Dự báo khả năng rò rỉ trên mạng lưới cấp nước bằng một số kỹ thuật học máy: Nghiên cứu điển hình cho hệ thống cấp nước Trung An

Chỉ số đề mục

Lĩnh vực nghiên cứu

Kỹ thuật thuỷ lợi

Dạng tài liệu

Tác giả

Nguyễn Hoàng Tuấn, Trần Đăng An⁽²⁾, Triệu Ánh Ngọc⁽¹⁾, Huỳnh Duy Linh

Nhan đề

Dự báo khả năng rò rỉ trên mạng lưới cấp nước bằng một số kỹ thuật học máy: Nghiên cứu điển hình cho hệ thống cấp nước Trung An - Thành phồ Hồ Chí Minh

Nhan đề tiếng anh

Prediction of water leakages in water distribution Network using machine learning techniques: a case study for Trung An water supply system - Ho Chi Minh city

Nguồn trích

Khoa học kỹ thuật Thủy lợi và Môi trường

Năm xuất bản

2022

Số

78

Trang

44-52

ISSN

1859-3941

Từ khóa

Mạng lưới cấp nước, Kỹ thuật học máy, Hệ thống cấp nước

Từ khóa tiếng anh

Non-revenue water, leak prediction, machine learning, HoChiMinh City.

Tóm tắt

Dự báo khả năng rò rỉ trên mạng lưới cấp nước luôn là vấn đề khó và được quan tâm hàng đầu, đặc biệt là những thành phố có mạng lưới cấp nước lớn, phức tạp như thành phố Hồ Chí Minh. Nghiên cứu này được thực hiện dựa trên 126 mẫu thu thập được trên cơ sở dữ liệu không gian với 11 yếu tố ảnh hưởng đến khả năng rò rỉ: tuổi ống, đường kính, vật liệu, sức chịu tải nền đất, tải trọng giao thông, độ sâu lắp đặt, áp lực, lưu lượng, chênh lệch áp lực, số đấu nối và mật độ dân số. Các mô hình học máy được sử dụng: Random Forest Regression, Extreme Gradient Boosting Regression, Light Gradient Boosting Regression và Catboost Regression để đánh giá khả năng dự báo rò rỉ trên mạng lưới thông qua các thông số: sai số bình phương gốc (RMSE), hệ số xác định (R2), tiêu chí thông tin Akaike (AIC) và tiêu chí thông tin Bayes (BIC) để lựa chọn ra mô hình phù hợp nhất. Kết quả mô phỏng cho thấy, mô hình CastBoost cho kết quả dự báo về khả năng rò rỉ trên mạng lưới tốt nhất. Các mô hình khác cũng có kết quả khá tốt. Tuy nhiên, mô hình SVR được đánh giá không phù hợp với bộ số liệu thu thập. Kết quả cũng chỉ ra rằng, các yếu tố khác cần được bổ sung để nâng cao hiệu quả dự báo của mô hình và có khả năng ứng dụng trong thực tế giảm thất thoát nước trên mạng lưới cấp nước.

Tóm tắt tiếng anh

This study applied several novel machine learning algorithsms to predict the number of water leakage points in 126 DMA with 11 factors that affect the possibility of leakage: pipe age, diameter, materials, movement of the soil, traffic loads, depth of placement, pressure, flow, differential pressure, number of connections, and population density. The machine learning models are used as Random Forest Regression (RFR), Extreme Gradient Boosting Regression (XGB), Light Gradient Boosting Regression (LGB), and Catboost Regression (CBR) combined with the performance appraisals as well as reliability of the machine learning model by comparing the Root-Mean-Square Errors (RMSE), Coefficient of determination (R2), Akaike Information Criterion (AIC) and Bayes Information Criterion (BIC) to evaluate the effectiness of the models. The result revealed that the CBRt model showed the best prediction results of water leakage in DMAs. However, detailed dataset and presection of influenced factors sho

Kí hiệu kho

TTKHCNQG, CVt 64

File toàn văn

Xem toàn văn

Tài liệu tham khảo

[1] Xue, P., Jiang, Y., Zhou, Z., Chen, X., Fang, X., & Liu, J. (2020), Machine learning-based leakage fault detection for district heating networks.,Energy and Buildings, 223, 110161.
[2] Wéber, R., Huzsvár, T., & Hős, C. (2021), Vulnerability of water distribution networks with real-life pipe failure statistics.,Water Supply, ws2021447
[3] Tran, D. A., Tsujimura, M., Ha, N. T., Nguyen, V. T., Binh, D. V., Dang, T. D., . . . Pham, T. D. (2021), Evaluating the predictive power of different machine learning algorithms for groundwater salinity prediction of multi-layer coastal aquifers in the Mekong Delta, Vietnam.,Ecological Indicators, 127, 107790.
[4] Taylor, K. E. (2001), Summarizing multiple aspects of model performance in a single diagram.,Journal of Geophysical Research: Atmospheres, 106(D7), 7183-7192.
[5] Stone, M. (1979), Comments on Model Se-lection Criteria of Akaike and Schwarz. Journal of the Royal Statistical Society.,Series B (Methodological), 41(2), 276-278.
[6] Phạm Thi Minh Lanh, N. Q. T. (2022), A comparison study of water pipe failure prediction models.,Journal of Water Resources.
[7] Hu, X., Han, Y., Yu, B., Geng, Z., & Fan, J. (2021), Novel leakage detection and water loss management of urban water supply network using multiscale neural networks.,Journal of Cleaner Production, 278, 123611.
[8] Hancock, J. T., & Khoshgoftaar, T. M. (2020), CatBoost for big data: an interdisciplinary review.,Journal of Big Data, 7(1), 94
[9] Friedman, J. H. (2001), Greedy Function Approximation: A Gradient Boosting Machine.,The Annals of Statistics, 29(5), 1189-1232.
[10] Cantos Wilmer, P., Juran, I., & Tinelli, S. (2020), Machine-Learning–Based Risk Assessment Method for Leak Detection and Geolocation in a Water Distribution System.,Journal of Infrastructure Systems, 26(1), 04019039.
[11] Candelieri, A., Soldi, D., Conti, D., & Archetti, F. (2014), Analytical Leakages Localization in Water Distribution Networks through Spectral Clustering and Support Vector MACHINES.,The Icewater Approach. Procedia Engineering, 89, 1080-1088.
[12] Banjara, N. K., Sasmal, S., & Voggu, S. (2020), Machine learning supported acoustic emission technique for leakage detection in pipelines,. International Journal of Pressure Vessels and Piping, 188, 104243
[13] Balabin, R. M., & Lomakina, E. I. (2011), Support vector machine regression (SVR/LS-SVM)—an al-ternative to neural networks (ANN) for analytical chemistry? Comparison of nonlinear methods on near infrared (NIR) spectroscopy data.,Analyst, 136(8), 1703-1712.
[14] Akaike, H. (1974), A new look at the statistical model identification.,IEEE Transactions on Automatic Control, 19(6), 716-723.
[15] Phạm Thị Minh Lành, N. Q. T. (2022), Mô hình ước lưu lượng lượng nước rò rỉ theo áp suất trên mạng lưới cấp nước.,Tạp chí Tài Nguyên Nước.