нечеткой кластеризации и LS-SVM]. Water Resources Management, 2015, vol. 29, pp. 1575-1590.
    20. Amaitik N. M., Buckingham C. D. Developing a hierarchical fuzzy rule-based model with weighted linguistic rules: A case study of water pipes condition prediction [Разработка иерархической модели на основе нечетких правил с весовыми лингвистическими правилами: пример прогнозирования состояния водопроводных труб]. 2017 Computing Conference. IEEE, 2017, pp. 30-40.
    21. Farmani R. et al. Pipe failure prediction in water distribution systems considering static and dynamic factors [Прогнозирование отказов труб в системах распределения воды с учетом статических и динамических факторов]. Procedia Engineering, 2017, vol. 186, pp. 117-126.
    22. Rifaai T. M., Abokifa A. A., Sela L. Integrated approach for pipe failure prediction and condition scoring in water infrastructure systems [Комплексный подход к прогнозированию отказов труб и оценке состояния систем водной инфраструктуры]. Reliability Engineering & System Safety, 2022, vol. 220, p. 108271.
    23. Fan X., Wang X., Zhang X., Yu X. Machine learning based water pipe failure prediction: The effects of engineering, geology, climate and socio-economic factors [Прогнозирование отказов водопроводов на основе машинного обучения: влияние инженерных, геологических, климатических и социально-экономических факторов]. Reliability Engineering & System Safety, 2022, vol. 219, p. 108185.
    24. Snider B., McBean E. A. Watermain breaks and data: The intricate relationship between data availability and accuracy of predictions [Прорывы водопровода и данные: сложная взаимосвязь между доступностью данных и точностью прогнозов]. Urban Water Journal, 2020, vol. 17, no. 2, pp. 163-176.
    25. Giraldo-Gonzбlez M. M., Rodrнguez J. P. Comparison of statistical and machine learning models for pipe failure modeling in water distribution networks [Сравнение статистических и машинных моделей обучения для моделирования отказов труб в сетях распределения воды]. Water, 2020, vol. 12, no. 4, pp. 1153.
    26. Almheiri Z., Meguid M., Zayed T. Intelligent approaches for predicting failure of water mains [Интеллектуальные подходы к прогнозированию отказов водопроводных сетей]. Journal of Pipeline Systems Engineering and Practice, 2020, vol. 11(4), pp. 1-15.
    27. Tang K., Parsons D. J., Jude S. Comparison of automatic and guided learning for Bayesian networks to analyse pipe failures in the water distribution system [Сравнение автоматического и управляемого обучения для байесовских сетей для анализа отказов труб в системе распределения воды]. Reliability Engineering & System Safety, 2019, vol. 186, pp. 24-36.
    28. Shekofteh M., Jalili Ghazizadeh M., Yazdi J. A methodology for leak detection in water distribution networks using graph theory and artificial neural network [Методология обнаружения утечек в водопроводных сетях с использованием теории графов и искусственной нейронной сети]. Urban Water Journal, 2020, vol. 17, no. 6, pp. 525-533.
    29. Peng S., Cheng J., Wu X., Wu Q. Pressure sensor placement in water supply network based on graph neural network clustering method [Размещение датчика давления в водопроводной сети на основе метода кластеризации графовых нейронных сетей]. Water, 2022, vol. 14, no. 2, p. 150.
    30. Tavakoli R., Sharifara A., Najafi M. Artificial neural networks and adaptive neuro-fuzzy models to predict remaining useful life of water pipelines [Искусственные нейронные сети и адаптивные нейро-нечеткие модели для прогнозирования остаточного срока службы водопроводов]. World Environmental and Water Resources Congress 2020. Reston, VA, American Society of Civil Engineers, 2020, pp. 191-204.
    31. Romanov R. V., Kochetkova S. S. Application of a neural network approach for localization of problem areas of a centralized water supply system [Применение нейросетевого подхода для локализации проблемных участков централизованной системы водоснабжения]. Third International Conference on Optics, Computer Applications, and Materials Science (CMSD-III 2023). SPIE, 2024, vol. 13065, pp. 113-117.
    32. Yang Y., Hu Y., Zheng J. A decision tree approach to the risk evaluation of urban water distribution network pipes [Подход на основе дерева решений для оценки риска труб городской водопроводной сети]. Safety, 2020, vol. 6, no. 3, p. 36.
    33. Luиin I., Luиin B., Иarija Z., Sikirica A. Data-driven leak localization in urban water distribution networks using big data for random forest classifier [Локализация утечек на основе данных в городских водопроводных сетях с использованием больших данных для классификатора случайный лес]. Mathematics, 2021, vol. 9, no. 6, p. 672.
    34. Luиin I., Luиin B., Иarija Z., Sikirica A. Detailed leak localization in water distribution networks using random forest classifier and pipe segmentation [Детальная локализация утечек в водопроводных сетях с использованием классификатора случайный лес и сегментации труб]. IEEE access, 2021, vol. 9, pp. 155113-155122.
    35. Timashev S. A., Makeeva T. V. Assessment and prediction of water supply network reliability under information shortage using artificial neural networks [Оценка и прогнозирование надежности сетей водоснабжения в условиях дефицита информации с использованием искусственных нейронных сетей]. ASCE Inspire, 2023, pp. 733-741.
    36. Тимашев С. А., Макеева Т. В. Оценка надежности городской водопроводной сети при дефиците информации методом искусственных нейронных сетей. Екатеринбург : Изд-во Уральского университета, 2023. 78 с.
    37. Карамбиров С. Н., Уманский П. М. Кластерный анализ участков водопроводной сети // Природообустройство. 2016. № 1. С. 23-27.
    38. Примин О. Г., Храменков С. В., Зоткин С. П., Орлов В. А. Оценка надежности и планирование восстановления водопроводных и водоотводящих трубопроводов. Свидетельство о государственной регистрации программы для ЭВМ № 2018617532 от 26.06.2018.
    39. Sun P., Gao Y., Jin B., Brennan M. J. Use of PVDF wire sensors for leakage localization in a fluid-filled pipe [Использование датчиков из поливинилденфторида (PVDF) для локализации утечек в трубе, заполненной жидкостью]. Sensors, 2020, vol. 20, no. 3, p. 692.
    40. Scussel O. et al. Estimating the spectrum of leak noise in buried plastic water distribution pipes using acoustic or vibration measurements remote from the leak [Оценка спектра шума утечки в заглубленных пластиковых водопроводных трубах с использованием акустических или вибрационных измерений на расстоянии от утечки]. Mechanical Systems and Signal Processing, 2021, vol. 147, p. 107059.
    41. Sangroula U., Han K-H., Koo K-M. et al. Optimization of water distribution networks using genetic algorithm based SOP-WDN program [Оптимизация сетей распределения воды с использованием программы SOP-WDN на основе генетического алгоритма]. Water, 2022, vol. 14, no. 6, p. 851.
    42. Примин О. Г., Громов Г. Н., Тен А. Э. Алгоритмы построения и калибровки электронных моделей системы водоснабжения // Вестник МГСУ. 2018. Т. 13. №. 7(118). С. 847-854.
  • Для цитирования: Баженов В. И., Примин О. Г., Баженов В. В. Оценка и прогноз надежности сетей водоснабжения с помощью искусственного интеллекта // Промышленное и гражданское строительство. 2024. № 10. С. 66-74. doi: 10.33622/0869-7019.2024.10.66-74

НАЗАД