Comparison of different types of neuronal nets for failures location within water-supply networks

• Autorzy: Rojek I. , Studziński J.

Warianty tytułu

PL

Porównanie różnych typów sieci neuronowych do lokalizacji awarii w sieciach wodociągowych

• Języki publikacji: EN PL

Abstrakty

EN

The different types of neuronal nets for failures location within a water-supply network are presented in the paper. The present utilization of the monitoring systems does not exhaust their possibilities. The monitoring systems operated as autonomic programs gather the information about flows and pressures of water in the source pumping stations, in the zones of hydrophore stations and also in some selected pipes of water network, giving general knowledge about state of its work, when simultaneously they could and should be used as elements of IT systems for network management, and particularly regarding detection and location of hidden water leaks. The models of network failures location are created by means of neuronal nets in the form of MLP and Kohonen nets.

PL

W artykule prezentowane są różne typy sieci neuronowych do lokalizacji awarii w sieci wodociągowej. Obecne wykorzystanie systemów monitorowania nie odpowiada ich możliwościom. Współcześnie systemy monitoringu służą jako autonomiczne programy do zbierania informacji o przepływach i ciśnieniach wody w pompowniach źródłowych, hydroforniach strefowych i końcówkach sieci wodociągowej, dając ogólną wiedzę o stanie jej pracy, gdy jednocześnie mogą i powinny być wykorzystane jako elementy IT systemów zarządzania siecią, w tym w szczególności w zakresie wykrywania i lokalizacji wycieków wody. Modele lokalizacji awarii sieci zostały utworzone przy wykorzystaniu jednokierunkowych sieci neuronowych ze wsteczną propagacją błędu typu MLP i sieci Kohonena.

Słowa kluczowe

EN

water supply network; network hydraulic models; detection and location of water leaks; MLP and Kohonen neuronal nets

PL

sieci wodociągowe; modele hydrauliczne sieci; wykrywanie i lokalizacja wycieków wody; sieci neuronowe MLP i Kohonena

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2014
• Tom: Vol. 16, no. 1
• Strony: 42--47
• Opis fizyczny: Bibliogr. 16 poz.

Twórcy

autor

Rojek I.

• Institute of Mechanics and Applied Computer Science kazimierz Wielki university, ul. Chodkiewicza 30, 85-064 Bydgoszcz, Poland

autor

Studziński J.

• Systems Research Institute Polish Academy of Sciences ul. Newelska 6, 01-447 Warsaw, Poland

Bibliografia

• 1. Billman L, Isermann R. Leak detection methods for pipelines. Automatica 1987; 23: 381–385.
• 2. Farmani R, Ingeduld P, Savic D, Walters G, Svitak Z, Berka J. Real-time modeling of a major water supply system. International Conference on Computing and Control for the Water Industry 2007; 160(2): 103–108.
• 3. Kowalczuk Z, Gunawickrama K. Detecting and locating leaks in transmission pipelines. Fault Diagnosis: Models, Artificial Intelligence, Applications. Berlin: Springer-Verlag, 2004; 822–864
• 4. Rojek I. Study of failure location algorithms in form of neuronal nets for water-supply networks. The report to the research project No. 14-0011-10/2010. Warsaw: IBS PAN, 2012 (in Polish).
• 5. Rojek I, Studziński J. Failures location algorithms for water-supply network by use the neural networks. Studies & Proceedings of Polish Association for Knowledge Management 2011; 8: 146–156 (in Polish).
• 6. Smarter Water Management. IBM, 2009; http://www.ibm.com/ibm/ideasfromibm/us/smartplanet/ topics/water-management/.
• 7. Straubel R, Holznagel B. Mehrkriteriale Optimierung für Planung und Steuerung von Trink- und Abwasser-Verbundsystemen. Wasser Abwasser 1999; 140(3): 191–196.
• 8. Studziński J. Rechnerunterstützte Endscheidungshilfe für kommunale Wasserwerke mittels mathematischer Modelle. Krigingsapproximation und Optimierung. Modellierung und Simulation von Ökosystemen. Workshop Kölpinsee 2011.
• 9. Studziński J. Decisions making systems for communal water networks and wastewater treatment plants. Modeling Concepts and Decision Support in Environmental Systems. Warsaw: IBS PAN, 2006; 49.
• 10. Studziński J. The innovations of XXI age – the modern information techniques for the management in network enterprises. Innovative Mazovia. Płock: Publishing House of SWPW, 2010 (in Polish).
• 11. Rojek I. Support of decision making processes and control in systems with different scale of complexity using artificial intelligence methods. Bydgoszcz: Publishing House of Kazimierz Wielki University, 2010 (in Polish).
• 12. Tadeusiewicz R. Discovery of neural networks properties using programs in C + + . Cracow: Polish Academy of Arts and Sciences, 2007 (in Polish).
• 13. Turkowski M, Bratek A, Słowikowski M. Methods and systems of leak detection in long range pipelines. Journal of Automation, Mobile Robotics & Intelligent Systems 2007; 1: 39–46.
• 14. Wei S, Gnauck A. Game Theory Based Water Quality Models for Reservoir Management. Environmental Informatics and Systems Research. 21st Conference on Informatics for Environmental Protection ENVIROINFO. Aachen: Shaker Verlag, 2007; 1: 363–370.
• 15. Wyczółkowski R, Moczulski W. Concept of intelligent monitoring of local water supply system. Artificial Intelligence Methods AI-METH. Gliwice: Silesian University of Technology, 2005; 147–148.
• 16. Wyczółkowski R, Wysogląd B. An optimization of heuristic model of water supply network. Computer Assisted Mechanics and Engineering Science CAMES 2007; 14: 767–776.