Роль искусственного интеллекта в предотвращении утечек воды из сетей водоснабжения

Введение. Одной из основ устойчивого развития и совершенствования централизованных систем водоснабжения (ЦСВ) и водоотведения является использование средств искусственного интеллекта (ИИ) на основе алгоритмов и моделей машинного обучения (МО): контролируемого, неконтролируемого, обучения с подкреплением. Утечки и несанкционированные подключения к ЦСВ представляют собой риски, приводя к потерям питьевой воды и снижению ценообразования в области учета водного ресурса. Актуальность связана с решением практических задач ИИ на основе новейших инноваций — прогнозированием и предотвращением аварий на ЦСВ при оптимальном планировании ремонтных работ и своевременном техническом обслуживании. Цель исследования — обосновать роль ИИ, использующего средства МО, в задачах прогнозирования отказов трубопроводов и аварийных ситуаций в ЦСВ.

Материалы и методы. Изучение информации о роли ИИ в предотвращении утечек воды из сетей водоснабжения выполнено методом литературного обзора примененных алгоритмов МО на предмет прогнозирования отказов труб в ЦСВ.

Результаты. Выявлены и представлены модели МО, используемые для диагностического анализа с целью прогнозирования утечек воды из сетей водоснабжения. Обзор технологий свидетельствует об использовании 18 алгоритмов МО для решения задач, связанных с утечками ЦСВ. Начало применения нейросетевых алгоритмов Кохонена (KNN) в России говорит о наличии единственного переведенного на русский язык нейросетевого ПО STATISTICA Automated Neural Networks. Начинают активно развиваться акустические и ультразвуковые методы мониторинга состояния подземных трубопроводных сетей, основанные на распространении объемных и направленных волн (шума).

Выводы. Водоканалам необходимо выполнять надежный и непрерывный сбор данных, что помогает принимать лучшие и надежные решения. Базы данных могут включать: диаметр трубы, длину участка и возраст трубы, давление, тип грунта. Собственно давление (или перепад) в сети не является признаком аварийности. Данный параметр следует рассматривать совместно с количеством отказов сети (аварий) на участках.

1. Robles-Velasco A. A machine learning approach to predict pipe failures in water distribution networks. 2022. 151 p. URL: https://idus.us.es/handle/11441/131484

2. Weeraddana D., Hapuarachchi H., Kumarapperuma L., Khoa N.L.D., Cai C. Long-term water pipe condition assessment: a semiparametric model using gaussian process and survival analysis // Lecture Notes in Computer Science. 2020. Pp. 487–499. DOI: 10.1007/978-3-030-47436-2_37

3. Pouri Z., Heidarimozaffar M. Spatial analysis and failure management in water distribution networks using fuzzy inference system // Water Resources Management. 2022. Vol. 36. Issue 6. Pp. 1783–1797. DOI: 10.1007/s11269-022-03104-5

4. Sattar A.M.A., Gharabaghi B., McBean E.A. Prediction of timing of watermain failure using gene expression models // Water Resources Management. 2016. Vol. 30. Issue 5. Pp. 1635–1651. DOI: 10.1007/s11269-016-1241-x

5. Sangroula U., Han K.H., Koo K.M., Gnawali K., Yum K.T. Optimization of water distribution networks using genetic algorithm based SOP–WDN program // Water. 2022. Vol. 14. Issue 6. P. 851. DOI: 10.3390/w14060851

6. Примин О.Г., Громов Г.Н. Совершенствование гидравлических расчетов систем водоснабжения с использованием электронных моделей // International Journal for Computational Civil and Structural Engineering. 2018. Т. 14. № 2. С. 141–148. DOI: 10.22337/2587-9618-2018-14-2-141-148. EDN OYBKZZ.

7. 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. DOI: 10.22227/1997-0935.2018.7.847-854

8. Kleiner Y., Rajani B. Comparison of four models to rank failure likelihood of individual pipes // Journal of Hydroinformatics. 2012. Vol. 14. Issue 3. Pp. 659–681. DOI: 10.2166/hydro.2011.029

9. Wang R., Dong W., Wang Y., Tang K., Yao X. Pipe failure prediction: A data mining method // 2013 IEEE 29th International Conference on Data Engineering (ICDE). 2013. Pp. 1208–1218. DOI: 10.1109/ICDE.2013.6544910

10. Francis R.A., Guikema S.D., Henneman L. Bayesian belief networks for predicting drinking water distribution system pipe breaks // Reliability Engineering & System Safety. 2014. Vol. 130. Pp. 1–11. DOI: 10.1016/j.ress.2014.04.024

11. Aydogdu M., Firat M. Estimation of failure rate in water distribution network using fuzzy clustering and LS-SVM methods // Water Resources Management. 2015. Vol. 29. Issue 5. Pp. 1575–1590. DOI: 10.1007/s11269-014-0895-5

12. Komba G.M., Mathonsi T.E., Owolawi P.A. Water pipeline leak detection and localisation in water distribution networks // 2023 International Conference on Emerging Trends in Networks and Computer Communications (ETNCC). 2023. Pp. 140–145. DOI: 10.1109/ETNCC59188.2023.10284934

13. Komba G.M., Mathonsi T.E., Owolawi P.A. Optimizing leak detection and location in water distribution networks using SVM-RF algorithm // 2024 15th International Conference on Mechanical and Intelligent Manufacturing Technologies (ICMIMT). 2024. Pp. 27–33. DOI: 10.1109/ICMIMT61937.2024.10585935

14. 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 // 2017 Computing Conference. 2017. Pp. 30–40. DOI: 10.1109/SAI.2017.8252078

15. Farmani R., Kakoudakis K., Behzadian K., Butler D. Pipe failure prediction in water distribution systems considering static and dynamic factors // Procedia Engineering. 2017. Vol. 186. Pp. 117–126. DOI: 10.1016/j.proeng.2017.03.217

16. Rifaai T.M., Abokifa A.A., Sela L. Integrated approach for pipe failure prediction and condition scoring in water infrastructure systems // Reliability Engineering & System Safety. 2022. Vol. 220. P. 108271. DOI: 10.1016/j.ress.2021.108271

17. 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 // Reliability Engineering & System Safety. 2022. Vol. 219. P. 108185. DOI: 10.1016/j.ress.2021.108185

18. Snider B., McBean E.A. Watermain breaks and data: The intricate relationship between data availability and accuracy of predictions // Urban Water Journal. 2020. Vol. 17. Issue 2. Pp. 163–176. DOI: 10.1080/1573062X.2020.1748664

19. Giraldo-González M.M., Rodríguez J.P. Comparison of statistical and machine learning models for pipe failure modeling in water distribution networks // Water. 2020. Vol. 12. Issue 4. P. 1153. DOI: 10.3390/w12041153

20. Almheiri Z., Meguid M., Zayed T. Intelligent approaches for predicting failure of water mains // Journal of Pipeline Systems Engineering and Practice. 2020. Vol. 11. Issue 4. DOI: 10.1061/(ASCE)PS.1949-1204.0000485

21. 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 // Reliability Engineering & System Safety. 2019. Vol. 186. Pp. 24–36. DOI: 10.1016/j.ress.2019.02.001

22. Shekofteh M., Jalili Ghazizadeh M., Yazdi J. A methodology for leak detection in water distribution networks using graph theory and artificial neural network // Urban Water Journal. 2020. Vol. 17. Issue 6. Pp. 525–533. DOI: 10.1080/1573062X.2020.1797832

23. Peng S., Cheng J., Wu X., Fang X., Wu Q. Pressure sensor placement in water supply network based on graph neural network clustering method // Water. 2022. Vol. 14. Issue 2. P. 150. DOI: 10.3390/w14020150

24. Tavakoli R., Sharifara A., Najafi M. Artificial neural networks and adaptive neuro-fuzzy models to predict remaining useful life of water pipelines // World Environmental and Water Resources Congress 2020. 2020. Pp. 191–204. DOI: 10.1061/9780784482988.019

25. Romanov R.V., Kochetkova S.S. Application of a neural network approach for localization of problem areas of a centralized water supply system // Third International Conference on Optics, Computer Applications, and Materials Science (CMSD-III 2023). 2024. P. 30. DOI: 10.1117/12.3025000

26. Mehran Jafari S., Bozorg-Haddad O., Reza Nikoo M. Application of artificial neural network and fuzzy logic in the urban water distribution networks pipe failure modeling // Studies in Computational Intelligence. 2022. Pp. 333–354. DOI: 10.1007/978-981-19-2519-1_16

27. Rashid A., Kumari S. Optimal design of water distribution network using Neuro – Fuzzy technique. 2021. DOI: 10.21203/rs.3.rs-915481/v1

28. Gheibi M., Moezzi R., Taghavian H., Wacła-wek S., Emrani N., Mohtasham M. et al. A risk-based soft sensor for failure rate monitoring in water distribution network via adaptive neuro-fuzzy interference systems // Scientific Reports. 2023. Vol. 13. Issue 1. DOI: 10.1038/s41598-023-38620-w

29. Yang Y., Hu Y., Zheng J. A decision tree approach to the risk evaluation of urban water distribution network pipes // Safety. 2020. Vol. 6. Issue 3. P. 36. DOI: 10.3390/safety6030036

30. Lučin I., Lučin B., Čarija Z., Sikirica A. Data-driven leak localization in urban water distribution networks using big data for random forest classifier // Mathematics. 2021. Vol. 9. Issue 6. P. 672. DOI: 10.3390/math9060672

31. Lucin I., Carija Z., Druzeta S., Lucin B. Detailed leak localization in water distribution networks using random forest classifier and pipe segmentation // IEEE access. 2021. Vol. 9. Pp. 155113–155122. DOI: 10.1109/ACCESS.2021.3129703

32. Marvin G., Grbčić L., Družeta S., Kranjčević L. Water distribution network leak localization with histogram-based gradient boosting // Journal of Hydroinformatics. 2023. Vol. 25. Issue 3. Pp. 663–684. DOI: 10.2166/hydro.2023.102

33. Parajuli U., Shin S. Identifying failure types in cyber-physical water distribution networks using machine learning models // AQUA — Water Infrastructure, Ecosystems and Society. 2024. Vol. 73. Issue 3. Pp. 504–519. DOI: 10.2166/aqua.2024.264

34. Timashev S.A., Makeeva T.V. Assessment and prediction of water supply network reliability under information shortage using artificial neural networks // ASCE Inspire 2023. 2023. Pp. 733–741. DOI: 10.1061/9780784485163.085

35. Тимашев С.А., Макеева Т.В. Оценка надежности городской водопроводной сети при дефиците информации методом искусственных нейронных сетей. Екатеринбург : Издательство Уральского университета, 2023. 78 с.

36. Карамбиров С.Н., Уманский П.М. Кластерный анализ участков водопроводной сети // Природо-обустройство. 2016. № 1. С. 23–27. EDN VVWITX.

37. Scussel O., Brennan M.J., Almeida F.C., Muggleton J.M., Rustighi E., Joseph P.F. Estimating the spectrum of leak noise in buried plastic water distribution pipes using acoustic or vibration measurements remote from the leak // Mechanical Systems and Signal Processing. 2021. Vol. 147. P. 107059. DOI: 10.1016/j.ymssp.2020.107059

38. Liu R., Zayed T., Xiao R. Advanced acoustic leak detection in water distribution networks using integrated generative model // Water Research. 2024. Vol. 254. P. 121434. DOI: 10.1016/j.watres.2024.121434

39. Yussif A.M., Sadeghi H., Zayed T. Application of machine learning for leak localization in water supply networks // Buildings. 2023. Vol. 13. Issue 4. P. 849. DOI: 10.3390/buildings13040849

40. Fares A., Tijani I.A., Rui Z., Zayed T. Leak detection in real water distribution networks based on acoustic emission and machine learning // Environmental Technology. 2023. Vol. 44. Issue 25. Pp. 3850–3866. DOI: 10.1080/09593330.2022.2074320