رویکرد جدید پیش‌بینی نرخ شکست لوله‌های شبکه توزیع آب با استفاده از مدل هیبرید هوشمند (مطالعه موردی: شبکه توزیع آب شهر گرگان)

سابقه و هدف: شبکه‌های توزیع آب شهری بعنوان یکی از مهمترین تاسیسات و تجهیزات زیربنایی مناطق شهری محسوب می‌شوند. لوله‌ها بعنوان یکی از اجزای اصلی و مهم شبکه توزیع آب، همواره در دوره بهره‌برداری تحت تاثیر عوامل مختلف دچار شکستگی می‌شوند، بنابراین استفاده از مدل‌های مختلف جهت شناخت و پیش‌بینی نرخ شکست لوله‌ها می‌تواند کاربرد بسیار مهمی برای مدیران و دستاندرکاران جهت مدیریت بهینه شبکه توزیع آب شهری در دوران بهره‌برداری داشته باشد. در دهه اخیر مطالعات مختلفی جهت پیش‌بینی نرخ شکست لوله‌های شبکه توزیع آب با استفاده از مدل‌های آماری و هوشمند انجام شده‌است که هریک دارایی نقاط ضعف و قوت می‌باشند. هدف از این تحقیق، ارائه یک رویکرد جدید برمبنای توسعه مدل پیش‌بینی هیبرید، با توجه به قابلیت‌های مدل‌های هوشمند و آماری، جهت پیش‌بینی دقیق‌تر نرخ شکست لوله‌های شبکه توزیع آب در مقایسه با مدل‌ها آماری و هوشمند مورد استفاده در تحقیقات قبل می‌باشد. مواد و روش‌ها: برای دستیابی به اهداف مطالعه، از آمار دوره زمانی 4 ساله (1394 تا 1397) مربوط به مشخصات شبکه توزیع آب شرب شهر گرگان شامل قطر، طول، سن، عمق نصب و تعداد شکست جهت پیش‌بینی نرخ شکست لوله‌ها در آینده استفاده‌‌شد. برای پیش‌بینی نرخ شکست لوله‌های شبکه توزیع آب مورد بررسی، پنج مدل مختلف شامل سه مدل آماری (رگرسیون خطی، رگرسیون خطی تعمیم‌یافته، رگرسیون بردار پشتیبان) و دو مدل هوشمند (شامل شبکه عصبی مصنوعی پیش‌خور و شبکه عصبی مصنوعی پایه شعاعی) مورد بررسی قرارگرفتند. انتخاب پارامترهای بهینه مدل‌های مورد‌‌استفاده در این تحقیق، بر اساس شاخص‌های آماری مناسب شامل ضریب همبستگی، خطای حداقل مربعات و نسبت همبستگی خطای‌مربعات متوسط مربوط به داده‌های آموزشی و آزمایشی انجام‌گردید. به‌منظور انتخاب مدل برتر از بین مدل‌های مختلف برای پیش‌بینی نرخ شکست لوله‌های شبکه، مقادیر شاخص‌های r و mse مدل‌های فوق در مرحله صحت‌سنجی محاسبه و با یکدیگر مقایسه‌گردید. در نهایت، به‌منظور امکان پیش‌بینی دقیق‌تر نرخ شکست لوله‌های شبکه توزیع آب، یک رویکرد جدید بر مبنای مدل پیش‌بینی هیبرید توسعه داده شد که در آن، مقادیر پیش‌بینی‌شده نرخ شکست لوله‌های شبکه توسط هریک از مدل‌های فوق بهعنوان متغیرهای مستقل ورودی مدل برتر و مقادیر مشاهداتی نرخ‌ شکست به‌عنوان متغیر وابسته خروجی مدل برتر در‌نظر گرفته‌شد.یافته‌ها: مقایسه مقادیر شاخص‌های آماری r و mse مدل‌های مورد ‌استفاده در این تحقیق در مرحله صحت‌سنجی نشان‌‌داد که هیچکدام از مدل‌های مورد استفاده دارای دقت مناسبی برای پیش‌بینی نرخ شکست لوله‌های شبکه شرب شهر گرگان نیستند. مدل شبکه عصبی مصنوعی پیش‌خور با ضریب همبستگی 0.69 =r و مقدار خطای 0.062 =mse دارای بهترین برآورد بود. با استفاده از رویکرد جدید توسعه ‌داده ‌شده بر اساس هیبرید مدل‌های هوشمند و آماری مقدار r برابر 0.96 و شاخص خطای mse برابر 0.046 بدست آمده‌است.نتیجه‌گیری: افزایش چشمگیر شاخص r(به میزان 39 درصد) و کاهش قابل توجه شاخص mse (به میزان 25 درصد) ناشی از استفاده از رویکرد هیبریدی پیشنهادی برای پیش‌بینی نرخ شکست لوله‌های شبکه در مقایسه با مدل شبکه عصبی مصنوعی پیش‌خور نشان‌‌میدهد که با استفاده از این رویکرد جدید، می‌توان نرخ شکست لوله‌های شبکه تحقیق حاضر را با دقت بسیار خوبی پیش‌بینی نمود.

New Approach for Prediction of Water Distribution Network Pipes Failure Based on a Intelligent Hybrid Model (Case Study: Gorgan Water Distribution Network)

Background and Objective: Urban water distribution networks consider as one of the essential infrastructural facilities and equipment in urban areas. The pipes are one of the primary and essential components of a water distribution network break during operation due to various factors. So, developing models for pipes failure rate prediction can be one of the most crucial tools for managers and stakeholders to the optimal operation of the water distribution network. In the last decade, various studies have performed to predict the failure rate of water distribution pipes using statistical and soft models each of which has strengths and weaknesses. This study aims to present a new approach based on the development of a hybrid prediction model, considering the capabilities of soft and statistical models, to more accurately predict the water distribution network pipes failure rate compared to statistical and soft models used in previous research.Material and Method: In order to achieve the study goals, 4year (20152018) time duration statistics of Gorgan water distribution network characteristics including diameter, length, age, depth of installation, and the number of pipe failures used to predict future pipes failure rates. To modeling the pipe failure rate of the investigated network, five different models, including three statistical models (linear regression, generalized linear regression, support vector regression) and two soft models (feedforward neural network, and radial basis function neural network) has studied. Optimal parameters of the models were selected based on appropriate statistical error indicators, including correlation coefficient (R), Mean Square Error (MSE), and Correlation Mean square error Ratio (CMR) for the training and testing data. In order to select the best model from different models to predict the failure rate of network pipes, the values of R and MSE indicators of the above models were calculated in the validation stage and compared with each other. Finally, to predict pipes failure rate more accurately, a new approach is developed based on the hybrid prediction model in which the predicted values of pipe failure rates by statistical and soft computing models considered as independent variables of the best model inputs and the observed values of failure rates as dependent variables of the best model outputs.Results: Comparing the values of R and MSE indicators of each statistical and soft computing model used in this study in the validation phase show that these models cannot predict the pipes’ failure rate with reasonable accuracy. Feed forward neural network model with the highest R = 0.69 and the lowest MSE = 0.062 values has the best estimates. Using the new approach developed based on hybrid soft and statistical models, the R index is equal to 0.96, and the MSE index is equal to 0.046.Conclusion: A significant increase in the R index (39%) and decrease in the MSE index (25%) through using the proposed hybrid approach compared to the feedforward neural network model demonstrates that using the new approach provides perfect accuracy prediction of the pipes failure rate of the water distribution network.