تحلیل مقایسه ای مدل های یادگیری ماشین برای پیش بینی شکست لوله در شبکه های توزیع آب

شبکه های توزیع آب به عنوان شریان های حیاتی زیرساخت های شهری، نقشی اساسی در تامین سلامت عمومی و توسعه اقتصادی ایفا می کنند. شکست لوله ها در شبکه های توزیع آب نه تنها منجر به هدر رفت قابل توجه آب و افزایش هزینه های تعمیر و نگهداری می شود، بلکه می تواند باعث قطعی خدمات، خسارت های جانبی و مشکلات بهداشتی گردد. در چنین شرایطی، حرکت از رویکردهای واکنشی به سمت استراتژی های پیشگیرانه و مبتنی بر پیش بینی، برای مدیریت پایدار آب امری ضروری است. مدل های مبتنی بر یادگیری ماشین به دلیل مهارتشان در مدیریت مجموعه داده های گسترده و پیچیده، به عنوان ابزاری برجسته در حوزه پیش بینی شکست لوله ظهور کرده اند. این پژوهش باهدف توسعه و مقایسه عملکرد شش مدل یادگیری ماشین شامل؛ رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی و درخت تقویت شده برای پیش بینی شکست لوله انجام شد. مدل ها با استفاده از مجموعه داده ای شامل ویژگی های فیزیکی و عملیاتی لوله (طول، قطر، عمق، سن، فشار و جنس) با تقسیم بندی ۷۰ درصد برای آموزش و ۳۰ درصد برای اعتبارسنجی، توسعه یافته اند. علی رغم انتظارات اولیه، مدل های پیچیده تری مانند جنگل تصادفی و درخت تقویت شده، باوجود عملکرد بی نقص روی داده های آموزشی، دچار بیش برازش شدید شده و برای کاربرد واقعی غیرقابل اعتماد تشخیص داده شد. مدل های درخت تصمیم و شبکه عصبی با ارائه حساسیت بالا و تفسیرپذیری عالی روی هر دو داده آموزشی و اعتبارسنجی به عنوان گزینه های برتر معرفی گردیدند. مدل های ماشین بردار پشتیبان و رگرسیون لجستیک به دلیل حساسیت بسیار پایین برای پیش بینی پیشگیرانه، نامناسب تشخیص داده شدند.

کلیدواژه ها:

شبکه توزیع آب ، پیش بینی شکست لوله ، یادگیری ماشین ، منحنی ROC ، نرم افزار JMP Pro