[论文解读] 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 7

一句话总结

本文提出了一种机器学习框架，通过分析历史破裂数据、管道特性及环境因素，识别西澳大利亚地区供水主管线失效的关键驱动因素。该模型成功以高精度预测失效可能性，使西澳水务公司能够优先开展管道更新工作，将年故障次数从400起减少至目标成本效益水平。

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

研究动机与目标

• 识别墨尔本以西地区供水主管线失效的主要驱动因素。
• 开发一种机器学习系统，利用历史记录和基础设施描述符预测管道失效的可能性。
• 支持西澳水务公司优先开展管道更新项目，将年故障率约400起降低至目标水平。
• 通过工程与机器学习的融合，创建数据驱动、成本效益高的基础设施维护解决方案。

提出的方法

• 本研究采用监督式机器学习方法，基于历史供水主管线破裂记录进行训练。
• 输入特征包括管道材质、管径、使用年限、安装方式，以及土壤类型和温度等环境变量。
• 采用随机森林分类器建模失效概率，并利用特征重要性识别关键失效驱动因素。
• 通过交叉验证及AUC-ROC和精确率-召回率等性能指标对模型进行验证。
• 特征工程包括对失效事件进行时间与空间聚合，以提升模型泛化能力。
• 系统为每个管道段输出一个失效风险评分，支持更新活动的优先排序。

实验结果

研究问题

• RQ1 西澳水务区域供水主管线失效的最重要影响因素是什么？
• RQ2 机器学习在利用历史与环境数据时，能否准确预测管道失效的可能性？
• RQ3 数据驱动模型是否能有效优先安排管道更新，以降低年故障率？
• RQ4 管道材质、使用年限及环境条件在多大程度上影响失效风险？

主要发现

• 模型AUC-ROC得分超过0.85，表明对管道失效可能性的预测性能优异。
• 管道使用年限和材质被确定为失效的最重要预测因子，其中老旧的延性铸铁管和铸铁管风险更高。
• 土壤腐蚀性及温度波动等环境因素对失效概率有显著影响。
• 该系统使西澳水务公司能够优先对约20%的管道网络进行更新，集中于高风险区段。
• 模型通过识别此前未被察觉的失效模式，减少了需检查的高风险管道数量。
• 该框架在具备类似数据可用性的其他水务区域中展现出良好的可扩展性与适应性。