BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  20,961,774
  • Công bố khoa học và công nghệ Việt Nam

Kỹ thuật thuỷ lợi

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

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

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

Khoa học kỹ thuật Thủy lợi và Môi trường

2022

78

44-52

1859-3941

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

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

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.

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

TTKHCNQG, CVt 64

Xem toàn văn