Assessing the Diameters of Water Pipes Using the k-Nearest Neighbours Method in the Calculations of Water Distribution Systems

Dawidowicz, J.; Kruszyński, W.; Andraka, D.; Czapczuk, A.

Artykuł - szczegóły

Tytuł artykułu

Assessing the Diameters of Water Pipes Using the k-Nearest Neighbours Method in the Calculations of Water Distribution Systems

Autorzy

Dawidowicz J. , Kruszyński W. , Andraka D. , Czapczuk A.

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

Warianty tytułu

Metoda oceny średnic przewodów wodociągowych za pomocą metody k-Najbliższych Sąsiadów w obliczeniach systemów dystrybucji wody

Języki publikacji

Abstrakty

Water distribution systems provide water in cities and in rural areas. The basic element through which water reaches the consumer are the water pipes, hence their correct design is extremely important. The choice of pipe diameter requires hydraulic calculations. Computer programmes may choose diameters, but usually, it is the designer's task. This paper proposes a classifier, based on the k-Nearest Neighbours method, which, on the basis of a reliable flow, will assess the appropriateness of the diameter chosen. In the work 11961 training examples were obtained containing the input variable in the form of a nominal flow, through water supply line Q_m, corresponding to the output variable DN. On the basis of the set of training examples, a model was constructed and the diameters of the water pipes were classified using the k-Nearest Neighbours method, using various neighbourhood values. The k-NN method obtained, shows a high accuracy index in the classification of the diameters of the pipes in the k = 5 neighbourhood.

Systemy dystrybucji wody dostarczają wodę w miastach i na terenach wiejskich. Podstawowym elementem, przez który woda dociera do odbiorców są przewody wodociągowe, stąd niezwykle istotne jest ich poprawne zaprojektowanie. Dobór średnic rurociągów wymaga przeprowadzenia obliczeń hydraulicznych. Programy komputerowe mogą automatycznie dobierać średnice, ale najczęściej zadanie to należy do projektanta. Obecnie opracowuje się metody, które wspomagałyby projektantów w realizacji powyższych zadań. W niniejszej pracy zaproponowano klasyfikator oparty na metodzie k-Najbliższych Sąsiadów (k-NN), który na podstawie przepływu miarodajnego Q_m będzie oceniał poprawność dobranej średnicy. W tym celu sporządzono 11961 przykładów uczących zawierających zmienną wejściową w postaci przepływu miarodajnego Qm oraz odpowiadającą mu zmienną wyjściową zdefiniowaną jako średnica nominalna DN. Na podstawie zestawu przykładów uczących skonstruowano klasyfikator za pomocą metody k-Najbliższych Sąsiadów, stosując różne wartości sąsiedztwa. Uzyskana metoda k-NN pokazuje wskaźnik wysokiej dokładności w klasyfikacji średnic rur dla wartości sąsiedztwa k = 5.

Słowa kluczowe

water distribution system hydraulic calculations k-Nearest Neighbours Method diameters of water pipes

system dystrybucji wody obliczenia hydrauliczne metoda k-Najbliższych Sąsiadów średnice rurociągów

Wydawca

Politechnika Koszalińska

Czasopismo

Rocznik Ochrona Środowiska

Rocznik

2018

Tom

Tom 20, cz. 1

Strony

528--537

Opis fizyczny

Bibliogr. 16 poz., tab., rys.

Twórcy

autor

Dawidowicz J.

Białystok University of Technology

autor

Kruszyński W.

Białystok University of Technology

autor

Andraka D.

Białystok University of Technology

autor

Czapczuk A.

F.B.I. TASBUD S.A., Science and Research Division

Bibliografia

1. Besarati, S. M., Myers, P. D., Covey, D. C., & Jamali, A. (2015). Modeling friction factor in pipeline flow using a GMDH-type neural network. Cogent Engineering, 2(1), 1-14.
2. Biedugnis, S., & Czapczuk, A. (2018). The application of the ‘K-nearest neighbour’ method to evaluate pressure loss in water supply lines. Technical Transactions, 115(1), 141-149, doi: 10.4467/2353737XCT.18. 011.7962.
3. Brkić, D., & Ćojbašić, Ž. (2016). Intelligent flow friction estimation. Computational intelligence and neuroscience 2016, 1-10.
4. Bubtiena, A.M., Elshafie, A.H., & Jafaar, O. (2011). Application of artificial neural networks in modeling water networks. Proceedings IEEE 7th International Colloquium on Signal Processing and Its Applications, Penang, Malaysia, 50-57, doi: 10.1109/CSPA.2.011.5759841.
5. Changa, Ni-Bin, Pongsanonea, N.P., & Ernestb, A. (2011). Comparisons between a rule-based expert system and optimization models for sensor deployment in a small drinking water network. Expert Systems with Applications, 38(8), 10685-10695.
6. Czapczuk, A., & Dawidowicz, J. (2018). The Application of RBF Neural Networks for the Assessment of the Water Flow Rate in the Pipework. Proceedings of the 2nd International Conference on Artificial Intelligence: Technologies and Applications (ICAITA 2018), Advances in Intelligent Systems Research, 146, Atlantis Press, 46-49, doi:10.2991/icaita-18.2018.12.
7. Czapczuk, A., Dawidowicz, J., & Piekarski, J. (2015). Metody sztucznej inteligencji w projektowaniu i eksploatacji systemów zaopatrzenia w wodę. Rocznik Ochrona Środowiska, 17(2), 1527-1544 (in Polish).
8. Czapczuk, A., Dawidowicz, J., & Piekarski, J. (2017). Application of Multilayer Perceptron for the Calculation of Pressure Losses in Water Supply Lines, Rocznik Ochrona Środowiska, 19, 200-210.
9. Dawidowicz, J. (2012). System ekspertowy do oceny układu systemu dystrybucji wody sporządzony za pomocą wnioskowania indukcyjnego. Rocznik Ochrona Środowiska, 14, 650-659 (in Polish).
10. Dawidowicz, J. (2017). Evaluation of a pressure head and pressure zones in distribution systems by artificial neural networks. Neural Computing & Application, doi:10.1007/s00521-017-2844-8.
11. Dawidowicz, J. (2018). A Method for Estimating the Diameter of Water Pipes Using Artificial Neural Networks of the Multilayer Perceptron Type. Proceedings of the 2nd International Conference on Artificial Intelligence: Technologies and Applications (ICAITA 2018), Book Series: Advances in Intelligent Systems Research, 146, Atlantis Press, 50-53, doi:10.2991/icaita-18.2018.13.
12. Knapik, K., & Bajer, J. (2010). Wodociągi. Podręcznik dla studentów wyższych szkół technicznych. Wydawnictwo Politechniki Krakowskiej, Kraków (in Polish).
13. Lansey, K., & Mays, L.W. (2000). Hydraulics of water distribution systems. In Mays, L.W. (Ed.) Water distribution systems handbook, McGraw-Hill, New York.
14. Meirelles, G., Manzi, D., Brentan, B., Goulart, T., & Luvizotto, E. (2017). Calibration Model for Water Distribution Network Using Pressures Estimated by Artificial Neural Networks. Water Resources Management, 31(13), 4339-4351. doi:10.1007/s11269-017-1750-2
15. Oliveira, P.J.A., & Boccelli, D.L. (2017). k-Nearest Neighbor for Short Term Water Demand Forecasting. Proceedings World Environmental and Water Resources Congress 2017: Hydraulics and Waterways and Water Distribution Systems Analysis, 501-510.
16. Triantaphyllou, E., & Felici, G. (Eds.). (2006). Data mining and knowledge discovery approaches based on rule induction techniques, 6, Springer Science & Business Media.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-53e743ff-a2f8-454e-9fa6-363e0cb8a06f