[논문 리뷰] Utilizing machine learning to prevent water main breaks by understanding pipeline failure drivers

Dilusha Weeraddana, Bin Liang외 6명|arXiv (Cornell University)|2020. 06. 05.

Water Systems and Optimization참고 문헌 3인용 수 7

한 줄 요약

이 논문은 서호주 지역의 수압관 고장의 주요 원인을 특정하기 위해 역사적 고장 데이터, 파이프 특성 및 환경 요인을 분석하는 기계학습 프레임워크를 제시한다. 모델은 높은 정확도로 고장 발생 가능성을 성공적으로 예측하여 서호주 물공사가 파이프 교체 작업을 우선순위에 따라 정리하고 연간 고장 수를 400건에서 비용 효율적인 목표 수준으로 줄일 수 있도록 한다.

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

연구 동기 및 목표

• 멜버른 서부 지역의 수압관 고장 원인을 규명하는 것.
• 역사적 기록과 인프라 기술적 특성 정보를 사용하여 파이프 고장 가능성을 예측하는 기계학습 시스템을 개발하는 것.
• 연간 약 400건의 고장을 줄이기 위해 서호주 물공사가 파이프 교체 프로젝트의 우선순위를 정할 수 있도록 지원하는 것.
• 공학 및 기계학습의 융합을 통해 데이터 기반의 비용 효율적인 인프라 유지보수 솔루션을 제공하는 것.

제안 방법

• 연구는 역사적 수압관 고장 기록을 기반으로 훈련된 지도 학습 기반 접근법을 사용한다.
• 입력 특성으로는 파이프 재질, 지름, 연령, 설치 방법 및 토양 유형, 온도와 같은 환경 변수를 포함한다.
• 고장 확률을 모델링하기 위해 랜덤 포레스트 분류기를 활용하며, 특성 중요도를 통해 주요 고장 원인을 규명한다.
• 교차 검증 및 AUC-ROC, 정밀도-재현율과 같은 성능 지표를 사용하여 모델을 검증한다.
• 특성 공학은 고장 사건의 시간적 및 공간적 집계를 통해 모델의 일반화 능력을 향상시키기 위해 수행된다.
• 시스템은 각 파이프 세그먼트의 고장 위험도 점수를 출력하여 교체 활동의 우선순위를 정할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 서호주 물공사 지역의 수압관 고장에 가장 기여하는 요인는 무엇인가?
• RQ2 기존 데이터와 환경 요인을 사용하여 기계학습이 파이프 고장 가능성을 얼마나 정확하게 예측할 수 있는가?
• RQ3 데이터 기반 모델이 실제로 연간 고장률을 줄이기 위해 파이프 교체를 효과적으로 우선순위 정리하는 데 기여할 수 있는가?
• RQ4 파이프 재질, 연령 및 환경 조건이 고장 위험도에 어느 정도의 영향을 미치는가?

주요 결과

• 모델은 AUC-ROC 점수가 0.85 이상을 기록하여 파이프 고장 가능성을 강력하게 예측하는 것으로 나타났다.
• 파이프 연령과 재질이 고장의 가장 중요한 예측 변수로 규명되었으며, 노후된 연성철과 주철 파이프가 더 높은 위험을 보였다.
• 토양의 부식성과 온도 변화와 같은 환경 요소가 고장 발생 확률에 의미 있는 기여를 하였다.
• 시스템을 통해 서호주 물공사는 약 20%의 파이프 네트워크를 우선 교체 대상으로 선정하여 가장 높은 위험도를 가진 세그먼트에 집중할 수 있었다.
• 모델은 이전에 인식되지 않았던 고장 패턴을 식별함으로써 점검이 필요한 고위험 파이프의 수를 줄였다.
• 이 프레임워크는 유사한 데이터 가용성이 확보된 다른 수도사업 지역에서도 확장 가능하고 유연하게 적용 가능한 것으로 나타났다.