Система подачи и распределения воды (СПРВ) нередко сталкивается с проблемой утечек, которые создают риски для бесперебойного водоснабжения населения. При этом традиционные методы диагностики зачастую не позволяют выявить утечки до появления явных последствий. В рамках данного исследования разработана модель машинного обучения, предназначенная для раннего обнаружения утечек в СПРВ. Для формирования обучающей выборки было проведено гидравлическое моделирование с использованием геоинформационной системы ZuluGIS. В процессе моделирования учитывались: динамика потребления воды пользователями; возможные искажения и помехи в данных; различная интенсивность утечек и другие значимые факторы. Предмет исследования. Надежность функционирования городских водопроводных систем с учётом топографических особенностей. Материалы и методы исследования: Проведен анализ технического состояния трубопроводов СПРВ ГО Ялта. Исследована модель машинного обучения (ММО) для обнаружения утечек в СПРВ ГО Ялта. Данные о давлении воды в условиях утечек и отсутствия утечек были получены с помощью геоинформационной системы ZuluGIS с учетом таких факторов, как меняющиеся требования пользователей, помехи в данных, степень утечек и т.д. Модель искусственной нейронной сети для обнаружения утечек (ИНС‑ОУ) построена на данных о давлении воды в узлах мониторинга. Ключевое отличие от существующих подходов заключается в том, что вместо анализа временных рядов модель выявляет пространственные взаимосвязи между показаниями давления в разных узлах в текущий момент времени. Результаты. Проведённые исследования показали, что искусственная нейронная сеть (ИНС) способна с высокой точностью различать два состояния системы — наличие или отсутствие утечки. Однако для эффективной работы модели критически важен сбалансированный набор данных, включающий примеры обоих сценариев. В реальных условиях это представляет сложность, поскольку СПРВ преимущественно функционирует в штатном режиме, и случаи утечек относительно редки. Исследование также выявило зависимость точности моделей от местоположения утечки: при возникновении утечек в зоне действия датчиков модели демонстрируют высокую точность; за пределами зоны мониторинга датчиков точность прогнозирования существенно снижается. Полученные результаты позволяют сформулировать рекомендации по оптимальному размещению датчиков мониторинга, обеспечивающие необходимый охват контролируемой территории.
система подачи и распределения воды, утечки, искусственные нейронные сети, надежность
1. Баженов, В. И. Роль искусственного интеллекта в предотвращении утечек воды из сетей водоснабжения / В. И. Баженов, О. Г. Примин, В. В. Баженов // Строительство: наука и образование. – 2024. – Т. 14, № 4. –
2. Примин, О. Г. Автоматизированные системы эксплуатации городской водопроводной сети / О. Г. Примин, В. И. Баженов // Актуальные проблемы строительной отрасли и образования - 2024: Сб. докл. V Нац. науч.
3. Примин, О. Г. Методика и алгоритм оценки стоимости жизненного цикла трубопроводов сетей водоснабжения и водоотведения / О. Г. Примин, В. И. Баженов, Г. А. Самбурский // Водоснабжение и санитарная
4. Баженов, В. И. Оценка и прогноз надежности сетей водоснабжения с помощью искусственного интеллекта / В. И. Баженов, О. Г. Примин, В. В. Баженов // Промышленное и гражданское строительство. – 2024. – №
5. Эминов, Р. А. Метод определения мест утечек в водопроводе путем контроля градиента давления / Р. А. Эминов, Э. И. Гусейнли, С. И. Керимова // Известия вузов. Инвестиции. Строительство. Недвижимость. –
6. Уликанов, Р. Р. Анализ фронта волны давления для определения местоположения утечки жидкости в трубопроводе / Р. Р. Уликанов, В. Н. Киреев, Л. А. Ковалева // Вестник Башкирского университета. – 2023. – Т.
7. Тевяшев, А. Д. Стохастическая модель и метод зонирования водопроводных сетей / А. Д. Тевяшев, О. И. Матвиенко // Восточно-Европейский журнал передовых технологий. – 2014. – Т. 1, № 4(67). – С. 17-24.
8. Примин О.Г., Храменков СВ. / Пути обеспечения надежности функционирования городской водопроводной сети в условиях сокращения водопотребления в г. Москве // Сб. докл. 17-го Ольденбургского форума по
9. Примин, О. Г. Планирование восстановления трубопроводов городской водопроводной сети / О. Г. Примин // Системные технологии. – 2024. – № 1(50). – С. 20-28. – DOIhttps://doi.org/10.48612/dnitii/2024_50_20-28.
10. Чупин Р.В., Мелехов Е.С. Развитие теории и практики моделирования и оптимизации систем водоснабжения и водоотведения. Иркутск: Изд-во ИрГТУ, 2011. 323 с.
11. Щербаков В.И. Модернизация водопроводной сети на основе оптимизации гидравлических параметров при аварии на магистралях / В.И. Щербаков, Х.К. Нгуен // Вестник МГСУ. 2015. № 10. С. 115—126.
12. Farah, E.; Shahrour, I. Water Leak Detection: A Comprehensive Review of Methods, Challenges, and Future Directions. Water 2024, 16, 2975. https://doi.org/10.3390/ w16202975
13. Ekwueme, S. T., Obibuike, U. J., Mbakaogu, C. D., & Ihekoronye, K. K. (2019). Development of a New Model for Leak Detection in Pipelines. Advances in Petroleum Exploration and Development, 18(1), 19-26. DOI:
14. Rifaai T.M., Abokifa A.A., Sela L. Integrated approach for pipe failure prediction and condition scoring in water infrastructure systems. Reliability Engineering & System Safety. 2022; 220:108271. DOI:https://doi.org/10.1016/j.ress.
15. Fan X., Wang X., Zhang X., Yu X. Machine learning based water pipe failure prediction: The effects of engineering, geology, climate and socio-economic factors. Reliability Engineering & System Safety. 2022; 219:108185.
