تحلیل مقایسه‌ای مدل‌های یادگیری ماشین برای پیش‌بینی شکست لوله در شبکه‌های توزیع آب

کد مقاله : 1239-IWWA

نویسندگان

محسن ستاری *1، همایون مطیعی2 1دانشجو 2استاد

چکیده مقاله

شبکه‌های توزیع آب به عنوان شریان‌های حیاتی زیرساخت‌های شهری، نقشی اساسی در تأمین سلامت عمومی و توسعه اقتصادی ایفا می‌کنند. شکست لوله‌ها در شبکه‌های توزیع آب نه تنها منجر به هدررفت قابل توجه آب و افزایش هزینه‌های تعمیر و نگهداری می‌شود، بلکه می‌تواند باعث قطعی خدمات، خسارت‌های جانبی و مشکلات بهداشتی گردد. در چنین شرایطی، حرکت از رویکردهای واکنشی به سمت استراتژی‌های پیشگیرانه و مبتنی بر پیش‌بینی، برای مدیریت پایدار آب امری ضروری است. مدل‌های مبتنی بر یادگیری ماشین به دلیل مهارتشان در مدیریت مجموعه داده‌های گسترده و پیچیده، به عنوان ابزاری برجسته در حوزه پیش‌بینی شکست لوله ظهور کرده‌اند. این پژوهش با هدف توسعه و مقایسه عملکرد شش مدل یادگیری ماشین شامل؛ رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی و درخت تقویت شده برای پیش‌بینی شکست لوله انجام شد. مدل‌ها با استفاده از مجموعه داده‌ای شامل ویژگی‌های فیزیکی و عملیاتی لوله (طول، قطر، عمق، سن، فشار و جنس) با تقسیم‌بندی 70 درصد برای آموزش و 30 درصد برای اعتبارسنجی، توسعه یافته‌اند. علی رغم انتظارات اولیه، مدل‌های پیچیده‌تری مانند جنگل تصادفی و درخت تقویت شده، با وجود عملکرد بی‌نقص روی داده‌های آموزشی، دچار بیش‌برازش شدید شده و برای کاربرد واقعی غیرقابل اعتماد تشخیص داده شد. مدل‌های درخت تصمیم و شبکه عصبی با ارائه حساسیت بالا و تفسیرپذیری عالی روی هر دو داده آموزشی و اعتبارسنجی به عنوان گزینه‌های برتر معرفی گردیدند. مدل‌های ماشین بردار پشتیبان و رگرسیون لجستیک به دلیل حساسیت بسیار پایین برای پیش‌بینی پیشگیرانه، نامناسب تشخیص داده شدند.

کلیدواژه ها

شبکه توزیع آب، پیش‌بینی شکست لوله، یادگیری ماشین، منحنی ROC، نرم افزار JMP Pro.

وضعیت: پذیرفته شده برای ارائه شفاهی