Прогнозирование риска выхода из строя трубопровода с использованием деревьев решений с градиентным усилением и взвешенного анализа рисков.

npj Чистая вода, том 5, Артикул: 22 (2022) Цитировать эту статью

3751 Доступов

2 цитаты

3 Альтметрика

Подробности о метриках

Модели прогнозирования отказов труб необходимы для принятия упреждающих управленческих решений. Целью данного исследования является создание надежной модели прогнозирования, возвращающей вероятность выхода из строя труб с использованием древовидной модели с градиентным усилением, а также конкретной сегментации и группировки труб на сетке размером 1 км, которая связывает локализованные характеристики. Модель применяется к обширной сети Великобритании с протяженностью около 40 000 км трубопроводов и 14-летней историей отказов. Модель оценивалась с использованием кривой оператора приемника и площади под кривой (0,89), оценки Брайера (0,007) и коэффициента корреляции Мэтьюса (0,27) для точности, что указывает на приемлемые прогнозы. Взвешенный анализ рисков используется для выявления последствий отказа трубопровода и обеспечения графического представления труб высокого риска для лиц, принимающих решения. Взвешенный анализ рисков стал важным шагом к пониманию последствий прогнозируемого сбоя. Модель можно использовать непосредственно в стратегическом планировании, которое определяет долгосрочные ключевые решения относительно технического обслуживания и потенциальной замены труб.

Многие сети водоснабжения (WDN) стареют и находятся на завершающей стадии своего проектного срока службы, что приводит к отказам труб, утечкам и потерям воды, что приводит к экологическим, экономическим и социальным последствиям. В условиях растущего давления, вызванного возросшим спросом на воду и последствиями изменения климата, что приводит к нагрузке на водоснабжение, а также в связи с тем, что органы регулирования водного хозяйства налагают крупные штрафы за невыполнение целевых показателей1, существует острая необходимость уменьшить последствия поломок труб посредством соответствующего упреждающего управления. Проактивное управление — это желаемый подход к управлению WDN, направленный на предотвращение проблем и установление уровней приемлемого риска. Традиционно упреждающее управление достигается за счет определения приоритетов замены или ремонта труб с использованием упрощенных ранговых вероятностных моделей, экспертных оценок и детальных знаний о сети для определения критических областей сети, которые исторически регулярно выходили из строя2. Однако этот упрощенный подход не подходит для управления WDN со сложными механизмами отказа труб и сложными связанными с этим рисками, включая потерю воды, вызывающую ущерб собственности и инфраструктуре, потенциальные сбои во время ремонта, прекращение подачи воды и экономические затраты на ремонт и замену. Проактивное управление требует понимания будущих характеристик труб и оценки потенциального риска3.

Статистические модели отказов труб обеспечивают средства поддержки упреждающего управления, прогнозирования будущих показателей путем выявления закономерностей отказов на основе исторических данных и сопутствующих причинных факторов4. Шамир и Ховард (1979)5 разработали одну из первых моделей для небольших труб WDN с одномерной экспоненциальной по времени моделью, использующей возраст трубы для прогнозирования количества отказов в год на 1000 футов трубы. Одновариантные модели ограничены, поскольку несколько факторов часто действуют одновременно, образуя сложные механизмы отказа, которые приводят к различным видам отказа. Эти факторы можно разделить на внутренние, экологические и эксплуатационные6. Дальнейший прогресс был достигнут с использованием многомерных моделей, включая статические (трубы и грунт) и динамические переменные, связанные со временем (погода), для прогнозирования количества отказов или интенсивности отказов7, которые можно использовать для ранжирования труб друг относительно друга8. Прогнозирование количества отказов труб на уровне активов математически проблематично, поскольку инциденты происходят нечасто9. Таким образом, исследования, основанные на частоте отказов, направлены на группировку отказов труб по схожим характеристикам в сети, обеспечивая достаточное количество отказов по сгруппированной длине труб для статистической значимости10,11. Однако группировка труб на уровне сети предполагает, что все трубы со схожими характеристиками имеют схожие локализованные условия (локальные влияния, такие как условия основания, нагрузка трафика и задания в локальной сети) и частоту отказов, что бывает редко.

0.9 is outstanding34. Figure 1 shows the ROC curve for the test dataset close to the top left-hand corner and an AUC value of 0.89, suggesting the model has an excellent discriminative ability to distinguish between the classes, and the TPR and FPR appear robust enough to predict failures on the unseen test data./p> {\rm{threshold}}} \end{array}} \right.\). The default probability threshold within the model is 0.536. By this definition, there remains a practical need to optimise the probability threshold specifically to the behaviour of pipe failures within the imbalanced test data. An optimal probability threshold typically strikes a balance between sensitivity and specificity. However, there is a trade-off between TPR and FPR when altering the threshold, where increasing or decreasing the TPR typically results in the same for the FPR and vice versa. Probability threshold optimisation is an important step in the decision-making process and is specific to each problem. In the case of pipe replacement, expert judgement should be used by reasoning that water companies would seek to avoid unnecessarily replacing pipes that may have a longevity of several decades more, resulting in wasted maintenance effort and cost. Furthermore, only 0.5–1% of the network is typically replaced each year due to budget constraints37. It is therefore important to only identify pipes with the highest probability of failure. Considering this, the optimal threshold is set to reduce the FNs (i.e., pipes predicted to fail when they have not). This reduces the number of TPs predicted as discussed above but targets those pipes most likely to fail./p>0.02; ≤0.06] and high [>0.06; ≤0.92]. In this scenario, the length of pipe in the high-risk category is 13.9 km of the 300.7 km or 4.6% of the pipe network present in Fig. 4, a useful percentage of the network to target for management decisions. The choropleth risk map approach is an important means of visualising individual pipes or clusters of pipes with the highest risk in the WDN, evidenced in Fig. 4. Figure 4 also highlights how many pipes in this section of the network have a low risk, which is to be expected since many pipes have a low probability of failure and have small diameters, potentially causing less damage if they fail./p> 200. (iii) second condition for partitioning data by variable x1 at both 30 and 60 to create two more disjoint region R3 and R4 (Taken from Barton et al.55)./p>

Блог