Przewidywanie wskaźnika awaryjności z wykorzystaniem sztucznych sieci

• Autorzy: Kutyłowska M.

Warianty tytułu

EN

Prediction of water pipes failure rate using artificial networks

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono wyniki modelowania wskaźnika intensywności uszkodzeń z wykorzystaniem sztucznych sieci neuronowych (SSN). SSN są traktowane jako tzw. „czarna skrzynka”, co implikuje konieczność stosowania metody „prób i błędów” w celu uzyskania wiarygodnych rezultatów. Celem pracy było porównanie otrzymanych wyników z rezultatami modelowania wskaźnika intensywności uszkodzeń w innym polskim mieście przy użyciu typowych modeli matematycznych oraz SSN. Dane z 14 lat eksploatacji, uzyskane z przedsiębiorstwa wodociągowego w wybranym polskim mieście, zostały wykorzystane do przewidywania wartości wyjściowej (wskaźnika intensywności uszkodzeń) przewodów rozdzielczych i przyłączy wodociągowych. Danych z lat 1999-2005 (344 i 168, odpowiednio dla przewodów rozdzielczych i przyłączy) użyto do uczenia sieci neuronowej. Na podstawie danych (260 i 153, odpowiednio dla przewodów rozdzielczych i przyłączy) z kolejnych 7 lat przeprowadzono prognozę (przewidywanie) wskaźnika intensywności uszkodzeń. Perceptron wielowarstwowy został wybrany jako najlepsza struktura sieci do przewidywania wskaźnika awaryjności. Modelowanie przeprowadzono w programie Statistica 10.0.

EN

The paper describes the results of failure rate modeling using artificial neural networks (ANN). ANN modeling is like “black box” approach and to achieve reliable solutions it is required to apply “trial and error method”. The aim of the presented paper was the comparison between current results and investigations of failure rate prediction in another Polish city using typical modeling and also ANN approach. Operational data from 14 years of exploitation, received from Polish water utility A, were used to predict output value of failure frequency of distribution pipes and house connections. Data (344 and 168 for distribution pipes and house connections, respectively) from the time span 1999-2005 were used for learning the network. On the basis of data (260 and 153 for distribution pipes and house connections, respectively) from the next 7 years the prognosis (prediction) of failure rate was carried out. Multilayer perceptron (MLP) was chosen as the best network structure for failure rate prediction. The realization of the modelling was performed in the software program Statistica 10.0.

Słowa kluczowe

PL

sztuczne sieci neuronowe (SNN); intensywność uszkodzeń; sieć wodociągowa

EN

artificial neural networks; failure rate; water pipe network

• Wydawca: Ośrodek Informacji "Technika instalacyjna w budownictwie''
• Czasopismo: Instal
• Rocznik: 2016
• Tom: nr 1
• Strony: 44--46
• Opis fizyczny: Bibliogr. 16 poz., tab., wykr.

Twórcy

autor

Kutyłowska M.

• Wydział Inżynierii Środowiska, Politechnika Wrocławska, Wrocław

Bibliografia

• [1] Darvini G., Comparative analysis of different probability distributions of random parameters in the assessment of water distribution system reliability, Journal of Hydroinformatics, 2014, 16 (2), 272-287.
• [2] Kotowski A., Kaźmierczak B., Probabilistic models of maximum precipitation for designing sewerage, Journal of Hydrometeorology, 2013, 14 (6), 1958-1965.
• [3] Hotloś H. Ilościowa ocean wpływu wybranych czynników na parametry i koszty eksploatacyjne sieci wodociągowych. Wrocław: Oficyna Wydawnicza Politechnik Wrocławskiej, 2007.
• [4] Kowalski D., Kowalska B., Kwietniewski M., Wdowiak A., Analiza uszkodzeń sieci wodociągowej Lublina w latach 2008-2010, Instal, 2014, 11, 92-95.
• [5] Kowalski D., Miszta-Kruk K., Failure of water supply networks in selected Polish towns based on the field reliability tests, Engineering Failure Analysis, 2013, 35, 736-742.
• [6] Kriš J., Hankova M., Structural failures of water supply pipes, Instal, 2013, 12, 103-106.
• [7] Tchorzewska-Cieślak B., Piegdoń I., Boryczko K., Wykorzystanie nowoczesnych technik informatycznych oraz baz danych w analizach ryzyka awarii podsystemu dystrybucji wody, Instal, 2014, 6, 76-79.
• [8] Zimoch I., Łobos E., Comprehensive interpretation of safety of wide water supply systems, Environment Protection Engineering, 2012, 38 (3), 107-117.
• [9] Cieżak W., Cieżak J., Routine forecasting of the daily profiles of hourly water distribution in cities. An effectiveness analysis, Environment Protection Engineering, 2015, 41 (2), 179-186.
• [10] Cieżak W., Zaremba M., Cieżak J., Prognozowanie szeregów czasowych dobowego rozbioru wody przy wykorzystaniu sztucznych sieci neuronowych, Instal, 2015, 11, 61-63.
• [11] Wu G., Lo S., Effects of data normalization and inherent-factor on decision of optimal coagulant dosage in water treatment by artificial neural network, Expert Systems with Applications, 2010, 37, 4974-4983.
• [12] Lahiri S., Ghanta K., Development of an artificial neural network correlation for prediction of hold-up of slurry transport in pipelines, Chemical Engineering Science, 2008, 63, 1497-1509.
• [13] Kabsch-Korbutowicz M., Kutyłowska M., Short-range forecast of permeate flux in detergent waste water ultrafiltration, Desalination and Water Treatment, 2010, 14, 30-36.
• [14] Hilal N., Ogunbiyi O., Al-Abri M., Neural network modeling for separation of bentonite in tubular ceramic membranes, Desalination, 2008, 228, 175-182.
• [15] Kutyłowska M., Neural network approach for failure rate prediction, Engineering Failure Analysis, 2015, 47, 41-48.
• [16] Kutyłowska M., Modelling of failure rate of water-pipe networks, Periodica Polytechnica Civil Engineering, 2015, 59 (1), 37-43.

Uwagi

PL

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