Dwie metody sztucznej inteligencji do klasyfikacji rodzajów uszkodzeń przewodów wodociągowych

• Autorzy: Kutyłowska Małgorzata , Cieżak Wojciech

Identyfikatory

DOI

10.36119/15.2024.2.5

Warianty tytułu

EN

Two AI methods for classification of water pipes damage

• Języki publikacji: PL

Abstrakty

PL

Stan techniczny infrastruktury komunalnej jest nieustannie w centrum zainteresowania z uwagi na konieczność utrzymania ustabilizowanej gospodarki wodnej, która może być zaburzona w sytuacji występowania wielu awarii i uszkodzeń sieci wodociągowej. Nie tylko liczba, ale również rodzaj uszkodzeń jest zmienną, która powinna być przedmiotem analiz technicznych, ekonomicznych i niezawodnościowych. W pracy przedstawiono porównanie wyników klasyfikacji uszkodzeń przewodów wodociągowych z wykorzystaniem dwóch metod opartych o założenia sztucznej inteligencji, czyli metody drzew klasyfikacyjnych i algorytmu sieci neuronowych. Celem pracy było sprawdzenie, czy trafność klasyfikacji w oparciu o perceptron wielowarstwowy będzie większa niż uzyskano to kilka lat temu w autorskich badaniach podczas analizy metody drzew klasyfikacyjnych. Do modelowania zastosowano dane eksploatacyjne z istniejącego jednego z większych systemów wodociągowych w Polsce. Przeanalizowano kilka wariantów różniących się od siebie rozmiarem wektora wejściowego. Uzyskane wyniki nie są zadowalające, gdyż tylko najbardziej licznie występujące w zbiorze danych uszkodzenia, zostały zaklasyfikowane poprawnie w ok. 80%, a w przypadku innych rodzajów uszkodzeń dokładność klasyfikacji była minimalna. W związku z tym konieczna wydaje się zmiana podejścia w kolejnych etapach pracy nad zagadnieniem przewidywania zmiennych jakościowych.

EN

The technical condition of municipal infrastructure is continually in the centre of attention. It is necessary to maintain water management in stable conditions. Many failures of water pipes could lead to destabilize the whole water management in the cities. Not only the number of damage, but also their kinds should be analysed using technical, economical and reliability analysis. The comparison of classification results of kinds of water pipes damage using two artificial intelligence methods (classification trees and neural networks) was presented in the paper. The aim of the work was to check if classification accuracy using multilayer perceptron is higher than in other original investigations carried out several years ago when classification trees were analysed. Exploitation data from water supply system were used for modelling purposes. Several configurations with different size of input vector were investigated. Obtained results are not satisfactory. Only the most numerous classified in approx. 80%. For other kinds of failures the classification accuracy was minimal. It is necessary to change, in the next work stages, the investigation approach of quality variables prediction.

Słowa kluczowe

PL

uszkodzenia; przewody wodociągowe; sieci neuronowe; drzewo klasyfikacyjne

EN

damage; water pipes; neural networks; classification trees

• Wydawca: Ośrodek Informacji "Technika instalacyjna w budownictwie''
• Czasopismo: Instal
• Rocznik: 2024
• Tom: nr 2
• Strony: 44--48
• Opis fizyczny: Bibliogr. 22 poz., rys., tab.

Twórcy

autor

Kutyłowska Małgorzata

• Wydział Inżynierii Środowiska, Politechnika Wrocławska, Wrocław

• https://orcid.org/0000-0001-8425-9041

autor

Cieżak Wojciech

• Wydział Inżynierii Środowiska, Politechnika Wrocławska, Wrocław

• https://orcid.org/0000-0001-6210-8728

Bibliografia

• [1] Kwietniewski M., Kowalski D. 2022.: Wodociągi i kanalizacje - od starożytności do współczesności. Gaz, Woda i Technika Sanitarna, (9): 30-37.
• [2] Kasino W., Suchorab P., Kowalski D. 2021.: Inteligentny system zarządzania siecią wodociągową w Żywcu. Gaz, Woda i Technika Sanitarna, (10): 16-19.
• [3] Rak J., Ustrobiński M., Potyczny R., Stręk M. 2023.: Analiza zużycia wody w Rzeszowie w czasie kryzysu uchodźczego z Ukrainy. Instal, (1): 44-46, DOI: 10.36119/15.2023.1.6
• [4] Kowalski D., Kowalska B., Suchorab P. 2022.: Smart water supply system: a quasi intelligent diagnostic method for a distribution network. Applied Water Science, (12): 135, https://doi.org/10.1007/s13201-022-01656-w.
• [5] Kowalski D., Suchorab P. 2023.: The impact assessment of water supply DMA formation on the monitoring system sensitivity. Applied Sciences, (13): 1554, https://doi.org/10.3390/app13031554.
• [6] Iwanek M. 2022.: Parameters characterizing leakages from damaged water pipes in the aspect of environmental security. Applied Water Science, (12): 126, https://doi.org/10.1007/s13201-022-01641-3.
• [7] Iwanek M., Suchorab P., Suchorab Z. 2019.: FEM simulation of water lost through damaged household water connection. MATEC Web of Conferences, (252): 05008, https://doi.org/10.1051/matecconf/201925205008.
• [8] Piórek D., Stańczyk J., Licznar P. 2022.: Ocena parametrów wydajności i ciśnienia sieci wodociągowej na cele przeciwpożarowe w świetle przeprowadzonych testów hydrantowych. Instal, (12): 71-76, DOI: 10.36119/15.2022.12.12.
• [9] Miszta-Kruk K., Kaznowska E. 2019.: Problematyka zjawiska suszy a systemy zaopatrzenia w wodę. Instal, (12): 48-50, DOI: 10.36119/15.2019.12.7.
• [10] Leite M., Felipe E., Fogaça M., Maher R. 2022.: A comparison of Brazilian, North American, and English water supply regulation models. Groundwater for Sustainable Development, (18): 100748, https://doi.org/10.1016/j.gsd.2022.100748.
• [11] Boryczko K., Piegdoń I., Szpak D., Żywiec J. 2021.: Risk assessment of lack of water supply using the hydraulic model of the water supply. Resources, (10): 43, https://doi.org/10.3390/resources10050043.
• [12] Żywiec J., Tchórzewska-Cieślak B. 2023.: Porównanie wybranych metod oceny niezawodności operatora systemów technicznych na przykładzie systemu zbiorowego zaopatrzenia w wodę. Instal, (5): 42-48, DOI: 10.36119/15.2023.5.7.
• [13] Żywiec J., Szpak D., Piegdoń I., Boryczko K., Pietrucha-Urbanik K., Tchórzewska-Cieślak B., Rak J. 2023.: An approach to assess the water resources reliability and its management. Resources, (12): 4, https://doi.org/10.3390/resources12010004.
• [14] Boryczko K., Rak J. 2020.: Method for assessment of water supply diversification. Resources, (9): 87, DOI: 10.3390/resources9070087.
• [15] Kwietniewski M., Świercz P., Chudzicki J. 2022.: Modern methods for monitoring water leakages in water networks. Studia Geotechnica et Mechanica, (44:1): 53-65, https://doi.org/10.2478/sgem-2022-0001.
• [16] Vanijjirattikhan R., Khomsay S., Kitbutrawat N., Khomsay K., Supakchukul U., Udomsuk S., Suwatthikul J., Oumtrakul N., Anusart K. 2022.: AI-based acoustic leak detection in water distribution systems. Results in Engineering, (15):100557, https://doi.org/10.1016/j.rineng.2022.100557.
• [17] Robles-Velasco A., Muńuzuri J., Onieva L., Cortés P. 2021.: An evolutionary fuzzy system to support the replacement policy in water supply networks: The ranking of pipes according to their failure risk. Applied Soft Computing, (111):107731, https://doi.org/10.1016/j.asoc.2021.107731.
• [18] Kutyłowska M. 2019.: Metody regresyjne i klasyfikacyjne w analizie i ocenie poziomu awaryjności przewodów wodociągowych. Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław.
• [19] Kutyłowska M., Cieżak W. 2023.: Sztuczna sieć neuronowa jako narzędzie wspomagające w analizie awaryjności przewodów wodociągowych. Instal, (3): 41-45, DOI: 10.36119/15.2023.3.7.
• [20] Breiman L., Friedman J. H., Olshen R. A., Stone C. J. 1984.: Classification and regression tress. Chapman & Hall/CRC, Boca Raton, USA.
• [21] Kim J.-W., Pachepsky Y. 2010.: Reconstructing missing daily precipitation data using regression trees and artificial neural networks for SWAT streamflow simulation. Journal of Hydrology, (394): 305-314, DOI: 10.1016/j.jhydrol.2010.09.005.
• [22] Flis A., Gęca W., Iwanek M., Kowalski D. 2023.: Analiza strat wody w dwóch wodociągach wiejskich. Gaz, Woda i Technika Sanitarna, (1): 8-14, DOI: 10.15199/17.2023.1.2.