[論文レビュー] Utilizing machine learning to prevent water main breaks by understanding pipeline failure drivers

Dilusha Weeraddana, Bin Liang+6 more|arXiv (Cornell University)|Jun 5, 2020

Water Systems and Optimization参考文献 3被引用数 7

ひとこと要約

本論文では、過去の破損データ、パイプ特性、環境要因を分析することで、オーストラリア西部の給水主管の破損の主な要因を特定する機械学習フレームワークを提示している。モデルは高い正確性で破損の可能性を予測でき、オーストラリア西部の水道会社がパイプ更新作業を優先順位付けし、年間の破損件数を400件からコスト効果的な水準に削減することを可能にした。

ABSTRACT

Data61 and Western Water worked collaboratively to apply engineering expertise and Machine Learning tools to find a cost-effective solution to the pipe failure problem in the region west of Melbourne, where on average 400 water main failures occur per year. To achieve this objective, we constructed a detailed picture and understanding of the behaviour of the water pipe network by 1) discovering the underlying drivers of water main breaks, and 2) developing a Machine Learning system to assess and predict the failure likelihood of water main breaking using historical failure records, descriptors of pipes, and other environmental factors. The ensuing results open up an avenue for Western Water to identify the priority of pipe renewals

研究の動機と目的

• メルボーン西部地域における給水主管の破損の主な要因を特定すること。
• 過去の記録とインfraストラクチャーの特徴を用いてパイプ破損の可能性を予測する機械学習システムを開発すること。
• 年間約400件の破損件数を削減するために、オーストラリア西部水道会社がパイプ更新プロジェクトの優先順位を付けるのを支援すること。
• 工学的要因と機械学習の統合を用いた、データ駆動型でコスト効果的なインfraストラクチャー保守ソリューションを構築すること。

提案手法

• 本研究では、過去の給水主管破損記録を用いてトレーニングされた教師あり機械学習アプローチを用いている。
• 入力特徴量には、パイプ素材、内径、年齢、設置方法に加え、土壌タイプや気温などの環境変数が含まれる。
• 故障確率をモデル化するためにランダムフォレスト分類器が使用され、特徴量の重要度を活用して主要な故障要因を同定している。
• 交差検証とAUC-ROC、精度再現率などのパフォーマンス指標を用いてモデルを検証している。
• 特徴量工学には、故障イベントの時空間的集約を含め、モデルの汎化性能を向上させている。
• システムは各パイプセグメントの故障リスクスコアを出力し、更新作業の優先順位付けを可能にしている。

実験結果

リサーチクエスチョン

• RQ1 オーストラリア西部水道地域における給水主管の破損に寄与する最も顕著な要因は何ですか？
• RQ2 過去データと環境要因を用いた機械学習は、パイプ破損の可能性をどの程度正確に予測できますか？
• RQ3 データ駆動型モデルは、年間破損件数を削減するためにパイプ更新の優先順位を効果的に付けることができますか？
• RQ4 パイプ素材、年齢、環境条件は、故障リスクにどの程度の影響を及ぼしますか？

主な発見

• モデルはAUC-ROCスコアが0.85以上を達成し、パイプ破損の可能性に対する強い予測性能を示した。
• パイプの年齢と素材が故障の最も顕著な予測要因であると特定され、古くなった延性鉄および鋳鉄パイプは高いリスクを示した。
• 土壌の腐食性や気温の変動といった環境要因が、故障確率に有意義な寄与をした。
• システムにより、オーストラリア西部水道会社はパイプネットワークの約20％を更新の優先対象として特定でき、最もリスクの高いセグメントに集中した。
• モデルは、以前に認識されていなかった故障パターンを同定することで、点検が必要な高リスクパイプの数を削減した。
• 本フレームワークは、類似したデータ環境を持つ他の水道事業地域でもスケーラブルかつ適応可能であることが示された。