基于機器學習的供水管網風險評價.pdf

《基于機器學習的供水管網風險評價.pdf》由會員分享，可在線閱讀，更多相關《基于機器學習的供水管網風險評價.pdf（25頁珍藏版）》請在三個皮匠報告上搜索。

1、基于機器學習的供水管網風險評價基于機器學習的供水管網風險評價匯報人匯報人：朱婧聰：朱婧聰導導 師：扈震師：扈震 曾文曾文中國地質大學（武漢中國地質大學（武漢）地理與地理與信息工程學院信息工程學院 高性能空間計算智能實驗室（高性能空間計算智能實驗室（HPSCIL）High-performance Spatial Computational Intelligence Lab CUG12023年中國測繪學會地下管線專業委員會年會年中國測繪學會地下管線專業委員會年會2023.11.23 中國中國.上海上海1 1High-performance Spatial Computational Intelli

2、gence Lab CUGHigh-performance Spatial Computational Intelligence Lab CUGCONTENT 01 引言 02 研究方法 03 結果與討論 04 總結與展望 05 參考文獻3High-performance Spatial Computational Intelligence Lab CUGHigh-performance Spatial Computational Intelligence Lab CUG01引言引言012019年7月，樂山市高新區的市第一自來水廠原水管因外單位施工導致破損，現場路面出現大量積水，造成交通擁堵，

3、綠化帶土地全部浸濕。2022年10月，四川省廣元市利州區利州東路，DN600供水主管發生爆管，緊急搶修12小時，影響周邊近2萬名居民家中正常生活。生命線系統作為分布在城市中的復雜網絡，由大量管道組成，具有地理范圍分布廣、關聯性強、風險大等特點。一但發生事故，往往破壞嚴重、波及范圍廣、社會影響大。通過事故前的風險評估能夠在一定程度上預防管線事故的發生，提高供水管網的管理水平、保障人民群眾的生命財產安全。生命線系統負擔著城市的信息傳遞、能源輸送，是滿足城市運行和市民生產生活的重要基礎，是確保社會經濟和城市建設健康協調發展的重要基礎和保障。4某市供水管網分布圖引言01水利部明確指示，全面加強地下管線

4、等基礎市政設施的運行管護，水資源節約管理，數字孿生水利建設加快推進。保障供水系統的安全運行，降低城鎮公共供水管網漏損，提高水資源利用效率，為供水管網風險評估提供政策基礎。城市地下市政基礎設施建設總體平穩，但仍存在統籌協調不夠、運行管理不到位等問題，爆管、漏水事故時有發生。5研究現狀01典型的風險評估方法6 定性方法半定量方法定量方法概念由專家依據實踐經驗以及行業標準，對事故風險做出直觀判斷根據管道屬性及其對風險的貢獻大小建立指標體系，對各個因素失效可能性和失效后果進行評分以系統事故發生概率來評價，對燃氣管網的狀況進行定量的計算方法事件樹法、故障樹法、領結圖模型法灰色系統法、肯特指數法、貝葉斯網

5、絡法、層次分析法和模糊評價法概率風險評價法、危險指數評價法和傷害（破壞）范圍評價法局限性或多或少取決于專家的估計和經驗使用數學工具提高評價結果的客觀性，但難以應用于不同情況性能取決于樣本數據的數量和質量，對于缺失歷史數據的區域難以應用實例科學問題01科學問題（2）針對供水管網故障重點區預測尚無固定程式，風險評估結果不確定性較大，需要綜合考慮結果精度，模型適用性進行結果評價。（1）現有研究多用專家打分的方式對耦合作用的強弱做出評價，具有一定的主觀性，且較少考慮到管線與周邊環境之間的空間相關性。解決方法對供水管網事故案例進行分析，并總結事故原因，考慮管線周邊環境因素，建立綜合風險評價指標體系。綜合

6、運用空間分析、統計分析和支持向量機（SVM）等方法，構建了四種核函數SVM管網風險預測模型并分析評價結果。78High-performance Spatial Computational Intelligence Lab CUGHigh-performance Spatial Computational Intelligence Lab CUG02研究方法研究方法029研究方法02數據來源10（1）管網數據中國南部某市供水管網（2）管網故障數據研究區設備維修故障管段共89處，故障類型包括人為爆管、自然爆管、水管漏水、其他水管設備故障4種類型（3）人口密度數據 數據來源于2000-2020年總分

7、辨率為1km分辨率人口密度數據集（WorldPop）（4）道路等級數據數據來源于開放街道圖（Open Street Map，OSM）研究方法02機器學習模型11支持向量機（Support Vector Machine，SVM）基于機器學習理論，基本原理是在特征空間上間隔最大化的分類器。同時利用核函數使非線性分類問題得到解決，針對不同的研究目的，應對比不同核函數的預測精度，選擇最優核函數建立SVM預測模型。核函數類型核函數解決問題線性核函數（Linear Kernel,LN-SVM）,=線性多項式核函數(Polynomial Kernel,PL-SVM),=(+)偏線性Sigmoid核函數(Si

8、gmoid Kernel,SIG-SVM),=(+)偏非線性徑向基核函數(Radial Basis Function,RBF-SVM),=()非線性通過核函數將樣本映射到更高維的特征空間Sp=TPTP+FN研究方法02精度評價12召回率，即真正類率(Sp)，是正類中所有樣本被正確預測的比例特異性，即真負類率(Xp)，是負類中所有樣本被正確預測的比例受試者特征曲線（Receiver Operating Characteristic,ROC）下面積（Area Under the ROC Curve,AUC），取值范圍為0，1，值越大表明模型預測能力越強，管網故障預測結果精度越高 AUC0-0.60

9、.6-0.70.7-0.80.8-0.90.9-1精度等級差一般好非常好極好Xp=TNFP+TN=1+1)(+1 2 二值分類問題，對應的22混淆矩陣模型精度等級對比預測類真實類正類負類正類真正類(TP)假正類(FP)負類假負類(FN)真負類(TN)13High-performance Spatial Computational Intelligence Lab CUGHigh-performance Spatial Computational Intelligence Lab CUG03結果與討論結果與討論0314風險評價模型優選分析檢驗結果變量AUC標準錯誤漸進顯著性漸進95%置信區間下限

10、上限PL_SVM0.8300.0560.0000.7200.939RBF_SVM0.7760.0660.0010.6470.904SIG_SVM0.5500.0810.5330.3920.708LN_SVM0.7640.0650.0010.6350.892結果與討論0315管網風險預測結果分析 PL-SVM模型通過訓練樣本統計得到的頻率比值（頻率比=樣本點比例/分區管段比例）均隨風險等級升高而遞增 經對比其趨勢均符合指數函數，擬合方程為：=.，R=0.8001風險等級分區管段數管段比例/%故障點比例/%頻率比極高690210.61%70.79%6.67高32895.05%3.37%0.67中6

11、3559.76%3.37%0.35低4853574.58%22.47%0.30結果與討論0316風險評價模型解釋性分析利用SPSS軟件統計PL_SVM模型評價因子的重要性排序，以預測值傾向評分值作為因子權重特征選擇：管長、道路等級、管材特征對于模型的性能最為關鍵；埋深、口徑、人口密度對預測結果的重要性較低，對預測結果的影響較小解釋模型：揭示模型的關鍵決策因素，并提供對預測結果背后的原因和解釋結果與討論0317風險評價模型解釋性分析隨著管長的長度增長，風險等級為高風險的管段百分比增多，證明長度大于200的管段風險高對于距離長的供水管道，若排氣閥和泄水閥設置不足或性能不合格，以及閥門安裝不當或失靈

12、，會造成管線局部寄存空氣，形成氣囊。氣囊的運動造成管內壓力震蕩，沖擊管壁，從而造成管線損壞。長距離管道，在啟停泵、快速關閉閥門、突然停電還會產生水錘，導致爆管。結果與討論0318風險評價模型解釋性分析在地表和土壤的作用下，管線震動和位移使得相近的管線產生碰撞或硌壓而導致管線破裂事故時有發生。城市支路和居民區車行道下方的供水管網通常處于城市交通密集區域，車輛行駛和停車可能對管道施加壓力，間隙的車輛振動和重壓可能對管道造成損傷，導致故障發生結果與討論0319風險評價模型解釋性分析過去常用鑄鐵管作為管材，在高風險和極高風險的管段中，以鋼材、鑄鐵管故障頻率最高。而預應力鋼筋混凝土管（PCCP）、球墨鑄

13、鐵管發生故障的現象較少，目前美國、德國、日本等發達國家的球墨鑄鐵管使用率達90%以上，而我國的使用率較低，建議增大該材質使用率20High-performance Spatial Computational Intelligence Lab CUGHigh-performance Spatial Computational Intelligence Lab CUG04總結與展望總結與展望0421總結 本文在對比四種核函數SVM模型預測正確率的基礎上選擇PL-SVM模型開展管網風險預測，以事故數據70%和剩余30%訓練模型和驗證模型，結果表明，模型精度較高，AUC值為0.830，精度等級為非常好

14、；PL-SVM模型所劃分風險等級極高、高、中和低風險區4個等級的管段數量比例分別為：10.61%、5.05%、9.76%和74.58%，故障比例在極高風險區分布最多，分區結果比較合理；PL-SVM模型預測的研究區故障發生在極高、高、中和低風險區的占比分別為：70.79%、3.37%、3.37%、22.47%，頻率比值與風險等級之間呈良好的正相關，符合指數函數關系；綜合驗證結果的頻率比值和AUC值，PL-SVM模型對供水管網風險預測結果具有良好的適用性和預測性，本文的結果對管網風險防治重點區確定具有一定的指導價值，對開展同類研究具有一定的參考意義?？偨Y與展望0422展望 本文所選評價因子應進一步

15、完善，并選擇基于物理和基于統計思想等更多評價模型對比，從而組建更可靠的風險預測體系，為供水管網風險預測提供最適用的結果；供水管網風險評價中歷史故障數據量一般較少，應在實驗對比的基礎上遴選正確率最好的評價模型，并利用數據采集與監視控制系統（Supervisory Control and Data Acquisition，SCADA）技術提升樣本容量，提升評價結果可靠性和模型預測性能；供水管網作為分布在城市中的復雜網絡，存在一定的空間相關性，通過最新的圖卷積等技術提取管網的拓撲特征，作為對常用屬性的補充，并引入聚類分析的方法提升模型精度；構建模型及數據處理較為耗時低效，建議今后通過編寫智能化軟件進

16、行管網風險評價，提高效率和精度。23High-performance Spatial Computational Intelligence Lab CUGHigh-performance Spatial Computational Intelligence Lab CUG05參考文獻參考文獻051R.Taiwo,M.E.A.Ben Seghier,and T.Zayed,Toward Sustainable Water Infrastructure:The StateOfTheArt for Modeling the Failure Probability of Water Pipes,Wat

17、er Resources Research,vol.59,no.4,2023.2H.H.Shi,X.S.Wang,H.Y.Guo,and H.F.Hao,Risk assessment models to investigate the impact of emergency on a water supply system,(in English),Water Supply,Article vol.20,no.8,pp.3542-3556,Dec 2020.3M.Shafiqul Islam,R.Sadiq,M.J.Rodriguez,H.Najjaran,and M.Hoorfar,Rel

18、iability assessment for water supply systems under uncertainties,Journal of Water Resources Planning and Management,vol.140,no.4,pp.468-479,2014.4W.Zhang,T.Lai,and Y.Li,Risk assessment of water supply network operation based on ANP-fuzzy comprehensive evaluation method,Journal of Pipeline Systems En

19、gineering and Practice,vol.13,no.1,p.04021068,2022.5W.Liu,B.Wang,and Z.Song,Failure Prediction of Municipal Water Pipes Using Machine Learning Algorithms,Water Resources Management,vol.36,no.4,pp.1271-1285,2022.6M.Tabesh,A.Roozbahani,B.Roghani,N.R.Faghihi,and R.Heydarzadeh,Risk assessment of factors

20、 influencing non-revenue water using Bayesian networks and fuzzy logic,Water Resources Management,vol.32,pp.3647-3670,2018.7A.Kumar et al.,Using Machine Learning to Assess the Risk of and Prevent Water Main Breaks,presented at the Proceedings of the 24th ACM SIGKDD International Conference on Knowle

21、dge Discovery&Data Mining,2018.8W.T.G.Winkler,Franz,Pipe failure modelling for water distribution networks using boosted decision trees,Structure and Infrastructure Engineering,vol.14,no.10a12,2018.9M.M.Giraldo-Gonzlez and J.P.Rodrguez,Comparison of Statistical and Machine Learning Models for Pipe Failure Modeling in Water Distribution Networks,Water,vol.12,no.4,2020.24High-performance Spatial Computational Intelligence Lab CUG匯報人匯報人 ：朱婧聰：朱婧聰導導 師：扈震師：扈震 曾文曾文中國地質大學（武漢中國地質大學（武漢）地理與地理與信息工程學院信息工程學院 高性能空間計算智能實驗室高性能空間計算智能實驗室（HPSCIL）25謝謝 謝！謝！請您批評指正！請您批評指正！