Przewidywanie rodzaju uszkodzeń przewodów - Eko-DOk

Przewody wodociągowe, sieci neuronowe, uszkodzenia
Małgorzata KUTYŁOWSKA*
PRZEWIDYWANIE RODZAJU USZKODZEŃ PRZEWODÓW
WODOCIĄGOWYCH ZA POMOCĄ KLASYFIKUJĄCYCH
SIECI NEURONOWYCH
Celem pracy jest analiza i ocena przydatności stosowania sztucznych sieci neuronowych do prognozowania rodzaju uszkodzeń występujących na przewodach wodociągowych. Informacje o zaobserwowanych awariach sieci wodociągowej w Głogowie z lat 1995-2003 posłużyły do uczenia sieci neuronowej, natomiast sprawdzenie poprawności modelu (prognoza) wykonano na zbiorze danych z lat
2007-2010. Wyniki prognozy za pomocą klasyfikujących sieci neuronowych są obiecujące, gdyż
uszkodzenie typu korozja zostało przyporządkowane ze stuprocentową dokładnością, natomiast pęknięcie zostało błędnie zidentyfikowane jedynie w osiemnastu przypadkach na 198. Wyniki uzyskane
z zastosowaniem wybranego modelu wielowarstwowego perceptronu (MLP 8-3-2) potwierdziły, występującą w praktyce eksploatacyjnej analizowanej sieci wodociągowej, zależność rodzaju uszkodzeń
rurociągów od ich materiału.
1. WSTĘP
1.1. SZTUCZNE SIECI NEURONOWE
Sztuczne sieci neuronowe (SSN) wydają się być bardzo obiecującym narzędziem
do przewidywania wybranych zjawisk w inżynierii środowiska, co wykazano w pracy
[3]. W ostatnich latach obserwuje się znaczny postęp związany nie tylko ze stosowaniem nowych technologii, ale także z możliwością wykorzystania, poza tradycyjnymi
modelami matematycznymi, sztucznych sieci neuronowych do prognozowania niestacjonarnych i zmiennych zjawisk zachodzących w powietrzu, w systemach dystrybucji
wody i usuwania ścieków oraz w technologii uzdatniania wody i oczyszczania ścieków. Sztuczne sieci neuronowe są narzędziem przydatnym, stosowanym w inżynierii
__________
* Instytut Inżynierii Środowiska, Politechnika Wrocławska, pl. Grunwaldzki 9, 50-377 Wrocław,
[email protected].
312
M. KUTYŁOWSKA
środowiska, jednak należy pamiętać, że każdy rozwiązywany problem jest inny
i w związku z tym nie ma jednej wykładni mówiącej, jaką strukturę sieci i które metody uczenia należy wybrać w celu określenia wartości wag wszystkich warstw. W zależności od rodzaju danych wejściowych i celu optymalizacji należy każdorazowo,
często metodą prób i błędów, dokonać wyboru m. in. liczby neuronów ukrytych [6].
1.2. SIEĆ WODOCIĄGOWA W GŁOGOWIE
Jednym z najważniejszych elementów systemu zaopatrzenia w wodę jest sieć wodociągowa, która powinna charakteryzować się dużą niezawodnością działania i niskimi kosztami eksploatacji. Prawidłowa eksploatacja sieci dystrybucji oraz przewidywanie przyczyn, rodzaju i liczby uszkodzeń przewodów pozwolą podjąć kroki
zmierzające do zmniejszenia awaryjności, polepszenia stanu technicznego i hydraulicznego sieci oraz stworzenia programu naprawy i odnowy rurociągów.
Sieć wodociągowa w Głogowie charakteryzuje się średnim poziomem awaryjności
opisanym za pomocą wskaźnika intensywności uszkodzeń, porównywalnym z poziomem w innych miastach w Polsce i na świecie. Opis systemu wodociągowego
w Głogowie oraz analizę awaryjności w latach 2007-2010 zamieszczono w pracy [4].
Głównymi obserwowanymi rodzajami uszkodzeń przewodów były pęknięcia i korozja
materiału rur, a także niesprawności armatury. Intensywność uszkodzeń przyłączy
wodociągowych, w porównaniu do magistrali i przewodów rozdzielczych była największa. W okresie jesienno-zimowym awaryjność przewodów była zwiększona, co
związane jest z warunkami atmosferycznymi i niekiedy zbyt płytkim ułożeniem rurociągów.
W tym opracowaniu głównym celem jest zaprezentowanie możliwości przewidywania rodzaju uszkodzeń przewodów wodociągowych za pomocą klasyfikujących
sieci neuronowych. W przyszłości, bazując na tych pierwszych podstawowych badaniach, model będzie mógł być rozbudowany o dodatkowe zmienne eksploatacyjne
w celu zwiększenia możliwości aplikacyjnych, np. w przedsiębiorstwach wodociągowych. Podobne analizy zostały przeprowadzone już kilka lat temu [1], co pozwoliło
dokonać, w rozpatrywanej przez autorów sieci dystrybucji wody, wiele zmian nie
tylko technicznych, ale również związanych z zarządzeniem systemem.
2. METODYKA BADAŃ
Do analizy przydatności stosowania klasyfikujących SSN w celu modelowania rodzaju uszkodzeń wykorzystano zapisy z dzienników awarii sieci wodociągowej
w Głogowie w latach 1995-2003 oraz 2007-2010 [5] dotyczące sieci magistralnej,
rozdzielczej i przyłączy (bez awarii armatury), w podziale na liczbę i rodzaj uszko-
Przewidywanie rodzaju uszkodzeń przewodów wodociągowych za pomocą klasyfikujących …
313
dzeń, co przedstawiono na rysunku 1. Dane z lat 1995-2003 (łącznie 526 przypadków
z czego 50% stanowiły dane do uczenia sieci, 25% do testowania oraz 25% do walidacji modelu) posłużyły do stworzenia modeli sieci neuronowych i ich prawidłowego
przetrenowania, natomiast informacje z lat 2007-2010 (łącznie 198 przypadków) wykorzystane zostały do wykonania prognozy rodzaju uszkodzeń na wybranych modelach sieci. Sieć neuronowa nie znała wcześniej danych o awariach z lat 2007-2010, co
pozwoliło na uzyskanie miarodajnych wyników prognoz. Należy pamiętać, że liczba
przypadków podana na wejście do sieci nie była równa liczbie zanotowanych uszkodzeń, gdyż na niektórych przewodach (o określonej średnicy i materiale) zaobserwowano w ciągu roku większą liczbę uszkodzeń niż 1. Natomiast do sieci neuronowej
podano sumaryczną dla każdego roku, a nie całego okresu badań, liczbę awarii. Przykład danych (kilka przypadków dla 2001 roku) wprowadzanych do sieci zestawiono
w tabeli 1.
Tabela 1. Przykład kilku przypadków danych uczących
Średnica
100
65
100
100
125
150
100
100
225
150
100
Materiał
Liczba
uszkodzeń
Rodzaj
uszkodzenia
stal
stal
żeliwo
stal
stal
stal
stal
żeliwo
PCW
stal
stal
3
2
1
1
1
7
1
1
1
2
3
korozja
korozja
pęknięcie
korozja
korozja
korozja
korozja
pęknięcie
pęknięcie
korozja
korozja
Analizując dane z dzienników awarii zaobserwowano, że rurociągi stalowe ulegały
głównie korozji, natomiast uszkodzenia przewodów wykonanych z azbestocementu,
tworzyw sztucznych i żeliwa szarego to w większości pęknięcia. Analiza danych na
rys. 1 uwidacznia, że na przestrzeni kilku lat zmniejszyła się liczba występujących
przypadków korozji na rzecz pęknięć. Uzasadnienie i wytłumaczenie tego faktu nie
jest możliwe, gdyż nie dysponowano odpowiednimi informacjami z eksploatacji
i inwentaryzacji rozważanego systemu dystrybucji wody. Pomimo tego, w celu modelowania SSN, zasadne okazało się wybranie wspomnianych wyżej przedziałów czasowych do uczenia i prognozy rodzaju uszkodzeń. Przetrenowanie sieci neuronowej
na zbiorze danych charakteryzujących się większą liczbą przypadków korozji w stosunku do pęknięć nie spowodowało przeuczenia sieci. Zachowana została także zdol-
314
M. KUTYŁOWSKA
ność generalizacji podczas wykonywania prognozy dla danych z przeważającą liczbą
pęknięć.
a)
pęknięcia
korozja
76
80
68
Liczba uszkodzeń
70
68
66
61
60
49
50
45
42
40
32
25
30
29
27
26
16
20
20
21
20
2001
2002
2003
9
10
0
1995
1996
1997
1998
1999
2000
Lata
b)
pęknięcia
40
Liczba uszkodzeń
35
30
korozja
37
34
34
26
27
27
24
25
20
20
15
10
5
0
2007
2008
2009
2010
Lata
Rys. 1. Liczba i rodzaj uszkodzeń sieci wodociągowej w Głogowie w latach a) 1995-2003; b) 2007-2010
Na przewodach sieci wodociągowej w Głogowie, o średnicach 20÷700 mm, występowało, w rozważanym okresie, od 1 do 8 uszkodzeń. Model sieci neuronowej typu
wielowarstwowego perceptronu składał się z 8 neuronów wejściowych, z których
średnica przewodu oraz liczba uszkodzeń dla poszczególnych średnic i ulic były parametrami ilościowymi reprezentowanymi po jednym neuronie, natomiast pozostałe 6
Przewidywanie rodzaju uszkodzeń przewodów wodociągowych za pomocą klasyfikujących …
315
impulsów wejściowych mających charakter jakościowy stanowił materiał rur (azbestocement, PCW, PE, stal, stal ocynkowana i żeliwo szare). Wybór zmiennych podawanych na wejście do sieci neuronowej został dokonany na podstawie informacji zawartych w literaturze [2] oraz możliwości wykorzystania danych udostępnionych
przez Przedsiębiorstwo Wodociągów i Kanalizacji w Głogowie [5]. W pracy [2],
w której modelowano za pomocą SSN intensywność uszkodzeń przewodów wodociągowych, stwierdzono, że znaczący wpływ na efekt modelowania miały: liczba zarejestrowanych awarii, materiał i średnica przewodu.
Liczba neuronów ukrytych w zastosowanej jednej warstwie wynosiła 1÷16. Zbyt
duża liczba neuronów ukrytych mogłaby prowadzić do przeuczenia i utraty zdolności
generalizacji wyników prognozy. Wyjście z sieci neuronowej stanowiły dwa neurony
mające charakter parametrów jakościowych, opisujące dwa rodzaje uszkodzeń (pęknięcie i korozja). Modelowanie wykonano przy użyciu programu Statistica. Podczas
uczenia sieci metodą quasi-Newtona z wykorzystaniem algorytmu zmiennej metryki
(BFGS) zastosowano następujące funkcje aktywacji: liniową, logistyczną, tangens
hiperboliczny i wykładniczą. Liczba epok uczenia wahała się, w zależności od rozpatrywanego modelu, w granicach 1÷1000. W związku z tym, że modelowanie z wykorzystaniem SSN jest podejściem typu „czarna skrzynka”, wspomniane wyżej warunki
brzegowe dla tworzonych modeli zostały założone a priori lub metodą prób i błędów.
3. WYNIKI I DYSKUSJA
Podczas trenowania sieci neuronowej (dane z lat 1995-2003) wybrano 20 modeli
charakteryzujących się najmniejszym procentem niepoprawnie zaklasyfikowanych
uszkodzeń oraz najlepszymi wynikami jakości uczenia, testowania i walidacji, co
przedstawiono w tabeli 2.
Pięć wybranych modeli, zaznaczonych w tabeli 2 drukiem pogrubionym, posłużyło
do wykonania prognozy rodzaju uszkodzeń przewodów wodociągowych dla lat 20072010. Wybrano modele o najlepszej jakości uczenia oraz o najmniejszym udziale niepoprawnie przyporządkowanych rodzajów awarii. W przypadkach, w których wspomniany procent był taki sam wybrano modele o najprostszej strukturze (najmniej neuronów ukrytych). Analiza wyników prognozy pokazała, że każdy z 5 modeli generuje
takie same rezultaty klasyfikacji. W związku z tym za model najlepiej klasyfikujący
uznano ten o najprostszej architekturze MLP 8-3-2, gdyż celem przewidywania za
pomocą SSN jest nie tylko uzyskanie zadowalających wyników prognoz, ale również
minimalizacja stopnia komplikacji struktury sieci. Im prostsza architektura, tym większe prawdopodobieństwo, że sieć nie zostanie przeuczona i spełnione będą wymogi
generalizacji [6]. Prognoza rodzaju uszkodzeń, dla lat 2007-2010 na wybranym modelu MLP 8-3-2, dała bardzo dobre rezultaty, co zilustrowano na rys. 2.
316
M. KUTYŁOWSKA
Tabela 2. Wyniki poprawności klasyfikacji rodzaju uszkodzeń na zbiorze danych uczących
Model
MLP 8-15-2
MLP 8-9-2
MLP 8-5-2
MLP 8-9-2
MLP 8-3-2
MLP 8-16-2
MLP 8-15-2
MLP 8-7-2
MLP 8-16-2
MLP 8-3-2
MLP 8-3-2
MLP 8-5-2
MLP 8-7-2
MLP 8-14-2
MLP 8-10-2
MLP 8-1-2
MLP 8-10-2
MLP 8-11-2
MLP 8-7-2
MLP 8-8-2
Jakość
Jakość
uczenia testowania
Jakość
walidacji
% niepoprawnie Funkcja aktywazaklasyfikowanych
cji-neurony
uszkodzeń
ukryte
98,86
98,86
98,86
98,86
98,86
98,86
98,86
98,86
60,61
98,48
95,83
98,86
98,86
98,86
98,86
92,80
98,86
98,11
98,86
98,86
99,24
99,24
99,24
99,24
99,24
99,24
99,24
99,24
74,81
99,24
96,18
99,24
99,24
99,24
99,24
95,42
99,24
99,24
99,24
99,24
1,1407
1,3308
1,1407
1,1407
1,1407
1,1407
1,1407
1,1407
34,0304
1,3308
3,8023
1,1407
1,1407
1,1407
1,1407
6,6540
1,1407
1,5209
1,1407
1,1407
98,47
97,71
98,47
98,47
98,47
98,47
98,47
98,47
67,94
98,47
96,95
98,47
98,47
98,47
98,47
92,37
98,47
98,47
98,47
98,47
Logistyczna
Liniowa
Tanh
Tanh
Logistyczna
Tanh
Wykładnicza
Liniowa
Logistyczna
Tanh
Wykładnicza
Tanh
Wykładnicza
Wykładnicza
Wykładnicza
Logistyczna
Liniowa
Liniowa
Logistyczna
Liniowa
a)
Liczba przypadków
ogółem
niepoprawna
198
200
180
160
140
120
100
80
60
40
20
0
poprawna
180
115
83
97
83
18
18
0
Korozja
Pęknięcie
Rodzaj uszkodzenia
Suma
Funkcja
aktywacjineurony
wyjściowe
Softmax
Logistyczna
Softmax
Softmax
Softmax
Tanh
Softmax
Logistyczna
Logistyczna
Logistyczna
Wykładnicza
Tanh
Softmax
Softmax
Softmax
Wykładnicza
Softmax
Wykładnicza
Tanh
Wykładnicza
Przewidywanie rodzaju uszkodzeń przewodów wodociągowych za pomocą klasyfikujących …
317
b)
poprawna
100,00
niepoprawna
100,00
90,91
84,35
90,00
Klasyfikacja, %
80,00
70,00
60,00
50,00
40,00
30,00
15,65
20,00
10,00
0,00
9,09
0,00
Korozja
Pęknięcie
Suma
Rodzaj uszkodzenia
Rys. 2. Wyniki prognozy rodzaju uszkodzeń sieci wodociągowej w Głogowie dla modelu MLP 8-3-2
a) klasyfikacja liczby przypadków podanych do sieci; b) klasyfikacja procentowa
Prognoza (dla modelu MLP 8-3-2) klasyfikująca uszkodzenie typu korozja została
dokonana ze stuprocentową dokładnością. Awaria typu pęknięcie została nieprawidłowo przyporządkowana w osiemnastu przypadkach, co stanowiło jedynie ok. 15%
całkowitej liczby odnotowanych pęknięć. Ogółem identyfikacja obu rodzajów uszkodzeń przebiegła z dokładnością ok. 91%. Tak dobre rezultaty prognoz wynikają z jednorodności danych wejściowych, gdyż rodzaj uszkodzenia zależny był, po dokonaniu
niezbędnych uproszczeń związanych z udostępnionymi danymi, właściwie tylko od
rodzaju materiału, z jakiego wykonany był przewód wodociągowy. Uszczegółowienie
wstępnej klasyfikacji rodzaju uszkodzeń na etapie analizy dzienników awarii (np.
pęknięcie podłużne i poprzeczne, pojedynczy wżer korozyjny, korozja na znacznej
długości przewodu, itp.) oraz dysponowanie informacjami o wieku przewodu, panującym w sieci wodociągowej ciśnieniu, warunkach gruntowo-wodnych i długości przewodu pozwoli w przyszłości na uzyskanie większej liczby zmiennych, co przełoży się
na większą uniwersalność przedstawionego sposobu prognozy przy użyciu klasyfikujących SSN.
4. PODSUMOWANIE
W pracy zaprezentowano możliwość wykorzystania klasyfikujących sztucznych
sieci neuronowych do przewidywania rodzaju uszkodzeń przewodów wodociągowych
w Głogowie na przykładzie danych z dzienników awarii w latach 1995-2003 oraz
2007-2010. Analiza wyników pokazała, że przedstawiony sposób matematycznego
318
M. KUTYŁOWSKA
modelowania potwierdza prawidłowości i zależności znane z praktyki eksploatacyjnej
rozważanego systemu dystrybucji wody. Pomimo jednoznacznie uzyskanego potwierdzenia zależności rodzaju uszkodzenia od materiału rury, badania takie są potrzebne
z uwagi na rosnące zainteresowanie możliwością wykorzystania modeli sztucznej
inteligencji do rozwiązywania zagadnień w inżynierii środowiska. Obecnie coraz częściej stosuje się sztuczną inteligencję do optymalizacji zagadnień inżynierskich,
a zwłaszcza takich, które charakteryzują się losowością i dużą zmiennością w czasie.
W związku z tym dalsze badania nad możliwością zastosowania podejścia typu „czarna skrzynka” do modelowania liczby i rodzaju awarii przewodów infrastruktury podziemnej, a także intensywności uszkodzeń są jak najbardziej zasadne i obiecujące.
Aby to było możliwe konieczne jest gromadzenie przez zakłady wodociągowokanalizacyjne odpowiedniej bazy danych, co obecnie jest ułatwione z uwagi na wprowadzanie systemu GIS.
PODZIĘKOWANIE
Autorka składa podziękowanie Pracownikom Przedsiębiorstwa Wodociągów i Kanalizacji
w Głogowie za udostępnienie danych i możliwość ich wykorzystania do badań naukowych.
LITERATURA
[1]
[2]
[3]
[4]
[5]
[6]
IZQUIERDO J., LOPEZ P.A., MARTINEZ F.J., PEREZ R., Fault detection in water supply systems
using hybrid (theory and data-driven) modelling, Mathematical and Computer Modelling, 2007,
Vol. 46, No. 3-4, 341–350.
JAFAR R., SHAHROUR I., JURAN I., Application of Artificial Neural Networks (ANN) to model
the failure of urban water mains, Mathematical and Computer Modelling, 2010, Vol. 51, No. 9-10,
1170–1180.
KABSCH-KORBUTOWICZ M., KUTYŁOWSKA M., Sztuczne sieci neuronowe jako narzędzie do
modelowania zagadnień związanych z inżynierią środowiska- stan wiedzy, Gaz, Woda i Technika
Sanitarna, 2012, No. 5, 228–232.
KUTYŁOWSKA M., HOTLOŚ H., Failure analysis of water supply system in the Polish city of
Głogów, Engineering Failure Analysis, w recenzji.
Materiały udostępnione przez Przedsiębiorstwo Wodociągów i Kanalizacji w Głogowie, 2011.
OSOWSKI S., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki
Warszawskiej, Warszawa 2000.
PREDICTION OF WATER PIPES’ FAILURES USING CLASSIFYING NEURAL NETWORKS
The aim of the work is the analysis of using artificial neural networks to predict kind of failures occurring on the water pipes. Information about the observed breakdowns of water network in Głogów in
years 1995-2003 were used to learn the neural network. Verification of model validity (prognosis) was
done using data sets from years 2007-2010. The prognosis results are promising. Corrosion was classified
at the level of 100 percent accuracy. Cracks were classified incorrectly only in 18 per 198 times. Results
obtained using chosen model of multilayer perceptrone (MLP 8-3-2) confirm, known from operation of
analyzed water system, regularity and relationships between the material and kinds of failure.