PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Ocena poziomu awaryjności przewodów wodociągowych z wykorzystaniem nowoczesnych metod uczenia maszyn

Identyfikatory
Warianty tytułu
EN
Assessment of failure frequency of water pipes using novel machine learning methods
Języki publikacji
PL
Abstrakty
PL
W pracy pokazano możliwości modelowania wskaźnika intensywności uszkodzeń oraz klasyfikacji rodzajów uszkodzeń przewodów wodociągowych za pomocą najnowszych narzędzi matematycznych, tzw. metod uczenia maszyn. Analizowano kilka wybranych algorytmów – metodę wektorów nośnych, metodę K-najbliższych sąsiadów, metodę drzew regresyjnych i klasyfikacyjnych. Dokonano modelowania poziomu awaryjności przewodów wodociągowych pod kątem jakościowym i ilościowym. Wykazano na podstawie badań, że wybrane metody regresyjne i klasyfikacyjne są odpowiednim narzędziem do analizy i oceny poziomu awaryjności przewodów wodociągowych, gdyż uzyskane wyniki modelowania są akceptowalne i mogą być podstawą do dalszych rozważań teoretycznych, wpływających na praktykę inżynierską. Zwrócono uwagę na walory aplikacyjne wybranych metod predykcyjnych, co może przyczynić się do racjonalnego zarządzania infrastrukturą podziemną. Ponadto przeprowadzone badania wskazały, że konieczne jest usystematyzowanie i grupowanie danych eksploatacyjnych rejestrowanych w przedsiębiorstwach wodociągowych, co w konsekwencji powinno prowadzić do większych możliwości wykorzystania gromadzonych informacji na potrzeby opracowywania modeli niezawodnościowych.
EN
The paper presents the possibilities of failure rate modelling and classification of kind of damage of water pipes using the newest mathematical approaches, so-called machine learning methods. Several selected algorithms were analysed – support vector machine method, K-nearest neighbours method, regression trees and classification trees. Quantitative and qualitative failure level modelling was carried out. On the basis of investigations it was demonstrated that selected regression and classification methods are suitable for analysis and assessment of failure level of water pipes. Obtained modelling results are acceptable and could be used for further theoretical considerations influencing the engineering practice. One can pay attention to application advantages of selected prediction methods which could be useful for rational management of buried infrastructure. Moreover, carried studies pointed out that proper arrangement of operational data registered in water utilities is necessary and should result in greater possibilities of using such information for construction of reliability models.
Czasopismo
Rocznik
Tom
Strony
20--27
Opis fizyczny
Bibliogr. 47 poz.
Twórcy
  • Politechnika Wrocławska, Katedra Wodociągów i Kanalizacji
Bibliografia
  • 1. Roman M.: Niezawodność sieci wodociągowych w świetle danych z eksploatacji, [w:] Niezawodność systemów wodociągowych i kanalizacyjnych. PZiTS, Kielce, 1986, 269–285.
  • 2. Wieczysty A.: Niezawodność systemów wodociągowych i kanalizacyjnych. Teoria niezawodności i jej zastosowania, cz. I i II, Zakład Graficzny Politechniki Krakowskiej, 1990, Kraków.
  • 3. Kwietniewski M., Roman M., Kłoss-Trębaczkiewicz H.: Niezawodność wodociągów i kanalizacji. Arkady, 1993 Warszawa.
  • 4. Kwietniewski M., Rak J.: Niezawodność infrastruktury wodociągowej i kanalizacyjnej w Polsce. Monografie Komitetu Inżynierii Lądowej i Wodnej PAN, Studia z Zakresu Inżynierii nr 67, 2010, Warszawa.
  • 5. Hotloś H.: Ilościowa ocena wpływu wybranych czynników na parametry i koszty eksploatacyjne sieci wodociągowych. Oficyna Wydawnicza Politechniki Wrocławskiej, 2007, Wrocław.
  • 6. Hotloś H., Mielcarzewicz E.: Warunki i ocena niezawodności działania sieci wodociągowych i kanalizacyjnych na terenach górniczych. Oficyna Wydawnicza Politechniki Wrocławskiej, 2011, Wrocław.
  • 7. Rak J.: Podstawy bezpieczeństwa systemów zaopatrzenia w wodę. Komitet Inżynierii Środowiska PAN, nr 28, 2005, Lublin.
  • 8. Tchórzewska-Cieślak B.: Metody analizy i oceny ryzyka awarii podsystemu dystrybucji wody. Oficyna Wydawnicza Politechniki Rzeszowskiej, 2011, Rzeszów.
  • 9. Kutyłowska M.: Metody regresyjne i klasyfikacyjne w analizie i ocenie poziomu awaryjności przewodów wodociągowych. Oficyna Wydawnicza Politechniki Wrocławskiej, 2019, Wrocław.
  • 10. Bin Y., Zhongzh Y., Baozhen Y.: Bus arrival time prediction using support vector machines. Journal of Intelligent Transportation Systems 10 (4), 2006, 151–158.
  • 11. Ramírez C., Acuña G.: Forecasting cash demand in ATM using neural networks and least square support vector machine, [w:] CIARP 2011, pod red.: C. San Martin i S.-W. Kim, Springer-Verlag Berlin Heidelberg, 2011, 515–522.
  • 12. Kutyłowska M.: Prediction of water conduits failure rate – comparison of support vector machine and neural network. Ecological Chemistry and Engineering A 23 (2), 2016, 147–160.
  • 13. Shirzad A., Tabesh M., Farmani R.: A comparison between performance of support vector regression and artificial neural network in prediction of pipe burst rate in water distribution networks. KSCE Journal of Civil Engineering 18 (4), 2014, 941–948.
  • 14. Candelieri A., Soldi D., Conti D., Archetii F.: Analytical leakages localization in water distribution networks through spectral clustering and support vector machines. The Icewater approach. Procedia Engineering 89, 2014, 1080–1088.
  • 15. Mashford J., De Silva D., Burn S., Marney D.: Leak detection in simulated water pipe networks using SVM. Applied Artificial Intelligence 26 (5), 2012, 429–444.
  • 16. Ebtehaj I., Bonakdari H., Shamshirband S., Mohammadi K.: A combined support vector machine-wavelet transform model for prediction of sediment transport in sewer. Flow Measurement and Instrumentation 47, 2016, 19–27.
  • 17. Mashford J., Marlow D., Tran D., May R.: Prediction of sewer condition grade using support vector machines. Journal of Water Resources Planning and Management 25 (4), 2011, 283–290.
  • 18. Harwey R.R., McBean E.A.: Comparing the utility of decision trees and support vector machines when planning inspections of linear sewer infrastructure. Journal of Hydroinformatics 16 (6), 2014, 1265–1279.
  • 19. Liu Y., Pender G.: A flood inundation modelling using v-support vector machine regression model. Engineering Applications of Artificial Intelligence 46, 2015, 223–231.
  • 20. Kisi O., Parmar K.S.: Application of least square support vector machine and multivariate adaptive regression spline models in long term prediction of river water pollution. Journal of Hydrology 534, 2016, 104–112.
  • 21. Elbisy M.S.: Support vector machine and regression analysis to predict the field hydraulic conductivity of sandy soil. KSCE Journal of Civil Engineering 19 (7), 2015, 2307–2316.
  • 22. Kong X., Liu X., Shi R., Lee K.Y.: Wind speed prediction using reduced support vector machines with feature selection. Neurocomputing 169, 2015, 449–456.
  • 23. Ji J., Zhang C., Kodikara J., Yang S.Q.: Prediction of stress concentration factor of corrosion pits on buried pipes by least squares support vector machine. Engineering Failure Analysis 55, 2015 131–138.
  • 24. Moura M., Zio E., Loins I.D., Droguett E.: Failure and reliability prediction by support vector machines regression of time series data. Reliability Engineering and System Safety 96 (11), 2011, 1527–1534.
  • 25. Chen K.Y.: Forecasting systems reliability based on support vector regression with genetic algorithms. Reliability Engineering and System Safety 92 (4), 2007, 423–432.
  • 26. Dindarloo S.R.: Support vector machine regression analysis of LHD failures. International Journal of Mining, Reclamation and Environment 30 (1), 2016, 64–69.
  • 27. Kutyłowska M.: K-nearest neighbours method as a tool for failure rate prediction. Periodica Polytechnica. Civil Engineering 62 (2), 2018, 318–322.
  • 28. Du X.: Identifying control and management plane Poison message failure by K-nearest neighbor method. Journal of Network and Systems Management 14 (2), 2006, 243–259.
  • 29. Andre A.B., Beltrame E., Wainer J.: A combination of support vector machine and K-nearest neighbors for machine fault detection. Applied Artificial Intelligence 27 (1), 2013, 36–49.
  • 30. He H., Graco W., Yao X.: Application of genetic algorithm and K-nearest neighbour method in medical fraud detection, [w:] SEAL’98, LNCS 1585, red. X. Yao i in., Springer-Verlag Berlin Heidelberg, 1999, 74–81.
  • 31. Lora A.T., Santos J.R., Ramos J.L.M., Exposito A.G.: Electricity market price forecasting: neural networks versus weighted-distance K-nearest neighbours, [w:] DEXA 2002, LNCS 2453, pod red. R. Cicchetti i in., Springer-Verlag Berlin Heidelberg, 2002, 321–330.
  • 32. Lin L., Li Y., Sadek A.: A K-nearest neighbor based local linear wavelet neural network model for on-line short-term traffic volume prediction. Procedia – Social and Behavioral Sciences 96, 2013, 2066–2077.
  • 33. Meng Q., Cieszewski C.J., Madden M., Borders B.E.: K-nearest neighbor method for forest inventory using remote sensing data. GIScience & Remote Sensing 44 (2), 2007, 149–165.
  • 34. Manganaro A., Pizzo F., Lombardo A., Pogliaghi A., Benfenati E.: Predicting persistence in the sediment compartment with a new automatic software based on the K-Nearest Neighbour (KNN) algorithm. Chemosphere 144, 2016, 1624–1630.
  • 35. Alonso J.B., Marre M.S.: Nearest-Neighbours for Time Series. Applied Intelligence 20 (1), 2004, 21–35.
  • 36. Kutyłowska M.: Drzewa regresyjne jako narzędzie do przewidywania awaryjności przewodów wodociągowych, [w:] Interdyscyplinarne zagadnienia w inżynierii i ochronie środowiska, pod red. B. Kaźmierczaka, A. Kotowskiego i K. Piekarskiej, Wrocław, 2016, 158–169.
  • 37. Kutyłowska M.: Regression methods for predicting rate and type of failures of water conduits. Ecological Chemistry and Engineering A 24 (2), 2017, 193–205.
  • 38. Bevilacqua M., Braglia M., Montanari M.: The classification and regression tree approach to pump failure rate analysis. Reliability Engineering and System Safety 79 (1), 2003, 59–67.
  • 39. Rodriguez-Galiano V., Mendes M.P., Garcia-Soldado M.J., Chica-Olmo M., Ribeiro L.: Predictive modeling of groundwater nitrate pollution using Random Forest and multisource variables related to intrinsic and specific vulnerability: A case study in an agricultural setting (Southern Spain). Science of the Total Environment 476-477, 2014, 189–206.
  • 40. Sun H., Gui D., Yan B., Liu Y., Liao W., Zhu Y., Lu Ch., Zhao N.: Assessing the potential of random forest method for estimating solar radiation using air pollution index. Energy Conversion and Management 119, 2016, 121–129.
  • 41. Wang Z., Lai C., Chen X., Yang B., Shao S., Bai X.: Flood hazard risk assessment model based on random forest. Journal of Hydrology 527, 2015, 1130–1141.
  • 42. Salazar F., Toledo M.A., Oñate E., Suárez B.: Interpretation of dam deformation and leakage with boosted regression trees. Engineering Structures 119, 2016, 230–251.
  • 43. Malinowska A.: Classification and regression tree theory application for assessment of building damage caused by surface deformation. Natural Hazards 73 (2), 2014, 317–334.
  • 44. Irimia-Dieguez A.I., Blanco-Oliver A., Vazquez-Cueto M.J.: A comparison of classification/regression trees and logistic regression in failure models. Procedia Economics and Finance 23, 2015, 9–14.
  • 45. Weng J., Zheng Y., Qu X., Yan X.: Development of a maximum likelihood regression tree-based model for predicting subway incident delay. Transportation Research 57, 2015, 30–41.
  • 46. Kutyłowska M.: MARSplines method as a tool for failure frequency modelling. E3S Web of Conferences 44, 2018, 00086.
  • 47. Kutyłowska M.: Dobór zmiennych niezależnych do budowy modeli predykcyjnych. Technologia Wody 58 (2), 2018, 30–34.
Uwagi
Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-cbc6a692-9826-4aff-9fde-6dbeb04ffd06
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.