Prediction of Water Conduits Failure Rate – Comparison of Support Vector Machine and Neural Network

• Autorzy: Kutyłowska M.

Identyfikatory

DOI

10.2428/ecea.2016.23(2)11

Warianty tytułu

PL

Przewidywanie wskaźnika awaryjnooeci przewodów wodociągowych – wektory nooene oraz sieci neuronowe

• Języki publikacji: EN

Abstrakty

EN

This paper presents the possibility of applying support vector machines (SVMs) and artificial neural networks (ANNs), based on radial basis functions to predict the failure rate of water conduits. The SVM method is an algorithm for carrying out regression and classification, taking into account a nonlinear decision space. This hyperplane divides the whole area in such a way that objects of different affiliation are separated from one another. In the case of ANNs, each of the neurons models a Gaussian response surface. The information from the inputs is transmitted to a basis function and each neuron calculates the Euclidean distance between the input, reference and output vectors. The failure rate of distribution pipes and house connections was predicted on the basis of operational data for the years 2001–2012. In both the methods the independent variables were: the length, diameter and year of construction of the distribution pipes and the house connections. The computations were carried out using the Statistica 12.0 software. The SVM-RBF model for the house connections and the distribution pipes had respectively 14 SVMs (including 7 localized SVMs) and 56 SVMs (including 46 localized SVMs). The ANN-RBF model contained 8 and 27 hidden neurons for respectively the distribution pipes and the house connections.

PL

W pracy przedstawiono możliwość zastosowania metody wektorów nośnych (SVM) oraz sztucznych sieci neuronowych (SSN) opartych na radialnych funkcjach bazowych do przewidywania wskaźnika intensywności uszkodzeń przewodów wodociągowych. Metoda wektorów nośnych jest algorytmem, za pomocą którego dokonuje się regresji i klasyfikacji z uwzględnieniem nieliniowej przestrzeni decyzyjnej. Ta hiperpłaszczyzna dzieli cały obszar w taki sposób, że obiekty o różnej przynależności są od siebie oddzielone. Natomiast w przypadku sieci neuronowych każdy z neuronów modeluje tzw. gaussowską powierzchnię odpowiedzi. Informacje z wejść przekazywane są funkcji bazowej, a każdy neuron oblicza odległość euklidesową między wektorami wejściowymi, wzorcowymi i wyjściowymi. Przewidywanie wskaźnika intensywności uszkodzeń przewodów rozdzielczych i przyłączy wykonano na podstawie danych eksploatacyjnych z lat 2001–2012. W przypadku obydwu metod zmiennymi niezależnymi były: długość, średnica oraz rok budowy przewodów rozdzielczych i przyłączy. Obliczenia przeprowadzono w programie Statistica 12.0. Model SVM dla przyłączy i przewodów rozdzielczych posiadał odpowiednio 14 wektorów nośnych, w tym 7 związanych oraz 56 w tym 46 związanych. Model SSN zawierał 8 i 27 neuronów ukrytych odpowiednio w odniesieniu do przewodów rozdzielczych i przyłączy.

Słowa kluczowe

EN

regression methods; pipelines; modelling; radial basis functions

PL

metody regresyjne; rurociągi; modelowanie; radialne funkcje bazowe

• Wydawca: Towarzystwo Chemii i Inżynierii Ekologicznej
• Czasopismo: Ecological Chemistry and Engineering. A
• Rocznik: 2016
• Tom: Vol. 23, nr 2
• Strony: 147--160
• Opis fizyczny: Bibliogr. 25 poz., wykr., tab.

Twórcy

autor

Kutyłowska M.

• Faculty of Environmental Engineering, Wroclaw University of Science and Technology, Wybrzeże S. Wyspiańskiego 27, 50–370 Wrocław, Poland, phone: [phone]

Bibliografia

• [1] Pietrucha-Urbanik K. Glob Network Environ Sci Technol J. 2014;16(5);893-900. http://journal.gnest.org/sites/default/files/Submissions/gnest_01414/gnestŹ01414_published.pdf
• [2] Hotloś H. Ilościowa ocean wpływu wybranych czynników na parametry i koszty eksploatacyjne sieci wodociągowych [Quantitative assessment of the effect of some factors on the parameters and operating costs of water-pipe networks]. Wrocław: Wrocław University of Technology Publishing House; 2007.
• [3] Kwietniewski M, Rak J. Niezawodność infrastruktury wodociągowej i kanalizacyjnej w Polsce [Reliability of water supply and wastewater disposal infrastructure in Poland]. Warszawa: Monographs of the Civil Engineering Committee at the Polish Academy of Sciences, Studies in Engineering No. 67; 2010.
• [4] Iwanek M, Kowalski D, Kwietniewski M. Badania modelowe wypływu wody z podziemnego rurociągu podczas awarii [Model studies of a water outflow from an underground pipeline upon its failure]. Ochr Środ. 2015;37(4):13-17. http://www.os.not.pl/docs/czasopismo/2015/4-2015/Iwanek_4-2015.pdf
• [5] Zimoch I, Szymik-Gralewska Zastosowanie zintegrowanej metody analizy niezawodnościowo-ekonomicznej w zarządzaniu przewymiarowaną infrastrukturą wodociągową [Application of integrated reliability-economic analysis in management of oversized water supply infrastructure]. Ochr Środ. 2015;37(4):25-30. http://www.os.not.pl/docs/czasopismo/2015/4-2015/ZimochŹ4-2015.pdf
• [6] Tscheikner-Gratl F, Sitzenfrei R, Rauch W, Kleidorfer M. Struct Infrastruct Eng. 2016;12(3):366-380. DOI: 10.1080/15732479.2015.1017730.
• [7] Piratla KR, Yerri SR, Yazdekhasti S, Cho J, Koo D, Matthews JC. Proc Eng. 2015;118:727-734. DOI: 10.1016/j.prśng.2015.08.507
• [8] Scheidegger A, Leitao JP, Scholten L. Water Res. 2015;83:237-247. http://dx.doi.org/10.1016/j.watres.2015.06.027.
• [9] Cieżak W, Cieżak J. Environ Prot Eng. 2015;41(2):179-186. DOI: 10.5277/epe150215.
• [10] Kaźmierczak B, Wdowikowski M. Periodica Polytechnica Civ Eng. 2016;60(2):3-5-312. DOI 10.3311/PPci.8341.
• [11] Tchórzewska-Cieślak B. Environ Prot Eng. 2011;37(3):111-118. http://epe.pwr.wroc.pl/2011/3_2011/12tchorzewska.pdf
• [12] Zimoch I, Łobos E. Application of the Theil statistics to the calibration of a dynamic water supply model. Environ Prot Eng. 2010; 36(4):105-116. http://epe.pwr.wroc.pl/2010/zimoch_4-2010.pdf
• [13] Kolasa-Więcek A. Ecol Chem Eng S. 2013;20(2):419-428. DOI: 10.2478/eces-2013-0030.
• [14] Nishiyama M, Filion Y. Can J Civ Eng. 2014;41(10):918-923. DOI: dx.doi.org/10.1139/cjce-2014-0114.
• [15] Kutyłowska M. Prediction of failure rate of water pipes using K-nearest neighbours method. Proceedings of the IWA 8th Eastern European Young Water Professionals Conference Gdańsk, Poland, 12-14 May, 2016, 93-94. http://iwa-ywp.eu/wp-content/uploads/2016/06/Book_of_abstracts.pdf
• [16] Bevilacqua M, Braglia M, Montanari R. Reliability Eng Syst Saf. 2003; 79(1):59-67. http://www.sciencedirect.com/science/article/pii/S0951832002001801
• [17] Aydogdu M, Firat M. Wat Resour Manage. 2015;29:1575-1590. DOI: 10.1007/s11269-014-0895-5.
• [18] Kutyłowska M, Orłowska-Szostak M. Przewidywanie wskaźnika awaryjności przewodów wodociągowych za pomocą metody wektorów nośnych [Forecasting failure rate of water pipes using support vector machines]. In: Kuś K, Piechurski F, editors. Nowe technologie w sieciach i instalacjach wodociągowych i kanalizacyjnych. Gliwice: 2016.
• [19] Statistica 12.0., Electronic Manual.
• [20] Guo YM, Wang XT, Liu C, Zheng YF, Cai XB. Maint and Reliability. 2014;16(1):85-91. http://www.ein.org.pl/pl-2014-01-14.
• [21] Suzuki K. Artificial neural networks. Architectures and applications. Chicago: InTech; 2013.
• [22] Kutyłowska M. Eng Fail Anal. 2015;47:41-48. http://dx.doi.org/10.1016/j.engfailanal.2014.10.007.
• [23] Siwoń Z, Cieżak W, Cieżak J. Modele neuronowe szeregów czasowych godzinowego poboru wody w osiedlach mieszkaniowych [Neural network models of hourly water demand time series in housing areas]. Ochr Środ. 2011;33(2):23-26. http://www.os.not.pl/docs/czasopismo/2011/2-2011/Siwon_2-2011.pdf
• [24] Pelletier G, Mailhot A, Villeneuves JP. J Wat Resour Plann and Manage. 2003;129(2):115-123. DOI: 10.1061/(ASCE)0733-9496(2003)129:2(115).
• [25] Tabesh M, Soltani J, Farmani R, Savic D. J Hydroinformatics. 2009;11(1):1-17. DOI: 10.2166/hydro.2009.008.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.