Previsione del rischio di guasto delle tubazioni utilizzando alberi decisionali potenziati dal gradiente e analisi del rischio ponderato

npj Clean Water volume 5, numero articolo: 22 (2022) Citare questo articolo

3751 accessi

2 citazioni

3 Altmetrico

Dettagli sulle metriche

I modelli di previsione dei guasti delle tubazioni sono essenziali per orientare le decisioni di gestione proattiva. Questo studio mira a stabilire un modello di previsione affidabile che restituisca la probabilità di guasto del tubo utilizzando un modello ad albero con gradiente potenziato e una specifica segmentazione e raggruppamento di tubi su una griglia di 1 km che associa caratteristiche localizzate. Il modello viene applicato a un'estesa rete del Regno Unito con circa 40.000 km di condutture e una storia di guasti di 14 anni. Il modello è stato valutato utilizzando la curva dell'operatore del ricevitore e l'area sotto la curva (0,89), il punteggio Briers (0,007) e il coefficiente di correlazione di Mathews (0,27) per l'accuratezza, indicando previsioni accettabili. Un'analisi ponderata del rischio viene utilizzata per identificare le conseguenze di un guasto di una tubazione e fornire una rappresentazione grafica delle tubazioni ad alto rischio per i decisori. L'analisi ponderata del rischio ha fornito un passo importante per comprendere le conseguenze del fallimento previsto. Il modello può essere utilizzato direttamente nella pianificazione strategica, che definisce le decisioni chiave a lungo termine riguardanti la manutenzione e la potenziale sostituzione dei tubi.

Molte reti di distribuzione idrica (WDN) stanno invecchiando e si trovano nella fase conclusiva della loro vita progettuale, causando guasti alle tubazioni, perdite e sprechi di acqua, con conseguenti impatti ambientali, economici e sociali. Con la crescente pressione determinata dall’aumento della domanda idrica e dagli impatti dei cambiamenti climatici, che portano a stress sull’approvvigionamento idrico, e con i regolatori idrici che impongono pesanti multe per non aver raggiunto gli obiettivi prestazionali1, è urgente ridurre gli effetti dei guasti alle tubazioni attraverso un’adeguata gestione proattiva. La gestione proattiva è l’approccio desiderato per la gestione delle WDN, cercando di prevenire i problemi e stabilire livelli di rischio accettabili. Tradizionalmente, la gestione proattiva si ottiene dando priorità alla sostituzione o alla riparazione delle tubazioni utilizzando modelli semplicistici di probabilità di rango, il giudizio di esperti e una conoscenza dettagliata della rete per individuare le aree critiche della rete che storicamente hanno subito guasti regolari2. Tuttavia, questo approccio semplicistico non è adatto alla gestione di WDN con meccanismi complessi di guasto delle tubazioni e rischi associati, tra cui la perdita di acqua che causa danni a proprietà e infrastrutture, potenziali interruzioni durante la riparazione, discontinuità nella fornitura idrica e costi economici di riparazione e sostituzione. Una gestione proattiva richiede la comprensione delle prestazioni future dei tubi e la valutazione dei rischi potenziali3.

I modelli statistici di guasto delle tubazioni forniscono un mezzo per supportare la gestione proattiva, prevedendo le prestazioni future attraverso l'individuazione dei modelli di guasto dai dati storici e dai fattori causali che vi contribuiscono4. Shamir e Howard (1979)5 svilupparono uno dei primi modelli su una piccola WDN di tubi, con un modello esponenziale temporale a variabile singola che utilizzava l'età del tubo per prevedere il numero di guasti all'anno per 1000 piedi di tubo. I modelli a variabile singola sono limitati poiché più fattori spesso operano contemporaneamente per formare complessi meccanismi di fallimento che si traducono in diverse modalità di fallimento. Questi fattori possono essere ampiamente classificati in intrinseci alle tubazioni, ambientali e operativi6. Ulteriori progressi sono stati compiuti utilizzando modelli multivariati, comprese variabili statiche (tubazioni e terreno) e dinamiche legate al tempo (meteo) per prevedere il numero di guasti o i tassi di guasto7, che possono essere utilizzati per classificare i tubi uno contro l'altro8. Prevedere il numero di guasti alle tubazioni a livello di struttura è matematicamente problematico perché gli incidenti si verificano raramente9. Pertanto, gli studi basati sul tasso di guasto si concentrano sul raggruppamento dei guasti delle tubazioni in base a caratteristiche simili in una rete, fornendo un numero sufficiente di guasti per lunghezza di tubazione raggruppata per la significatività statistica10,11. Tuttavia, il raggruppamento dei tubi a livello di rete presuppone che tutti i tubi con caratteristiche simili condividano condizioni localizzate simili (influenze localizzate come condizioni del giacimento, carico di traffico e lavori sulla rete locale) e tassi di guasto simili, cosa che accade raramente.

0.9 is outstanding34. Figure 1 shows the ROC curve for the test dataset close to the top left-hand corner and an AUC value of 0.89, suggesting the model has an excellent discriminative ability to distinguish between the classes, and the TPR and FPR appear robust enough to predict failures on the unseen test data./p> {\rm{threshold}}} \end{array}} \right.\). The default probability threshold within the model is 0.536. By this definition, there remains a practical need to optimise the probability threshold specifically to the behaviour of pipe failures within the imbalanced test data. An optimal probability threshold typically strikes a balance between sensitivity and specificity. However, there is a trade-off between TPR and FPR when altering the threshold, where increasing or decreasing the TPR typically results in the same for the FPR and vice versa. Probability threshold optimisation is an important step in the decision-making process and is specific to each problem. In the case of pipe replacement, expert judgement should be used by reasoning that water companies would seek to avoid unnecessarily replacing pipes that may have a longevity of several decades more, resulting in wasted maintenance effort and cost. Furthermore, only 0.5–1% of the network is typically replaced each year due to budget constraints37. It is therefore important to only identify pipes with the highest probability of failure. Considering this, the optimal threshold is set to reduce the FNs (i.e., pipes predicted to fail when they have not). This reduces the number of TPs predicted as discussed above but targets those pipes most likely to fail./p>0.02; ≤0.06] and high [>0.06; ≤0.92]. In this scenario, the length of pipe in the high-risk category is 13.9 km of the 300.7 km or 4.6% of the pipe network present in Fig. 4, a useful percentage of the network to target for management decisions. The choropleth risk map approach is an important means of visualising individual pipes or clusters of pipes with the highest risk in the WDN, evidenced in Fig. 4. Figure 4 also highlights how many pipes in this section of the network have a low risk, which is to be expected since many pipes have a low probability of failure and have small diameters, potentially causing less damage if they fail./p> 200. (iii) second condition for partitioning data by variable x1 at both 30 and 60 to create two more disjoint region R3 and R4 (Taken from Barton et al.55)./p>

Blog