پیش بینی نرخ شکست لوله ها در شبکه های توزیع آب با استفاده از روش های RCNN-SVR و FCMR

الموضوعات :

مهدی مومنی رق آبادی ¹ , احمد روانبخش ² , امیر رباطی ³

1 - گروه مهندسی عمران، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران
2 - گروه مهندسی عمران، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران
3 - گروه مهندسی عمران، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران

تاريخ الإرسال : 27 الخميس , رجب, 1442 تاريخ التأكيد : 24 الأربعاء , محرم, 1443 تاريخ الإصدار : 09 الأحد , رجب, 1445

الکلمات المفتاحية: هوش مصنوعی, فازی, شبکه توزیع آب, شکست لوله, نرخ شکست,

ملخص المقالة :

چکیده
مقدمه: بهینه سازی برنامه های اصلاح، بازسازی و نوسازی شبکه های آب شهری به منظور استفاده صحیح از منابع محدود آب امری ضروری است. هدف از تحقیق حاضر پیاده سازی و مقایسه دو روش هوش مصنوعی به منظور پیش بینی نرخ شکست لوله های آب می باشد.
روش: در این مقاله، اطلاعات اتفاقات شبکه آب شهر جوپار از سال 1391 تا 1398 جمع آوری شده است. پارامترهای بررسی شده در شکست لوله ها شامل جنس، سن، قطر، فشار آب و عمق نصب بوده که ضریب همبستگی این پارامترها با نرخ شکست بررسی گردیده است. به منظور پیش بینی نرخ شکست، از روش های شبکه عصبی کانولوشن با ماشین بردار پشتیبان(RCNN-SVR)  و رگرسیون فازی براساس خوشه بندی میانگین c (FCMR) استفاده شده است. جهت مقایسه عملکرد دو روش نیز از معیارهای میانگین مربعات خطا، درصد خطای میانگین مطلق، شاخص تطابق و ضریب تعیین بهره گرفته شده است.
یافته ها: با توجه به ارزیابی صورت گرفته، روش RCNN-SVR نسبت به روش FCMR نتایج بسیار مناسبی را نشان می دهد. همچنین همبستگی بین سن و نرخ شکست در لوله های آزبست بالا بوده و در لوله های پلی اتیلن این مقدار مثبت ولی کم می باشد. ضریب همبستگی بین فشار و نرخ شکست نیز برای هر دو جنس لوله مثبت است.
نتیجه گیری: RCNN-SVR  مدل پیش بینی دقیق تری را نسبت به FCMR ارائه داده و خطای کمتری دارد. لذا این روش می تواند به طور موثر نرخ شکست لوله ها را پیش بینی نماید.

المصادر:

1.        ASCE. 2017. 2017 Report Card for America’s Infrastructure, Drinking Water. American Society of Civil Engineers.

2.        Watson, T. G., C. D. Christian, A. J. Mason, M. H. Smith, and R. Meyer. 2004. Bayesian-Based Pipe Failure Model. Journal of Hydroinformatics 6(4):259–64.

3.        Pelletier, Geneviève, Alain Mailhot, and Jean-Pierre Villeneuve. 2003. Modeling Water Pipe Breaks—Three Case Studies. Journal of Water Resources Planning and Management 129(2):115–23.

4.       Asnaashari, A., 2007. Water pipeline failure modeling: statistical, artificial neural network and survival modeling, PhD. Thesis, University of Science and Technology of Lille.

5.       Soltani, J and Mohammad Rezapour Tabari, M., 2011. Determination of Effective Parameters in Pipe Failure Rate in Water Distribution System Using the Combination of Artificial Neural Networks and Genetic Algorithm. Journal of water and wastewater. [In Persian].

6.        Dridi, Leila, Alain Mailhot, Marc Parizeau, and Jean-Pierre Villeneuve. 2009. Multiobjective Approach for Pipe Replacement Based on Bayesian Inference of Break Model Parameters. Journal of Water Resources Planning and Management 135(5):344–54.

7.       Roozbahani, A., 2012. Risk-based decision making model for urban water systems management . PhD. Thesis, University of Tehran. [In Persian].

8.       Randall-Smith, M., A. Russell, and R. Oliphant. 1992. Guidance Manual for the Structural Condition Assessment of the Trunk Mains. Swindon, UK: Water Research Centre.

9.        Kutyłowska, Małgorzata. 2019. Application of MARSplines Method for Failure Rate Prediction. Periodica Polytechnica Civil Engineering 63(1):87–92.

 

10.    Achim, D., F. Ghotb, and K. J. McManus. 2007. Prediction of Water Pipe Asset Life Using Neural Networks. Journal of Infrastructure Systems 13(1):26–30.

11.   Kutylowska, M. 2017. Regression Methods for Predicting Rate and Type of Failures of Water Conduits. Ecological Chemistry and Engineering A 24 (2): 193–205.

12.    Kutyłowska, M. 2019. Forecasting Failure Rate of Water Pipes. Water Science and Technology: Water Supply 19(1):264–73.

13.    Rajani, B., and S. Tesfamariam. 2007. Estimating Time to Failure of Cast-Iron Water Mains. Proceedings of the Institution of Civil Engineers: Water Management 160(2):83–88.

14.    Christodoulou, Symeon, Pooyan Aslani, and Annie Vanrenterghem. 2003. A Risk Analysis Framework for Evaluating Structural Degradation of Water Mains in Urban Settings, Using Neurofuzzy Systems and Statistical Modeling Techniques. Pp. 681–89 in World Water and Environmental Resources Congress.

15.    Tabesh, M., J. Soltani, R. Farmani, and D. Savic. 2009. Assessing Pipe Failure Rate and Mechanical Reliability of Water Distribution Networks Using Data-Driven Modeling. Journal of Hydroinformatics 11(1):1–17.

16.    Berardi, L., O. Giustolisi, Z. Kapelan, and D. A. Savic. 2008. Development of Pipe Deterioration Models for Water Distribution Systems Using EPR. Journal of Hydroinformatics 10(2):113–26.

17.    Konstantinou, Charalampos, and Ivan Stoianov. 2020. A Comparative Study of Statistical and Machine Learning Methods to Infer Causes of Pipe Breaks in Water Supply Networks. Urban Water Journal 17(6):534–48.

18.    Snider, Brett, and Edward A. McBean. 2020. Improving Urban Water Security through Pipe-Break Prediction Models: Machine Learning or Survival Analysis. Journal of Environmental Engineering 146(3).

19.    Zhou, Xiao, Zhenheng Tang, Weirong Xu, Fanlin Meng, Xiaowen Chu, Kunlun Xin, and Guangtao Fu. 2019. Deep Learning Identifies Accurate Burst Locations in Water Distribution Networks. Water Research 166.

20.   Zhang Youshan, Guo Liangdong, Li Qi, and Li Junhui. 2019. Electricity consumption forecasting method based on mpso-bp neural network model. PROCEEDINGS OF THE 2019 4TH INTERNATIONAL CONFERENCE ON ELECTRICAL ELECTRONICS ENGINEERING AND COMPUTER SCIENCE (ICEEECS 2016), 50:674-678, 2019.

21.   Vapnik V., 1995. The nature of statistical learning theory, Springer-Verlag, New-York.

22.    Vapnik, Vladimir N. 1999. An Overview of Statistical Learning Theory. IEEE Transactions on Neural Networks 10(5): 988–99.

23.   Vapnik V., 1998. The support vector method of function estimation, In Nonlinear Modeling: advanced black-box techniques, Suykens J.A.K., Vandewalle J. (Eds.), Kluwer Academic Publishers, Boston, pp.55-85.

24.    Hathaway, Richard J., and James C. Bezdek. 1993. Switching Regression Models and Fuzzy Clustering. IEEE Transactions on Fuzzy Systems 1(3):195–204.

25.    Bezdek, James C., Robert Ehrlich, and William Full. 1984. FCM: The Fuzzy c-Means Clustering Algorithm. Computers and Geosciences 10(2–3):191–203.

26.   Bezdek, J.C., 1981. Pattern Recognition with Fuzzy Objective Function Algorithm, New York: Plenum Press.

27.   Dave, R.N., 1992. Boundary detection through fuzzy clustering. IEEE International Conference on Fuzzy Systems. pp. 127-134.

28.    Ali, Ameer M.; Karmakar, Gour C. and Dooley, Laurence S. 2008. Review on Fuzzy Clustering Algorithms. Journal of Advanced Computations, 2(3) pp. 169–181.