- Австралийские исследователи разработали искусственную нейронную сеть, которая может диагностировать источники в водопроводных трубах с потрясающей точностью.
- Их система ищет топологические особенности в трубах , такие как соединения, для обнаружения и определения характеристик утечек с точностью 95%.
- Исследование было опубликовано в выпуске журнала Journal of Water Resources Planning and Management за июнь 2020 года .
В США существует серьезная проблема с инфраструктурой водоснабжения и канализации. Наши подземные трубы простираются на 1,6 миллиона миль и достигли среднего возраста около 45 лет - это означает, что эти рабочие лошадки вернулись к эпохе 8-трековых лент, изобретения кубика Рубика и кувшинов для молока за 46 центов . Естественно, они подвержены утечкам и нуждаются в большом обновлении.
Эта проблема? Традиционные подходы, используемые для обнаружения пружин в трубах - от визуального контроля до электромагнитных методов, акустических и ультразвуковых процессов - устарели, отнимают много времени и работают медленно.
Но новое исследование Университета Аделаиды в Австралии показывает, что искусственный интеллект замечательно способен диагностировать протекающие трубы.
Под руководством Джессики Бохоркес, доктора философии. кандидат в Школу гражданского, экологического и горного строительства университета, новая работа опирается на искусственную нейронную сеть для идентификации топологических элементов трубопроводной сети, таких как соединения, для определения и определения характеристик утечек с почти идеальной точностью. Команда опубликовала свое исследование в выпуске журнала Journal of Water Resources Planning and Management за июнь 2020 года .
Чтобы обучить нейронную сеть, исследователи создали два теста: один, в котором необходимо идентифицировать соединение в трубе, и другой сценарий, в котором необходимо найти утечки.
В первом тесте ученые проверили четыре разных размера образцов: 500, 1000, 5000 и 10000 показаний давления из точек вдоль 1000-метровой трубы. Результат: тестирование 5000 участков вдоль 1000-метровой трубы дало наиболее точные результаты с наименьшим объемом вычислений. На обучение нейронной сети для выполнения этой задачи ушло чуть более четырех часов.
Во второй задаче нейронной сети требовался больший набор входных данных для выявления утечек. Нейронная сеть сделала гораздо более точные прогнозы относительно места утечки в трубе, когда команда ввела 25 000 или 50 000 показаний давления вдоль трубы. Интересно, что нейронная сеть менее точна в своих прогнозах ближе к концам труб, чем к центральным частям, потому что в этих местах больше изменений давления.
В целом нейронная сеть может точно предсказать местоположения стыков с точностью 95 процентов и обнаруживать места утечек с ошибкой менее 3 миллиметров в 95 процентах случаев.
Поскольку в этом исследовании использовались только численные данные из гидравлических систем, дальнейшая работа будет сосредоточена на более сложных системах. Кроме того, исследователям нужно будет протестировать систему в полевых условиях. Бохоркес и ее коллеги ожидают, что точность системы упадет при ее тестировании на реальном трубопроводе из-за структурных сложностей.
«Эти результаты демонстрируют выдающийся потенциал использования методов машинного обучения и плавных переходных волн для определения местоположения топологических элементов и аномалий в трубопроводах», - отмечают авторы в статье. «Предлагаемый подход быстр, точен и основан на данных».