Support vector machines and neural networks for forecasting of failure rate of water pipes

• Autorzy: Kutyłowska M.

Identyfikatory

DOI

10.2429/proc.2016.10(1)005

Warianty tytułu

PL

Metoda wektorów nośnych i sieci neuronowe do przewidywania wskaźnika awaryjności przewodów wodociągowych

• Konferencja: ECOpole’16 Conference (5-8.10.2016, Zakopane, Poland)
• Języki publikacji: EN

Abstrakty

EN

The failure rate of water pipes was predicted using support vector machines (SVMs) and artificial neural networks (ANNs). Both algorithms are regression methods of so called machine learning. Operational data from the time span 2001-2012 were used for forecasting purposes. The length, diameter and year of construction of the distribution pipes and the house connections were treated as the independent variables. The computations were carried out using the Statistica 12.0 software.

PL

Wskaźnik awaryjności przewodów wodociągowych przewidywano za pomocą metody wektorów nośnych (SVM) i sztucznych sieci neuronowych (SSN). Oba algorytmy należą do metod regresyjnych, nazywanych metodami uczenia maszyn. Dane eksploatacyjne z lat 2001-2012 zostały wykorzystane w celach predykcji. Długość, średnica i rok budowy przewodów rozdzielczych i przyłączy były zmiennymi niezależnymi. Obliczenia przeprowadzono w programie Statistica 12.0.

Słowa kluczowe

EN

pipelines; prediction; radial basis functions

PL

rurociągi; przewidywanie; radialne funkcje bazowe

• Wydawca: Towarzystwo Chemii i Inżynierii Ekologicznej
• Czasopismo: Proceedings of ECOpole
• Rocznik: 2016
• Tom: Vol. 10, No. 1
• Strony: 41--46
• Opis fizyczny: Bibliogr. 11 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] Tscheikner-Gratl F, Sitzenfrei R, Rauch W, Kleidorfer M. Struct Infrastruct Eng. 2016;12(3):366-380. DOI:10.1080/15732479.2015.1017730.
• [2] Kowalski D, Miszta-Kruk K. Eng Failure Analysis. 2013;35:736-742. DOI:10.1016/j.engfailanal.2013.07.017.
• [3] Scheidegger A, Leitao JP, Scholten L. Water Res. 2015;83:237-247. DOI: 10.1016/j.watres.2015.06.027.
• [4] Nishiyama M, Filion Y. Can J Civ Eng. 2014;41(10):918-923. DOI: 10.1139/cjce-2014-0114.
• [5] Tscheikner-Gratl F, Sitzenfrei R, Rauch W, Kleidorfer M. Struct Infrastruct Eng. 2016;12(3):366-380. DOI:10.1080/15732479.2015.1017730.
• [6] Kolasa-Więcek A. Ecol Chem Eng S. 2013;20(2):419-428. DOI: 10.2478/eces-2013-0030.
• [7] Aydogdu M, Firat M. Water Resour Manage. 2015;29:1575-1590. DOI: 10.1007/s11269-014-0895-5.
• [8] Rodolfi E, Servili F, Magini R, Napolitano F, Russo F, Alfonso L. Proced Eng. 2014;89:648-655. DOI:10.1016/j.proeng.2014.11.490.
• [9] Statistica 12.0, Electronic Manual. http://www.statsoft.pl/textbook/stathome_stat.html?http%3A%2F%2Fwww.statsoft.pl%2Ftextbook%2Fstmachlearn.html
• [10] Siwoń Z, Cieżak W, Cieżak J. Modele neuronowe szeregów czasowych godzinowego poboru wodyw 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.
• [11] Kutyłowska M. Eng Failure Analysis. 2015;47:41-48. DOI: 10.1016/j.engfailanal.2014.10.007.

Uwagi

PL

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