The Application of Artificial Neural Networks in the Assessment of Pressure Losses in Water Pipes in the Design of Water Distribution Systems

Dawidowicz, J.; Czapczuk, A.; Piekarski, J.

Artykuł - szczegóły

Tytuł artykułu

The Application of Artificial Neural Networks in the Assessment of Pressure Losses in Water Pipes in the Design of Water Distribution Systems

Autorzy

Dawidowicz J. , Czapczuk A. , Piekarski J.

Treść / Zawartość

Pełne teksty:

15_dawidowicz_the_application_ROS_2018.pdf

Pobierz

Identyfikatory

Warianty tytułu

Zastosowanie sztucznych sieci neuronowych do oceny strat ciśnienia w przewodach wodociągowych

Języki publikacji

Abstrakty

The water distribution system is one of the most important elements of the water supply system, the construction of which accounts for the largest part of the costs involved, while at the same time, being the determining factor in the supply of water. Pipelines should be equipped to continue fulfilling their role for many years. In connection with the above, a very important task is the correct design and execution of hydraulic calculations. During the implementation of calculations, it is often necessary to correct data frequently, in order to obtain the correct solution. Numerous parameters are evaluated in the calculation process, including flow velocity through water supply pipelines, flow rate, pressure loss and pressure in individual, network nodes. An important parameter, often underestimated, is the level of pressure loss in the calculation sections of water pipes. This paper proposes a method for the assessment of pressure loss and for the use of artificial neural networks. For this purpose, one DH1 class, describing the correct conditions and four DH2-DH5 classes, characterising problems related to the amount of pressure losses in the water pipes, have been determined. Based on the parameters characterising the operation of the water pipe, the artificial neural network, selects one of the classes and thus indicates the occurrence of a specific problem, or gives the ‘all clear’.

System dystrybucji wody stanowi jeden z najważniejszych elementów wodociągu, którego budowa pochłania największą część kosztów, a jednocześnie w głównej mierze decyduje o możliwościach dostawy wody. Rurociągi wodociągowe powinny spełniać swoją rolę przez wiele lat. W związku z powyższym bardzo ważnym zadaniem jest poprawne zaprojektowanie i wykonanie obliczeń hydraulicznych. Podczas realizacji obliczeń najczęściej konieczne jest wielokrotne korygowanie danych w celu uzyskania poprawnego rozwiązania. W procesie obliczeń ocenie podlega wiele parametrów, w tym prędkość przepływu przez rurociągi wodociągowe, natężenie przepływu, wysokość strat ciśnienia oraz ciśnienie w poszczególnych węzłach sieci. Istotnym parametrem, często niedocenianym, jest wysokość strat ciśnienia na odcinkach obliczeniowych przewodów wodociągowych. W niniejszej pracy zaproponowano metodę oceny strat ciśnienia a pomocą sztucznych sieci neuronowych. W tym celu zdefiniowano jedną klasę DH1 opisującą poprawne warunki oraz cztery DH2-DH5, charakteryzujące problemy związane z wysokością strat ciśnienia w przewodach wodociągowych. Sztuczna sieć neuronowa na podstawie parametrów charakteryzujących pracę przewodu wodociągowego dokonuje wyboru jednej z klas, wskazując w ten sposób na występowanie określonego problemu lub jego brak.

Słowa kluczowe

water distribution system hydraulic calculations pressure losses artificial neural networks

system dystrybucji wody obliczenia hydrauliczne liniowe straty ciśnienia sztuczne sieci neuronowe

Wydawca

Politechnika Koszalińska

Czasopismo

Rocznik Ochrona Środowiska

Rocznik

2018

Tom

Tom 20, cz. 1

Strony

292--308

Opis fizyczny

Bibliogr. 26 poz., tab., rys.

Twórcy

autor

Dawidowicz J.

Białystok University of Technology

autor

Czapczuk A.

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

autor

Piekarski J.

Koszalin University of Technology

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. Bishop, C.M. (1996). Neural Networks for Pattern Recognition. Oxford: University Press.
4. Bridle, J.S. (1990). Probabilistic interpretation of feed-forward classification network outputs with relationships to statistical pattern recognition. In Fogelman-Soulie F., Herault J. (Eds.), Neurocomputing: Algorithms, Architectures and Applications, Springer-Verlag, New York, 227-236.
5. Brkić, D., & Ćojbašić, Ž. (2016). Intelligent flow friction estimation. Computational intelligence and neuroscience 2016, 1-10.
6. Cieżak, W. (2005). Analiza efektywności metod statystycznych i sztucznych sieci neuronowych w bieżącym prognozowaniu poboru wody w miejskich systemach wodociągowych. Ph.D. Thesis, Politechnika Wrocławska.
7. Czapczuk, A. (2013). System ekspertowy do oceny przepływów i strat ciśnienia w układzie dystrybucji wody. Ph.D. Thesis, Wydział Inżynierii Środowiska Politechnika Warszawska, Warszawa (in Polish).
8. 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.
9. 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).
10. Czapczuk, A., Dawidowicz, J., & Piekarski, J. (2017). Application of Multilayer Perceptrons for the Calculation of Pressure Losses in Water Supply Pipelines. Rocznik Ochrona Środowiska, 19, 200-210.
11. Damas, M., Salmeròn, M., & Ortega, J. (2000). ANNs and Gas for predictive controlling of water supply networks. Proc. of the IEEE-INNSENNS international joint conference on neural networks (IJCNN2000), 4, 365–368,doi: 10.1109/IJCNN.2000.860799.
12. Dawidowicz, J. (2012). Expert System for Evaluation of Water Distribution System Created with an Inductive Inference. Rocznik Ochrona Srodowiska, 14, 650-659.
13. Dawidowicz, J. (2015). Diagnostyka procesu obliczeń systemu dystrybucji wody z zastosowaniem modelowania neuronowego. Rozprawy Naukowe 268, Oficyna Wydawnicza Politechniki Białostockiej, Białystok (in Polish).
14. Dawidowicz, J. (2017). Evaluation of a pressure head and pressure zones in water distribution systems by artificial neural networks. Neural Computing & Application, doi:10.1007/s00521-017-2844-8.
15. 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.
16. Hornik, K. (1991). Approximation capabilities of multi-layer feed-forward networks. Neural networks, 4(2), 251-257.
17. Kamiński, K., Kamiński, W., & Mizerski, T. (2017). Application of Artificial Neural Networks to the Technical Condition Assessment of Water Supply Systems. Ecological Chemistry and Engineering, 24(1), 31-40.
18. Knapik, K., & Bajer, J. (2010). Wodociągi. Podręcznik dla studentów wyższych szkół technicznych. Wyd. Politechniki Krakowskiej, Kraków (in Polish).
19. Konar, A. (2005). Computational intelligence: principles, techniques and applications. Springer Science & Business Media, New York.
20. Lingireddy, S., & Ormsbee, L.E. (1998). Neural networks in optimal calibration of water distribution systems. In Flood I, Kartam N (Eds) Artificial neural networks for civil engineers: advanced features and applications. ASCE, Cincinnati, 53-76.
21. Offor, U.H., & Alabi, S.B. (2016) Artificial Neural Network Model for Friction Factor Prediction. Journal of Materials Science and Chemical Engineering, 4, 77-83.
22. Piasecki, A., Jurasz, J., & Marszelewski, W. (2016). Wykorzystanie wielowarstwowych sztucznych sieci neuronowych do średnioterminowego prognozowania poboru wody – studium przypadku. Ochrona Środowiska, 38(2), 17-22 (in Polish).
23. Saldarriaga, J., Gómez, R., & Salas, D. (2004). Artificial intelligence methods applicability on water distribution networks calibration. In Sehlke G, Hayes DF, Stevens DK (Eds) Critical transitions in water and environmental resources management. ASCE, Reston, Virginia, USA, 1-11. doi:10.1061/40737(2004)248.
24. Shayya, W.H., & Sablani, S.S. (1998). An artificial neural network for noniterative calculation of the friction factor in pipeline flow. Comput Electron Agric, 21(3), 219-228.
25. Xu, C., Bouchart, F., & Goulter, I. C. (1997). Neural networks for hydraulic analysis of water distribution systems. Paper presented at Innovation in Computer Methods for Civil and Structural Engineering, Cambridge, United Kingdom, 129-136.
26. Yongchao, L., & Wending, L. (2003). Water Supply System of Telemeter and Remote Control Based on Neural Fuzzy Control Technique. Proceedings of the 5th International Symposium on Test and Measurement Conference ITSM 2003, 1269-1272.

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-c668c2cf-2e20-4d56-8de8-11450b45b264