Estimating irregular water demands with physics-informed machine learning to inform leakage detection

要約

飲料水配水ネットワークの漏水は水道事業に重大な課題をもたらし、インフラの故障、運営の中断、環境への危険、物的損害、経済的損失につながります。
このような漏洩のタイムリーな特定と正確な位置特定は、電力会社にとってこれらの望ましくない影響を軽減するために最も重要です。
ただし、漏洩検出のためのアルゴリズムの実装は、実際には水力モデルまたは大量のトレーニング データの要件によって制限されます。
物理学に基づいた機械学習では、水圧情報を利用することで両方の制限を回避できます。
この研究では、完全に接続されたニューラル ネットワークを介して圧力データを分析し、そこから未知の不規則な水需要を推定し、最終的にベルヌーイ方程式を利用して漏水検出問題を効果的に線形化する、物理学に基づいた機械学習アルゴリズムを紹介します。
私たちのアルゴリズムは、L-Town ベンチマーク ネットワークからのデータでテストされ、結果は、R2 が 0.8 より大きい、ほとんどの不規則な需要を推定する優れた機能を示しています。
不規則な需要が存在する場合の漏れの識別結果は、不規則な需要を無視した結果と比較すると、突然の漏れの場合は 5.3 倍、初期の漏れの場合は 3.0 倍改善される可能性があります。

要約(オリジナル)

Leakages in drinking water distribution networks pose significant challenges to water utilities, leading to infrastructure failure, operational disruptions, environmental hazards, property damage, and economic losses. The timely identification and accurate localisation of such leakages is paramount for utilities to mitigate these unwanted effects. However, implementation of algorithms for leakage detection is limited in practice by requirements of either hydraulic models or large amounts of training data. Physics-informed machine learning can utilise hydraulic information thereby circumventing both limitations. In this work, we present a physics-informed machine learning algorithm that analyses pressure data and therefrom estimates unknown irregular water demands via a fully connected neural network, ultimately leveraging the Bernoulli equation and effectively linearising the leakage detection problem. Our algorithm is tested on data from the L-Town benchmark network, and results indicate a good capability for estimating most irregular demands, with R2 larger than 0.8. Identification results for leakages under the presence of irregular demands could be improved by a factor of 5.3 for abrupt leaks and a factor of 3.0 for incipient leaks when compared the results disregarding irregular demands.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google