Система подачи и распределения воды (СПРВ) нередко сталкивается с проблемой утечек, которые создают риски для бесперебойного водоснабжения населения. При этом традиционные методы диагностики зачастую не позволяют выявить утечки до появления явных последствий. В рамках данного исследования разработана модель машинного обучения, предназначенная для раннего обнаружения утечек в СПРВ. Для формирования обучающей выборки было проведено гидравлическое моделирование с использованием геоинформационной системы ZuluGIS. В процессе моделирования учитывались: динамика потребления воды пользователями; возможные искажения и помехи в данных; различная интенсивность утечек и другие значимые факторы.
Предмет исследования. Надежность функционирования городских водопроводных систем с учётом топографических особенностей.
Материалы и методы исследования: Проведен анализ технического состояния трубопроводов СПРВ ГО Ялта. Исследована модель машинного обучения (ММО) для обнаружения утечек в СПРВ ГО Ялта. Данные о давлении воды в условиях утечек и отсутствия утечек были получены с помощью геоинформационной системы ZuluGIS с учетом таких факторов, как меняющиеся требования пользователей, помехи в данных, степень утечек и т.д. Модель искусственной нейронной сети для обнаружения утечек (ИНС‑ОУ) построена на данных о давлении воды в узлах мониторинга. Ключевое отличие от существующих подходов заключается в том, что вместо анализа временных рядов модель выявляет пространственные взаимосвязи между показаниями давления в разных узлах в текущий момент времени.
Результаты. Проведённые исследования показали, что искусственная нейронная сеть (ИНС) способна с высокой точностью различать два состояния системы — наличие или отсутствие утечки. Однако для эффективной работы модели критически важен сбалансированный набор данных, включающий примеры обоих сценариев. В реальных условиях это представляет сложность, поскольку СПРВ преимущественно функционирует в штатном режиме, и случаи утечек относительно редки. Исследование также выявило зависимость точности моделей от местоположения утечки: при возникновении утечек в зоне действия датчиков модели демонстрируют высокую точность; за пределами зоны мониторинга датчиков точность прогнозирования существенно снижается. Полученные результаты позволяют сформулировать рекомендации по оптимальному размещению датчиков мониторинга, обеспечивающие необходимый охват контролируемой территории.
Выводы. Модели искусственных нейронных сетей в сочетании с анализом данных — многообещающее решение для своевременного и надёжного обнаружения утечек. Ключевой аргумент: характер распределения давления воды и его изменения при утечке определяются структурой сети водоснабжения Южного берега Крыма. Благодаря этому можно эффективно мониторить состояние городских водопроводных систем и оперативно реагировать на неисправности.
The water supply and distribution system often face the problem of leaks, which pose risks to the uninterrupted water supply of the population. At the same time, traditional diagnostic methods often do not allow leaks to be detected before obvious consequences appear. Within the framework of this study, a machine learning model has been developed designed for early detection of leaks in SPRW. To form a training sample, hydraulic modeling was performed using the ZuluGIS geoinformation system. During the modeling process, the following factors were taken into account: the dynamics of water consumption by users; possible distortions and interference in the data; different leakage rates and other significant factors.
The subject. The reliability of urban water supply systems, taking into account topographical features.
Materials and research methods: The analysis of the technical condition of the pipelines of the Yalta gas pipeline system was carried out. A machine learning (MMO) model for detecting leaks in the Yalta open air defense system has been investigated. Data on water pressure under leak conditions and the absence of leaks were obtained using the ZuluGIS geoinformation system, taking into account factors such as changing user requirements, data interference, the degree of leaks, etc. An artificial neural network (INS-OU) model has been developed to detect leaks. For this purpose, data on water pressure in a group of monitoring nodes was used. Unlike existing approaches using time series analysis, water pressure data is used by the INS-OU model to determine the spatial relationship between data in monitoring nodes at a given time.
Results. The conducted research has shown that an artificial neural network (ANN) is able to accurately distinguish between two states of the system — the presence or absence of leakage. However, a balanced data set that includes examples of both scenarios is crucial for the effective operation of the model. In real-world conditions, this is difficult, since the SPRV mainly operates normally, and leakage cases are relatively rare. The study also revealed that the accuracy of the models depends on the location of the leak: when leaks occur in the sensor coverage area, the models demonstrate high accuracy; outside the sensor monitoring area, the prediction accuracy decreases significantly. The results obtained allow us to formulate recommendations on the optimal placement of monitoring sensors, ensuring the necessary coverage of the controlled area.
Conclusions. A data-driven approach using ANN models is promising for fast and reliable leak detection. The rationale is that the spatial structure of water pressure and its changes during leakage depend on the structure of the water distribution network, which allows us to obtain information about the conditions in the urban water supply network.
полный текст на сайте stroyjurnal-asa.ru