پیش بینی احتمال شکست لوله های آب با استفاده از الگوریتم های Random Forest و XGBoost (مطالعه موردی: بخشی از شهر تهران)

زیرساخت های آبی شهری به عنوان شریان های حیاتی کلان شهرها، نقشی اساسی در تامین پایدار آب شرب، بهداشت عمومی و تاب آوری زیست محیطی دارند. با افزایش سن شبکه های توزیع و محدودیت منابع برای نگهداری پیشگیرانه، شناسایی نقاط پرریسک شکست لوله ها به ضرورتی راهبردی بدل شده است. این پژوهش با هدف پیش بینی احتمال شکست لوله های آب در شبکه شهری تهران، از رویکردهای نوین یادگیری ماشین بهره برده است. برای این منظور، داده های توصفی بیش از ۵۷۰۰۰ لوله شامل ویژگی هایی نظیر جنس، سن، طول، عمق نصب، قطر داخلی و خارجی، ضخامت جداره، نوع اتصال، حفاظت داخلی و خارجی، کارخانه سازنده و نوع کاربرد گردآوری و پیش پردازش شدند. دو الگوریتم قدرتمند Random Forest و XGBoost برای مدل سازی انتخاب شدند تا با بهره گیری از توانایی آن ها در تحلیل روابط غیرخطی و داده های مختلط، مدلی احتمالاتی برای برآورد خطر شکست هر لوله توسعه یابد. برخلاف روش های سنتی که صرفا به پیش بینی دودویی اکتفا می کنند، مدل های ارائه شده قادرند احتمال شکست را به صورت درصدی و قابل تفسیر برای هر لوله ارائه دهند. در این پژوهش، الگوریتم XGBoost عملکرد بهتری نسبت به Random Forest داشته و با کارآیی بالاتر شکست لوله ها را پیش بینی کرده است. نتایج مدل ها نشان دادند که ویژگی هایی نظیر سن، جنس، عمق نصب و طول لوله بیشترین تاثیر را بر احتمال شکست دارند. یافته های این پژوهش می توانند در تدوین برنامه های نگهداری هدفمند، تخصیص بهینه منابع و ارتقاء تاب آوری شبکه های آبی به کار روند.

کلیدواژه ها:

هوش مصنوعی ، یادگیری ماشین ، پیش بینی شکست لوله ، Random Forest ، XGBoost