报告预览

基于机器学习的供水管网风险评价.pdf

编号：162634

PDF 25页 3.42MB 下载积分：VIP专享

下载报告请您先登录！

基于机器学习的供水管网风险评价.pdf

1、基于机器学习的供水管网风险评价基于机器学习的供水管网风险评价汇报人汇报人：朱婧聪：朱婧聪导导师：扈震师：扈震曾文曾文中国地质大学（武汉中国地质大学（武汉）地理与地理与信息工程学院信息工程学院高性能空间计算智能实验室（高性能空间计算智能实验室（HPSCIL）High-performance Spatial Computational Intelligence Lab CUG12023年中国测绘学会地下管线专业委员会年会年中国测绘学会地下管线专业委员会年会2023.11.23 中国中国.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 结果与讨论 04 总结与展望 05 参考文献3High-performance Spatial Computational Intelligence Lab CUGHigh-performance Spatial Computational Intelligence Lab CUG01引言引言012019年7月，乐山市高新区的市第一自来水厂原水管因外单位施工导致破损，现场路面出现大量积水，造成交通拥堵，

3、绿化带土地全部浸湿。2022年10月，四川省广元市利州区利州东路，DN600供水主管发生爆管，紧急抢修12小时，影响周边近2万名居民家中正常生活。生命线系统作为分布在城市中的复杂网络，由大量管道组成，具有地理范围分布广、关联性强、风险大等特点。一但发生事故，往往破坏严重、波及范围广、社会影响大。通过事故前的风险评估能够在一定程度上预防管线事故的发生，提高供水管网的管理水平、保障人民群众的生命财产安全。生命线系统负担着城市的信息传递、能源输送，是满足城市运行和市民生产生活的重要基础，是确保社会经济和城市建设健康协调发展的重要基础和保障。4某市供水管网分布图引言01水利部明确指示，全面加强地下管线

4、等基础市政设施的运行管护，水资源节约管理，数字孪生水利建设加快推进。保障供水系统的安全运行，降低城镇公共供水管网漏损，提高水资源利用效率，为供水管网风险评估提供政策基础。城市地下市政基础设施建设总体平稳，但仍存在统筹协调不够、运行管理不到位等问题，爆管、漏水事故时有发生。5研究现状01典型的风险评估方法6 定性方法半定量方法定量方法概念由专家依据实践经验以及行业标准，对事故风险做出直观判断根据管道属性及其对风险的贡献大小建立指标体系，对各个因素失效可能性和失效后果进行评分以系统事故发生概率来评价，对燃气管网的状况进行定量的计算方法事件树法、故障树法、领结图模型法灰色系统法、肯特指数法、贝叶斯网

5、络法、层次分析法和模糊评价法概率风险评价法、危险指数评价法和伤害（破坏）范围评价法局限性或多或少取决于专家的估计和经验使用数学工具提高评价结果的客观性，但难以应用于不同情况性能取决于样本数据的数量和质量，对于缺失历史数据的区域难以应用实例科学问题01科学问题（2）针对供水管网故障重点区预测尚无固定程式，风险评估结果不确定性较大，需要综合考虑结果精度，模型适用性进行结果评价。（1）现有研究多用专家打分的方式对耦合作用的强弱做出评价，具有一定的主观性，且较少考虑到管线与周边环境之间的空间相关性。解决方法对供水管网事故案例进行分析，并总结事故原因，考虑管线周边环境因素，建立综合风险评价指标体系。综合

6、运用空间分析、统计分析和支持向量机（SVM）等方法，构建了四种核函数SVM管网风险预测模型并分析评价结果。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数据来源10（1）管网数据中国南部某市供水管网（2）管网故障数据研究区设备维修故障管段共89处，故障类型包括人为爆管、自然爆管、水管漏水、其他水管设备故障4种类型（3）人口密度数据数据来源于2000-2020年总分

7、辨率为1km分辨率人口密度数据集（WorldPop）（4）道路等级数据数据来源于开放街道图（Open Street Map，OSM）研究方法02机器学习模型11支持向量机（Support Vector Machine，SVM）基于机器学习理论，基本原理是在特征空间上间隔最大化的分类器。同时利用核函数使非线性分类问题得到解决，针对不同的研究目的，应对比不同核函数的预测精度，选择最优核函数建立SVM预测模型。核函数类型核函数解决问题线性核函数（Linear Kernel,LN-SVM）,=线性多项式核函数(Polynomial Kernel,PL-SVM),=(+)偏线性Sigmoid核函数(Si

8、gmoid Kernel,SIG-SVM),=(+)偏非线性径向基核函数(Radial Basis Function,RBF-SVM),=()非线性通过核函数将样本映射到更高维的特征空间Sp=TPTP+FN研究方法02精度评价12召回率，即真正类率(Sp)，是正类中所有样本被正确预测的比例特异性，即真负类率(Xp)，是负类中所有样本被正确预测的比例受试者特征曲线（Receiver Operating Characteristic,ROC）下面积（Area Under the ROC Curve,AUC），取值范围为0，1，值越大表明模型预测能力越强，管网故障预测结果精度越高 AUC0-0.60

9、.6-0.70.7-0.80.8-0.90.9-1精度等级差一般好非常好极好Xp=TNFP+TN=1+1)(+1 2 二值分类问题，对应的22混淆矩阵模型精度等级对比预测类真实类正类负类正类真正类(TP)假正类(FP)负类假负类(FN)真负类(TN)13High-performance Spatial Computational Intelligence Lab CUGHigh-performance Spatial Computational Intelligence Lab CUG03结果与讨论结果与讨论0314风险评价模型优选分析检验结果变量AUC标准错误渐进显著性渐进95%置信区间下限

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结果与讨论0315管网风险预测结果分析 PL-SVM模型通过训练样本统计得到的频率比值（频率比=样本点比例/分区管段比例）均随风险等级升高而递增经对比其趋势均符合指数函数，拟合方程为：=.，R=0.8001风险等级分区管段数管段比例/%故障点比例/%频率比极高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结果与讨论0316风险评价模型解释性分析利用SPSS软件统计PL_SVM模型评价因子的重要性排序，以预测值倾向评分值作为因子权重特征选择：管长、道路等级、管材特征对于模型的性能最为关键；埋深、口径、人口密度对预测结果的重要性较低，对预测结果的影响较小解释模型：揭示模型的关键决策因素，并提供对预测结果背后的原因和解释结果与讨论0317风险评价模型解释性分析随着管长的长度增长，风险等级为高风险的管段百分比增多，证明长度大于200的管段风险高对于距离长的供水管道，若排气阀和泄水阀设置不足或性能不合格，以及阀门安装不当或失灵

12、，会造成管线局部寄存空气，形成气囊。气囊的运动造成管内压力震荡，冲击管壁，从而造成管线损坏。长距离管道，在启停泵、快速关闭阀门、突然停电还会产生水锤，导致爆管。结果与讨论0318风险评价模型解释性分析在地表和土壤的作用下，管线震动和位移使得相近的管线产生碰撞或硌压而导致管线破裂事故时有发生。城市支路和居民区车行道下方的供水管网通常处于城市交通密集区域，车辆行驶和停车可能对管道施加压力，间隙的车辆振动和重压可能对管道造成损伤，导致故障发生结果与讨论0319风险评价模型解释性分析过去常用铸铁管作为管材，在高风险和极高风险的管段中，以钢材、铸铁管故障频率最高。而预应力钢筋混凝土管（PCCP）、球墨铸

13、铁管发生故障的现象较少，目前美国、德国、日本等发达国家的球墨铸铁管使用率达90%以上，而我国的使用率较低，建议增大该材质使用率20High-performance Spatial Computational Intelligence Lab CUGHigh-performance Spatial Computational Intelligence Lab CUG04总结与展望总结与展望0421总结本文在对比四种核函数SVM模型预测正确率的基础上选择PL-SVM模型开展管网风险预测，以事故数据70%和剩余30%训练模型和验证模型，结果表明，模型精度较高，AUC值为0.830，精度等级为非常好

14、；PL-SVM模型所划分风险等级极高、高、中和低风险区4个等级的管段数量比例分别为：10.61%、5.05%、9.76%和74.58%，故障比例在极高风险区分布最多，分区结果比较合理；PL-SVM模型预测的研究区故障发生在极高、高、中和低风险区的占比分别为：70.79%、3.37%、3.37%、22.47%，频率比值与风险等级之间呈良好的正相关，符合指数函数关系；综合验证结果的频率比值和AUC值，PL-SVM模型对供水管网风险预测结果具有良好的适用性和预测性，本文的结果对管网风险防治重点区确定具有一定的指导价值，对开展同类研究具有一定的参考意义。总结与展望0422展望本文所选评价因子应进一步

15、完善，并选择基于物理和基于统计思想等更多评价模型对比，从而组建更可靠的风险预测体系，为供水管网风险预测提供最适用的结果；供水管网风险评价中历史故障数据量一般较少，应在实验对比的基础上遴选正确率最好的评价模型，并利用数据采集与监视控制系统（Supervisory Control and Data Acquisition，SCADA）技术提升样本容量，提升评价结果可靠性和模型预测性能；供水管网作为分布在城市中的复杂网络，存在一定的空间相关性，通过最新的图卷积等技术提取管网的拓扑特征，作为对常用属性的补充，并引入聚类分析的方法提升模型精度；构建模型及数据处理较为耗时低效，建议今后通过编写智能化软件进

16、行管网风险评价，提高效率和精度。23High-performance Spatial Computational Intelligence Lab CUGHigh-performance Spatial Computational Intelligence Lab CUG05参考文献参考文献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汇报人汇报人：朱婧聪：朱婧聪导导师：扈震师：扈震曾文曾文中国地质大学（武汉中国地质大学（武汉）地理与地理与信息工程学院信息工程学院高性能空间计算智能实验室高性能空间计算智能实验室（HPSCIL）25谢谢谢！谢！请您批评指正！请您批评指正！

友情提示

1、下载报告失败解决办法
2、PDF文件下载后，可能会被浏览器默认打开，此种情况可以点击浏览器菜单，保存网页到桌面，就可以正常下载了。
3、本站不支持迅雷下载，请使用电脑自带的IE浏览器，或者360浏览器、谷歌浏览器下载即可。
4、本站报告下载后的文档和图纸-无水印,预览文档经过压缩，下载后原文更清晰。

本文（基于机器学习的供水管网风险评价.pdf）为本站（张5G）主动上传，三个皮匠报告文库仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对上载内容本身不做任何修改或编辑。若此文所含内容侵犯了您的版权或隐私，请立即通知三个皮匠报告文库（点击联系客服），我们立即给予删除！

温馨提示：如果因为网速或其他原因下载失败请重新下载，重复下载不扣分。

上海品茶

基于机器学习的供水管网风险评价.pdf

基于机器学习的供水管网风险评价.pdf