خلاصه

عوامل موثر در بروز حادثه در شبکه های توزیع آبرسانی ثقلی، عوامل یکسانی هستند که می توان با آموزش این عوامل به  هوش مصنوعی، در راستای پیش بینی حوادث و مدیریت داریی ها در آینده، گام های مثبتی را برداشت. از همین روی، در این مطالعه به کمک دیتاهای ثبت شده از بروز حوادث و عوامل موثر در رخداد آنها، از سال 1401 تا کنون، در شبکه توزیع آبرسانی شهر سبزوار، واقع در خراسان رضوی، از ابزار هوش مصنوعی، و براساس سری های زمانی، نرم افزاری تهیه گردید، که تعداد حوادث و مکان آنها در آینده را پیش بینی مینماید که این قابلیت نتایج ارزشمندی را در بهره برداری صحیح از شبکه توزیع آبرسانی و مدیریت صحیح دارای ها و حتی تعیین مرز پهنه فشاری،  به همراه خواهد داشت.

مقدمه

امروزه در جهان، تقاضای فزاینده ای، برای تامین آب شرب وجود دارد. این حجم بالای تقاضا، ناشی از توسعه اقتصادی و افزایش جمعیت است، که چالش های مهمی را در ارتباط با بهره وری انرژی و تامین آب، درجهت توسعه پایدار ایجاد کرده است. وجود آب سالم ، یک نیاز اساسی برای انسان ها است. اما متاسفانه میزان آب شیرین در دسترس انسان ها، بسیارمحدود است. به طوریکه منابع آب شیرین، تنها ۲.۵ درصد از آب موجود در زمین را تشکیل داده است[1].
با افزایش رشد جمعیت جهان و دمای کل جهان ، تقاضا، برای تامین انرژی و آب شیرین، به‌طور قابل‌توجهی افزایش یافته است[2].
بروز حوادث در خطوط آبرسانی شبکه های توزیع و هدر رفت ناشی از این حوادث که در بسیاری از موارد قابل رویت نیز نمی باشند، تاثیر بسزایی بر بحران تامین آب در شرکت های آب و فاضلاب خواهد گذاشت. راهکاری مختلفی برای کنترل نشت در شبکه های توزیع آبرسانی وجود دارد که در بسیاری از مطالعات بدان اشاره شده است. در مطالعه ای که توسط Bonthuys و همکارانش[3]،  انجام شده است، از شیرهای فشارشکن، برای کنترل فشار شبکه و در ادامه آن کنترل نشت استفاده گردیده است.
در مطالعه دیگری استفاده از پمپ معکوس به جای شیرهای فشارشکن با هدف تولید انرژی به همراه کاهش فشار و در راستای کنترل تعداد حوادث در شبکه های توزیع آبرسانی انجام شده است. در این مطالعه آنها سعی کرده اند که مکان های PRV و PAT را در شبکه های توزیع آبرسانی بهینه کنند. برا ی این منظور، برخی از تکنیک ها ی بهینه سازی شامل برنامه ریزی خطی طی ( LP) برنامه ریزی غیرخطی  (NLP) برنامه ریزی غیرخطی ترکیبی یکپارچه (MINLP)، و الگوریتم‌های ژنتیک استفاده شده است[4]. در مطالعه دیگری برای کنترل فشار و کاهش تعداد حوادث از یک الگوریتم خوشه بندی چند مقیاسی برای برنامه ریزی انباشت/جداسازی منطقه استفاده شده است.
آنها از پمپ معکوس برای کنترل فشار استفاده نمودند و نشان دادند که سیستم با موفقیت 19 مگاوات ساعت برق را در سال بازیابی نموده است  و نشت را نیز در شبکه را  تا 16 درصد کاهش داده است[5]. اما روش هایی که پیش از این مطرح گردید با توجه به بحران جدی تامین، جهت مدیریت حوادث کافی نیست و میبایست با تکیه بر روش های جدید تر حوادث را پیش بینی نمود تا پیش از وقوع حوادث پارامترهای هیدرولیکی شبکه را تنظیم نمود.
در این راستا مطالعات زیادی در حوزه آب انجام نشده است و بیشتر در حوزه نفت و گاز مطالعات و اقداماتی صورت گرفته است. در همین ارتباط لازم به ذکر است که، پیش‌بینی و شناسایی زودهنگام این حوادث در خطوط شبکه توزیع آبرسانی، نیازمند استفاده از تکنیک‌های پیشرفته‌تری است که هوش مصنوعی (AI) و یادگیری ماشین (ML) را شامل می‌شود. هوش مصنوعی و یادگیری ماشین، روش‌های نوینی هستند که به تحلیل داده‌های بزرگ (Big Data) و شناسایی الگوها در داده‌ها کمک می‌کنند. با بهره‌گیری از الگوریتم‌های پیچیده از قبیل شبکه‌های عصبی عمیق (Deep Neural Networks)، درختان تصمیم (Decision Trees) و ماشین‌های بردار پشتیبان (Support Vector Machines)، می‌توان ویژگی‌های کلیدی و هشدارهای مربوط به حوادث احتمالی را استخراج کرد.
تحلیل داده‌های زمان واقعی (Real-time Data Analysis) که شامل اطلاعات مربوط به فشار، دما و سایر پارامترهای عملیاتی است، به سیستم‌های هوشمند این امکان را می‌دهد که به صورت پیشگیرانه واکنش نشان دهند و اقدامات لازم را برای کاهش خطرات انجام دهند. همچنین، استفاده از تکنیک‌های پیشرفته مانند پیش‌بینی سری‌های زمانی (Time Series Forecasting) و تشخیصanomalies  از طریق یادگیری بدون نظارت (Unsupervised Learning) کمک می‌کند تا نشانه‌های هشداردهنده در مراحل اولیه شناسایی شوند. استفاده از یادگیری ماشین (ML) و هوش مصنوعی (AI) در پیش‌بینی حوادث خطوط انتقال نفت، مورد توجه و تحقیقات فراوانی قرار گرفته است.
بسیاری از کارشناسان و محققان در این حوزه بر این باورند که این فناوری‌ها به طور چشمگیری می‌توانند پروسه‌های مدیریتی و عملیاتی را بهینه کنند. مطالعه مقالات کار شده در این زمینه بیانگر این است که، استفاده از هوش مصنوعی در پیش بینی حوادث، موجب کاهش ریسک و شناسایی زودهنگام و در حقیقت شناسایی زودهنگام مشکلات و ریسک‌ها می گردد. همچنین، به کمک الگوریتم‌های ML می‌توانند الگوهای داده‌های مربوط به نشت‌ها، ترک‌ها و سایر حوادث را تحلیل کنند و به شرکت‌ها این امکان را می‌دهند که قبل از وقوع حادثه، اقدامات پیشگیرانه انجام دهند.
مطالعات انجام شده بیانگر این موضوع هستند که مقدار زیادی داده توسط شرکت های آب و فاضلاب جمع‌آوری شده است، اما تجزیه و تحلیل این داده‌ها مغفول واقع شده است و تحلیل سنتی در بسیاری از موارد ناکارآمدبوده است. اما با استفاده از تکنیک‌های AI و ML، شرکت‌های آب و فاضلاب  می‌توانند از داده‌های بزرگ به طور مؤثر بهره‌برداری کنند و به یافتن الگوهای نهفته در داده‌ها بپردازند. به کمک مدل‌های ML، به شرط آموزش صحیح ماشین، امکان پیش‌بینی صحیح حوادث امکان پذیر خواهد بود.
به طور مثال، با استفاده از شبکه‌های عصبی یا درختان تصمیم، می‌توان پارامترهای مختلفی را که به حوادث مرتبط هستند، در نظر گرفت و با تحلیل آن‌ها، احتمال وقوع حوادث را تخمین زد. تحقیقات نشان می‌دهند که استفاده از هوش مصنوعی و یادگیری ماشین می‌تواند هزینه‌های عملیاتی را کاهش دهد و به عبارت دیگر  با پیش‌بینی و مدیریت حوادث با دقت بالا، شرکت‌ها می‌توانند هزینه‌های مربوط به تعمیر و نگهداری اضطراری و خسارات مالی را به حداقل برسانند.
در ارتباط با مطالعات انجام شده در ارتباط با پیش بینی حوادث در پژوهش های  صورت پذیرفته در زمینه بروز حوادث در خطوط انتقال نفت، تحلیل‌های بسیاری از حوادث نشان داده‌اند که خرابی و پدیده نشت در خطوط لوله، عمدتاً ناشی از خوردگی است. بنابراین، ارزیابی خوردگی برای اتخاذ تصمیمات مناسب در انتخاب تدابیر ایمنی به منظور جلوگیری از حوادث نشت ضروری است. باید نوع خوردگی، شدت آن و عواملی که می‌توانند موجب خوردگی شود را در نظر گرفت. به طور پیش‌بینی، اقدامات پیشگیرانه می‌توانند بر اساس عوامل ریشه‌ای تعیین و اعمال شوند.
با این حال، ارزیابی خوردگی در خطوط لوله کار دشواری است. این به دلیل عدم قطعیت در وقوع آینده خوردگی در خطوط لوله است. علاوه بر این، تغییرات شرایط محیطی در حال حاضر پیش‌بینی خوردگی را دشوارتر کرده است. مکان خطوط لوله برای عملیات نفت و گاز، که معمولاً در فواصل زیاد ساخته می‌شوند و در سطح و زیر سطح قرار دارند، به پیچیدگی در شناسایی دقیق خوردگی افزوده است. به همین دلیل، عوامل متعددی وجود دارند که می‌توانند موجب خوردگی شوند و باید در نظر گرفته شوند. بنابراین، برای مقابله با این شرایط، خوردگی باید تحت عوامل متنوعی در بخش‌های مختلف خطوط لوله تحلیل شود. ابزاری که می‌تواند برای برآورد چنین پیش‌بینی‌ای استفاده شود، یادگیری ماشین تحت نظارت است. این فناوری به ارائه خروجی‌های دقیق و سریع بر اساس داده‌های بزرگ، متنوع و پیچیده شناخته شده است.
در پژوهش انجام شده توسط مرجع [6] ، تحلیل مناسب بودن یادگیری ماشین تحت نظارت در پیش‌بینی خوردگی و خروجی‌های آن به منظور حمایت از تصمیم‌گیری در جلوگیری از نشت خطوط لوله ارائه شده است. در این پژوهش، چگونگی پردازش و ارائه خروجی‌هاوچارچوب پیشنهادی برای بهبود محدودیت‌های ابزار یادگیری ماشین تحت نظارت با هدف تصمیم‌گیری بهتر ارائه شده است که شامل دو مرحله می باشد. اولین مرحله شامل اجرای یک روش تحلیل عدم قطعیت پنهان است تا جنبه‌های عدم قطعیتی که ممکن است توسط ابزار نادیده گرفته شوند، بهتر منعکس شود. انجام این روش می‌تواند نتایج غیرمنتظره را به حداقل برساند. روش دوم که به کار گرفته شده است، ماتریس‌های ریسک کیفی است که در آن خروجی‌های پیش‌بینی شده از ابزار و خروجی‌های تحلیل پیامدها مقایسه می‌شوند.
نتایج این مقایسه می‌تواند به ارزیابان ریسک در شناسایی سطح ریسک و پیشنهاد توصیه‌ها و اقدامات ایمنی به منظور جلوگیری مؤثر از نشت در خطوط لوله کمک کند. استفاده ازمدل های پیش بینی محدود به حوادث در خطوط لوله نمی گردد بلکه در مواردی همچون بروز حوادث در پروژه های اجرای خطوط لوله نیز بدان پرداخته شده است. Mammadov و همکاران[7] در  پژوهشی بدین موضوع پرداخته اند. آنها در پژوهش خود، یک مدل مبتنی بر هوش مصنوعی را برای پیش‌بینی نتایج حوادث شغلی ارائه نموده اند. در این زمینه، 1184 مورد حادثه، شامل جراحت، نزدیک به حادثه و آسیب به دارایی و محصول، در یک پروژه ساخت خطوط لوله را جمع آوری را به عنوان مجموعه داده اولیه  تشکیل دادند. در پژوهش آنها،  دوازده مدل پیش‌بینی با تغییر دامنه ورودی بر اساس نوع حادثه، زمان و نوع علت ایجاد شده است،  که منجر به 12 زیرمجموعه داده متمایز می‌شود. سپس هر مجموعه داده با 11 الگوریتم مختلف یادگیری ماشین (ML) آزمایش گردید  تا یک مدل تجویزی مؤثر استخراج شود در نهایت، یک مدل تجویزی که فرآیند کاربرد یادگیری ماشین را در بر می‌گیرد، برای شرکت‌های ساختمانی به منظور کاهش حوادث شغلی توصیه می‌شود. در پژوهشی دیگرPriyanka [8] و همکاران، از  فناوری Digital Twin به عنوان پلتفرم دیجیتالی در حال ظهور است که به بهبود پردازش و مدیریت اطلاعات صنعتی در ارتباط با موجودیت‌های مجازی و فیزیکی کمک می‌کند. این فناوری مسیر تحلیل یکپارچه داده‌های صنعتی را با ترکیب اینترنت اشیاء (IoT) و هوش مصنوعی هموار می‌کند تا تفسیر بهتری از داده‌ها ارائه دهد.
در پژوهش آنها، هدف ارائه یک ساختار چارچوب دوقلوی دیجیتال، بر اساس مدل‌های یادگیری ماشین و الگوریتم‌های پیش‌بینی است، تا نرخ احتمال ریسک سیستم خطوط لوله نفت را تحلیل و پیش‌بینی کند. پیش‌بینی بر شناسایی نشانه‌های اولیه شکست تمرکز دارد و وضعیت ریسک را با توجه به داده‌های فشار برای ارزیابی عمر مفید باقی‌مانده (RUL) برآورد می‌کند. ناهنجاری‌های ویژگی فشار در تحلیل پیش‌بینی برای برآورد احتمال ریسک در نظر گرفته می‌شود و سپس با استفاده از خوشه‌بندی فرآیند دیرشلت و خوشه‌بندی کانوپی، افت و افزایش فشار غیرعادی تفکیک می‌شود. با استفاده از پلتفرم ادغام داده‌های چندین ایستگاه نفتی، ویژگی‌ها با استفاده از روش‌های یادگیری چندگانه استخراج می‌شوند و بهترین نرخ‌های احتمال ویژگی با استفاده از الگوریتم SVM مبتنی بر هسته ارزیابی می‌شوند تا اقدام کنترلی به موقع بر روی کل سیستم خطوط لوله نفت از طریق ارتباطات داده‌ای بی‌سیم کارآمد بین سرور و ایستگاه‌های نفتی ارائه شود. در نتیجه، کار پیشنهادی یک سیستم کنترل خودکار یکپارچه هوشمند مجازی را ایجاد می‌کند تا نرخ ریسک در صنعت نفت را با ادغام کل خطوط انتقال از طریق شبکه‌های اطلاعاتی بی‌سیم پیشرفته در مکان‌های دورافتاده پیش‌بینی کند.

در پژوهشی دیگر Al-Sabaee و همکاران [8] مروری عمدتاً بر نوآوری استفاده از تکنیک‌های یادگیری ماشین و یادگیری عمیق، به‌ویژه شبکه‌های عصبی مصنوعی (ANNs)، ماشین‌های بردار پشتیبان (SVMs) و الگوریتم‌های یادگیری ماشین ترکیبی (HML) برای پیش‌بینی انواع مختلف نقص‌های خطوط لوله در صنعت نفت و گاز تمرکز دارد. این مقاله به‌طور مشخص به کاربرد تکنیک‌های ML، پارامترها و قابلیت اعتماد داده‌ها برای این منظور می‌پردازد. مقاله به بررسی تحقیقات در این زمینه خاص می‌پردازد و بحثی منسجم ارائه می‌دهد و انگیزه‌ها و چالش‌های مرتبط با استفاده از ML برای پیش‌بینی انواع مختلف نقص‌ها در خطوط لوله را شناسایی می‌کند. این مرور همچنین شامل یک تحلیل بیبلیومتریک از ادبیات موجود است که تکنیک‌های رایج ML، نقص‌های بررسی‌شده و آزمایش‌های تجربی را برجسته می‌کند. همچنین جزئیات عمیق‌تری را که در جداول خلاصه شده‌اند، درباره انواع مختلف نقص‌ها، الگوریتم‌های رایج ML و منابع داده ارائه می‌دهد و بحث‌های انتقادی را شامل می‌شود. بر اساس مرور جامعی که ذکر شد، مشخص شد که رویکردهای ML، به‌ویژه ANNs و SVMs، می‌توانند به‌طور دقیق نقص‌های خطوط لوله نفت و گاز را در مقایسه با روش‌های سنتی پیش‌بینی کنند. با این حال، توصیه می‌شود که چندین الگوریتم ML ترکیب شوند تا دقت و زمان پیش‌بینی بیشتر افزایش یابد. مقایسه مدل‌های پیش‌بینی ML بر اساس داده‌های میدانی، تجربی و شبیه‌سازی برای انواع مختلف نقص‌های خطوط لوله می‌تواند سیستم‌های نظارتی قابل اعتماد و مقرون به صرفه‌ای برای کل شبکه خطوط لوله ایجاد کند. در شکل2 از این پژوهش انواع شکست خوردگی و  رایج ترین عواملی که منجر به راه اندازی SCC در خط لوله نفت و گاز می شود را نمایش داده است.

از مهم ترین مراحل در فرایند استفاده از اطلاعات در فراید یادگیری ماشین، پاکسازی اطلاعات پیش از استفاده در مدل می باشد. اگر پاکسازی اطلاعت به درستی انجام نگردد، فرایند آموزش ماشین اطلاعات اشتباه و پرت را به عنوان یک دیتای نرمال به حساب آوزده و اطلاعات خروجی ناشی از آموزش نادرست ماشین منجر به خروجی اشتباه می گردد. در شکل3 از پژوهش [9] چارت پاکسازی اطلاعات پیش از استفاده کردن در مدل نمایش داده شده است.

در این مطالعه با استخراج عوامل موثر در بروز حادثه در یک شبکه آبرسانی ثقلی در شهر سبزوار از سال 1401 تا سال 1403 و استخراج تعداد حوادث و مکان آنها در طی این بازه زمانی  و آموزش هوش مصنوعی از طریق این دیتاها نرم افزاری تهیه گردید که تعداد و مکان حوادث در آینده را پیش بینی نماید.

روش تحقیق

1.2. مشخصات منطقه مورد مطالعه

زیر پهنه بررسی شده در این مطالعه، یک مطالعه تجربی در مقیاس بزرگ واقعی است، که طول کل خط لوله آن، 640 کیلومترمی باشد و در استان خراسان رضوی وشهرستان سبزوار قرار دارد. آب ورودی به این زیر پهنه، با استفاده از نیرویجاذبه، از مخزنی به ظرفیت 20000 مترمکعب، که در بالاترین نقطه شبکه مورد نظر قرار دارد، تامین می شود. این شبکه از چهار ناحیه فشاری A ، B ، C و D تشکیل شده است که زیر پهنه ،  B2 در این تحقیق در نظر گرفته شده است. این زیرپهنه، کاملاً از سایر مناطق توسط شیر های مرزی، مطابق شکل 4 ایزوله شده اس اختلاف ارتفاع بین بالاترین و پایین ترین نقطه در زیر پهنه B2 ، 88 متر است (شکل 4).

2. روش انجام مطالعه

همان طور که پیش از این بیان گردید هدف از این پروژه، طراحی یک نرم افزار هوشمند، برای پیش‌بینی خرابی‌های شبکه‌های انتقال نفت با استفاده از الگوریتم‌های یادگیری ماشین است. انجام این پروژه در 5 مرحله کاری صورت می پذیرد که در ادامه هریک از این مراحل شرح داده خواهد شد

1. جمع‌آوری داده‌های مورد نیاز از سیستم‌های مختلف نظارتی و تعمیراتی شبکه.
2. پیش‌پردازش و آماده‌سازی داده‌ها، شامل پاکسازی داده‌ها، استخراج ویژگی‌ها و برچسب‌گذاری داده‌ها
3. طراحی و آموزش مدل‌های یادگیری ماشین برای شناسایی الگوهای خرابی
4. ارزیابی مدل‌ها و انتخاب مدل نهایی بر اساس معیارهای دقت، حساسیت و بازیابی
5. پیاده‌سازی مدل در سامانه مانیتورینگ و پایش، و یکپارچه‌سازی با داده‌های لحظه‌ای.

جمع‌آوری داده‌های مورد نیاز از سیستم‌های مختلف نظارتی و تعمیراتی شبکه

در ابتدا عوامل موثر بر بروز حادثه در یک شبکه ثقلی استخراج گردید و سپس این اطلاعات از سال 1401 استخراج و در مرحله پردازش قرار گرفت. عوامل موثر در بروز حادثه یک شبکه ثقلی آبرسانی به شرح زیر استخراج گردید:

1. فشار
2. جنس
3. دما
4. نقطه ارتفاعی
5. مینیمم ارتفاع مخزن
6. پهنه
7. دبی ورودی به  پهنه

جهت ثبت این اطلاعات و استخراج آنها برای آموزش هوش مصنوعی میبایست بستری فراهم میگردد که برای این منظور نرم افزار ثبت حوادث تهیه شد که اکیپ رفع حوادث تمامی پارامترهای موثر بر بروز حادثه و اطلاعت تکمیلی را در آن وارد نماید. اکیپ رفع حوادث به محض رسیدن به محل آدرسی که از واحدد 122 ارجاع شده است، شروع به کار خود را می زند و اطلاعات جنس ، نقطه ارتفاعی (به طور خودکار توسط GPS تبلت نمایش داده می شود)، فشار محل، پهنه و عکس محل شکست (جهت تحلیل مود شکست) مورد نظر را ثبت می نماید. در تصویر 6 نمایی از این نرم افزار نمایش داده شده است.

 

تعدادی دیگری از اطلاعات مورد نیاز نیز از سامانه های دیگر استخراج می گردد. به طور مثال دبی ورودی به هر پهنه در هر روز ، مینیمم ارتفاع مخزن (جهت تاثیر عمق استغراق بحرانی بر بروز حادثه) و دمای توسط سامانه مستقر در تله متری استخراج می گردد. جهت دریافت اطلاعات فشار و دبی با بازه 5 دقیقه ای از تجهیزات ابزار دقیق مختلفی در این مطالعه استفاده شده است. در این مطالعه تجربی ، همانطور که در شکل 7 نشان داده شده است، دو سنسور فشارمدل ها گلر، با محدوده فشار 0 الی 10 بار، خروجی 4 – 20 میلی آمپر و دقت 0.25%  در ایستگاه های فشارشکن ورودی هرپهنه نصب شده است. خروجی این سنسورها به یک دیتالاگر 8 کانالی مجهز به سیستم جهانی ارتباطات سیار(GSM)  برای ارسال داده ها متصل می شود. تنظیمات این دیتالاگر به گونه ای است که هر پنج دقیقه یک بار فشار را ارسال کند. علاوه بر این، فلومتر الکترومغناطیسی با اندازه 250 و 300 میلی متر با دقت 0.25%  برای بررسی دبی لحظه ا ی در ایستگاه های فشارشکن زیر پهنه موردنظر استفاده می شود. این فلومترها دارای خروجی 4 – 20 میلی آمپر هستند و از همان دیتالاگر 8 کاناله برای ارسال داده ها هر پنج دقیقه استفاده می شود. مانومتر آنالوگ فشار و فلومتر اولتراسونیک قابل حمل به ترتیب برای کالیبره کردن سنسورهای فشار و فلومتر الکترومغناطیسی استفاده می شود.

پیش‌پردازش و آماده‌سازی داده‌ها، شامل پاکسازی داده‌ها، استخراج ویژگی‌ها و برچسب‌گذاری داده‌ها

تمامی اطلاعات استخراجی از سامانه های ذکر شده پیش از پاکسازی قابل ایتفاده نمی باشند و نیازمند بررسی مجدد و پاکسازی آنها می باشد. به طور مثال در یک روز به دلیل قطع برق و یا نوسان آن گراف ارسالی فشار و یا دبی دچار ناهنجاری شده است که میبایست این اطلاعات از داده هایی که برای آموزش هوش مصنوعی ارسال می شود جدا شود. عدم پاکسازی ناهنجاری ها از اطلاعات جمع آوری شده منجر به آموزش اشتباه ماشین می گردد و نتایج نادرست حاصل می گردد.     

طراحی و آموزش مدل‌های یادگیری ماشین برای شناسایی الگوهای خرابی

در این گام اطاعات مورد نظر و مکان حوادث رخ داده از سال 1401 تا کنون توسط کد برنامه نویسی پایتون به هوش مصنوعی آموزش داده می شود. در این قسمت از مطالعه از مدل‌های مختلف از جمله XGBoost، Random Forest و شبکه‌های عصبی عمیق LSTM برای پیش‌بینی‌های زمان‌بندی شده و تحلیل سری زمانی استفاده شده است.

ارزیابی مدل‌ها و انتخاب مدل نهایی بر اساس معیارهای دقت، حساسیت و بازیابی.

در این مرحله از شاخص  MSE  جهت مقایسه نتایج پیش بینی و آنچه در واقعیت رخ داده است استفاده می گردد.

پیاده‌سازی مدل در سامانه مانیتورینگ و پایش، و یکپارچه‌سازی با داده‌های لحظه‌ای

جهت پیاده سازی مدل در سامانه نرم افزاری تهیه گردید که در آن تعداد اتفاقات در روزهای مختلف نمایش داده میشود ونتایج پیش بینی نیز ترسیم می گردد. در این نرم افزار به گونه ای عمل شده است که نیاز به کارشناس خبره وجود نداشته باشد و تنها با وارد نمودن بازه تاریخی نتایج استخراج گردد. در شکل 8 پنل این این نرم افزار نمایش داده شده است .

معادلات حاکم

در این مطالعه از معادلات مختلفی در ارتباط با تاثیر پارامترهای مختلف در بروز حوادث در شبکه ثقلی آبرسانی استفاده شده است که در ادامه به آنها اشاره شده است. 

از مهم ترین پارامترهای موثر در بروز حادثه پارامتر فشار می باشد که تاثیر این پارامتر بر روی متریال های مختلف لوله متفاوت است که رابطه فاواد [9]بدان اشاره نموده است.

1

در این رابطه توان N در میزان تاثیر فشار بر نشت تاثیر گذار است که مقدار پارامتر N به روش های مختلفی قابل محاسبه می باشد اما به طور تقریبی بدین گونه می باشد:

2	اگر منفذ نشت متغیر نباشد
3	اگر منفذ نشت متغییر باشد	N=1.5

در روابط 2,3 تاثیر جنس لوله بر حساسیت نسبت به متغیر فشار کاملا مشهود است .

پارامتر دیگری که بر بروز حوادث در شبکه های توزیع آبرسانی ثقلی بسیار تاثیر گذار است مینیمم ارتفاع مخزن میباشد که در قسمت های قبل مطرح شد که اطلاعات این پارامتر به هوش مصنوعی جهت تحلیل و آموزش ارسال می گردد. آبگیرها یکی از مهمترین سازه های هیدرولیکی هستند که ابتدا با هدف آبگیری به منظور تولید برق، آبیاری یا تأمین آب آشامیدنی مورد استفاده قرار می گیرند و در مرحله بعد به عنوان سازه ورودی تخلیه کننده ها به کار میروند. عدم وجود عمق آب کافی در بالای آبگیر میتواند باعث ایجاد گرداب و ورود هوا به آن شود. راه های زیادی برای جلوگیری از ورود هوا به داخل آبگیر وجود دارد. یکی از متداول ترین راه ها ایجاد ارتفاع آب مناسب بالای آبگیر است. ارتفاع عمودی بین سطح آب تا دهانه آبگیر، عمق استغراق نامگذاری گردیده و عمق استغراقی که در آن ورود هوا به آبگیر وارد میشود، عمق استغراق بحرانی (S_C)نامیده می شود شکل 9.

بنابراین تخمین عمق استغراق بحرانی بالای آبگیر به منظورجلوگیری از تشکیل گرداب و ورود هوا به آن از ضرورت های اصلی تحقیق به شمار می رود. مطالعه های تئوری و آزمایشگاهی متعددی برای تخمین عمق استغراق بحرانی صورت گرفته است. معمولاً روابط ارائه شده برای تخمین عمق استغراق بحرانی بر مبنای عدد فرود، عددرینولدز، عدد وبر و چرخش می باشد. مطالعه منابع پیشین به خصوص [10]  Gurbuzdal نشان داد که اندرکنش پارامترهای هندسی دهانه آبگیر از جمله قطر ورودی لوله آبگیر (Di) ، فاصله کف مخزن تا مرکز لوله آبگیر (c)، بیرون آمدگی لوله آبگیر (l) و عرض مخزن(b) تأثیر به سزایی بر مقدار عمق استغراق بحرانی دارد. از سوی دیگر بررسی اثر هر یک  از این پارامترها با معادله های پیچیده ای مواجه است.  در مطالعات گذشته با انجام آزمایش هایی میزان عمق نسبی استغراق بحرانی  را به صوت رابطه (4) بیان شده است. که در آن Fr عدد فرود جریان داخل لوله می باشد. روابط 5و6  به ترتیب،  برای آبگیرهای از نوع افقی و چهار گوش در حالت های متقارن و نامتقارن ارائه شده است.   

4
5
6

 از پارامترهای موثر در بروز حادثه در شبکه های توزیع آبرسانی پارامتر دما میباشد که به دلیل تاثیر مستقیم بر مصرف مشترکین، می تواند در نوسانات فشار اثر نامطلوب گذاشته و حوادث در خطوط توزیع را افزایش دهد. رابطه معناداری بین دما و دیماند مشترکین وجود دارد که در رابطه 7 بیان شده است[13]. 

7

پارامترهای a,b,c بر اساس منطقه تعیین میشود

T

پس از بررسی روابط عوامل موثر بر بروز حادثه در خطوط شبکه توزیع، نیازمند بررسی و صحت سنجی نرم افزار تهیه شده می باشیم تا میزان تطابق آنچه در واقعیت رخ داده است و آنچه توسط نرم افزار پیش بینی گردیده را با یکدیگر مقایسه نماید. یکی از معیارهای اصلی بررسی دقت مدل پیش بینی استفاده شده در این نرم افزار،شاخصMSE  یا Mean Squared Error (خطای متوسط مربعی) یک شاخص آماری است که برای ارزیابی دقت مدل‌های پیش‌بینی استفاده می‌شود. این شاخص با محاسبه میانگین مربع خطاها (تفاوت‌های بین مقادیر پیش‌بینی شده و مقادیر واقعی) تعیین می‌شود. MSE یک معیار مفید برای اندازه‌گیری دقت است، زیرا ارزیابی می‌کند که چقدر پیش‌بینی‌ها از مقادیر واقعی دور هستند. هر چه مقدار  MSE  کمتر باشد، مدل پیش‌بینی دقیق‌تری دارد. همچنین، به دلیل اینکه خطاها به مربع محاسبه می‌شوند، خطاهای بزرگتر تأثیر بیشتری بر نتیجه نهایی دارند.فرمول محاسبه MSE به شکل زیر است:

8

  صحت سنجی

پس از تکمیل نرم افزار جهت صحت سنجی از سال 1401 تا کنون تمامی اطلاعات مورد نیاز جمع آوری و 80 درصد این اطلاعات را برای آموزش هوش مصنوعی استفاده نمودیم و 20 درصد مابقی را برای پیش بینی تعداد حوادث مورد استفاده قرار داده شد تا میزان تطابق نتیجه پیش بینی با آنچه در واقعیت رخ داده است به کمک شاخص MSE مورد بررسی قرار گیرد. شکل 10  نمودار Validation  خروجی نرم افزار پیش بینی  و آنچه در واقعیت رخ داده است را نمایش می دهد. نتایج بیانگر شاخص  MSE زیر 1 می باشد که نشان دهنده تطابق بسیار خوب پیش بینی با واقعیت است.

تست های امنیتی نرم افزار

در راستای بحث های امنیتی و فنی نرم افزار تست های مختلفی بر روی آن انجام شد که خوشبختانه تمامی این تست ها را پاس نمود. در این ارتباط تست های بار، عملکرد و تحمل انجام شده است و از نقطه نظر امنیتی نیز تست های حمله بر روی نرم افزار انجام شده است که در ادامه به  نام آنها اشاره شده است.

• XSS – Cross Site Scripting
• Security misconfigurations
• IDOR
• Brute Force
• Security Protocol
• Security Bypass
• File Upload Vulnerabilities
• Dos , DDos
• Phishing
• ClickJacking
• Security Header Issues
• Mobile Security Issues
• Tampered Cookies
• CSRF
• Session hijacking

نتیجه گیری

پیش‌بینی حوادث به معنای استفاده از داده‌های تاریخی و الگوریتم‌های تحلیل برای شناسایی الگوها و پیش‌بینی وقوع رویدادهای احتمالی آینده است. در مدیریت شبکه‌ها و سیستم‌های پیچیده، پیش‌بینی حوادث به سازمان‌ها کمک می‌کند تا پیش از وقوع مشکلات، اقدامات پیشگیرانه را انجام دهند. این کار نه تنها بهره‌وری سیستم را افزایش می‌دهد، بلکه ریسک‌ها و هزینه‌های ناشی از خرابی‌ها و مشکلات غیرمنتظره را نیز کاهش می‌دهد. در این مطالعه نرم افزار پیش بینی حوادث بر پایه هوش مصنوعی تهیه شده است که به کمک  اطلاعات هیدرولیکی و مکانی شبکه از بازه زمانی دو ساله هوش مصنوعی را آموزش داده و برای پیش بینی در آینده از آن بهره جسته ایم. نتایج بیانگر عملکرد بسیار خوب پیش بینی و آنچه در واقعیت رخ داده است می باشد. استفاده از سامانه های پیش بینی نتایج ارزشمندی را برای شرکت های آب و فاضلاب و مدیریت دارایی ها خواهد داشت. از فواید چنین سامانه های می توان از موارد زیر نام برد:

کاهش هزینه‌های تعمیرات و نگهداری

• کاهش هزینه‌های نوسازی
• کاهش هزینه‌های اضطراری

افزایش بهره‌وری و عملکرد سیستم

• مدیریت بهینه منابع
• کاهش فشار بر سیستم‌ها

کاهش زمان توقف و قطعی‌های سیستم

• کاهش خرابی‌های ناگهانی
• کاهش مدت زمان رفع خرابی‌ها

کاهش نارضایتی مشتریان و بهبود رضایت عمومی

• کاهش شکایات مشتریان
• افزایش اعتماد به سیستم

کاهش ریسک‌های زیست‌محیطی و بهداشتی

• کاهش نشت فاضلاب
• حفاظت از منابع آبی

کاهش زمان پاسخگویی به حوادث

• آماده‌سازی سریع‌تر
•  بهبود هماهنگی تیم‌ها

کاهش هزینه‌های انرژی

• کاهش مصرف انرژی اضافی
• کاهش نیاز به پمپاژ‌های اضطراری

مراجع

1. Zhan C, Zhao X. Comparative study of the performance of the M-Cycle counter-flow and cross-flow heat exchangers for indirect evaporative cooling paving the path toward sustainable cooling of buildings. Energy Build.2011; 6790:6805
2. Caliskan H, Dincer I, Hepbasli A. Exergetic and sustainability performance comparison of novel and conventional air cooling systems for building applications. Energy Build.2011;1461:1472
3. Bonthuys G.J., Van Dijk, M., and Cavazzini, G., (2020), “Energy Recovery and Leakage-Reduction Optimization of Water Distribution System Using Hydro Turbine”, Journal of Water Resources Planning and Management, University Science A,146(5), 371-376
4. Gupta A., Bode N., Marathe D., and Kulat K., (2017), “Leakage reduction in water distribution systems with efficient placement and control of pressure reduction valves using soft Computing techniques”, Engineering Technology & Applied Science Research, 7(2),1528-1534.
5. Giudicianni C., Herrera M., Nardo A., Carravetta A., and Adeyey K., (2020), “Zero-net energy management for the monitoring and control of dynamically-partitioned smart water systems”, Cleaner Production, 252 (10): 119745.
6. The Utilization of Supervised Machine Learning in Predicting Corrosion to Support Preventing Pipelines Leakage in Oil and Gas Industry
7. Predicting Accident Outcomes in Cross-Border Pipeline Construction Projects Using Machine Learning Algorithms
8. Prediction of oil and gas pipeline failures through machine learning approaches: A systematic review
9. Schwaller C; van Zyl J; Kabaasha A., (2015), ” Characterising the pressure-leakage response of pipe networks using the FAVAD equation”, Water Supply, 15 (6): 1373–1382
10. Gurbuzdal, F., (2009), “Scale effects on the formation of vortices at intake structures”,M. Sc. Degree, Scienc Civil Engineering, Middle East technial University
11. Donkor, E. A., Mazzuchi, T. A., Soyer, R., & Roberson, J. A. (2014). “Urban water demand forecasting: Review of methods and models.” Journal of Water Resources Planning and Management