OCENA ŚREDNIC PRZEWODÓW WODOCIĄGOWYCH ZA POMOCĄ SIECI NEURONOWYCH KOHONENA

Projektowanie systemu dystrybucji wody nieodłącznie wiąże się z wykonaniem obliczeń, których celem jest m.in. wyznaczenie natężenia przepływów przez poszczególne przewody oraz dobór średnic z zachowaniem odpowiednich prędkości przepływu. W obliczeniach systemów dystrybucji wody od wielu lat stosuje się technikę komputerową. Zwiększająca się moc obliczeniowa komputerów samoistnie nie rozwiąże złożonych problemów. Dopiero zastosowanie zaawansowanych metod obliczeniowych pozwoli usprawnić proces obliczeniowy i poprawić jakość rozwiązań. Obecnie dąży się do stworzenia programów obliczeniowych, które będzie charakteryzować pewien stopień kreatywności, co powinno ułatwić użytkownikom podejmowanie decyzji na różnych etapach realizacji zadania i poprawić jakość rozwiązań. Wydaje się, że klasyczne algorytmy o sformalizowanym przebiegu można uzupełnić znacznie bardziej zaawansowanymi technikami obliczeniowymi, w tym modelowaniem za pomocą sztucznych sieci neuronowych. W niniejszej pracy rozpatrzono możliwość zastosowania sztucznych sieci neuronowych Kohonena do oceny średnic przewodów wodociągowych. Opisano metodykę budowy zbioru danych do uczenia sieci neuronowych, metodykę procesu uczenia sieci oraz zestawiono przeanalizowane warianty sieci Kohonena. Omówiono dobór danych wejściowych oraz struktury sieci Kohonena. Uzyskane wyniki pozwalają wnioskować, że te sieci neuronowe mogłyby być uzupełnieniem tradycyjnych metod obliczeniowych. Zaletą tego rozwiązania jest mapa topologiczna, która w sposób graficzny pokazuje położenie danej średnicy względem innych średnic w zależności od parametrów opisujących odcinek obliczeniowy. Dodatkowy moduł programu komputerowego wykorzystujący sieć neuronową pozwoli zaakceptować przyjętą do obliczeń lub dokonać korekty średnicy przewodu wodociągowego.

Pełny tekst (pdf)

1. Adams R.W.: Distribution analysis by electronic computer. Institute of Water Engineers, vol. 15, 1961, pp. 415-428.
2. Bargiela A.: High performance neural optimization for real time pressure control. Proc. of High Performance Computing Conference HPC Asia’95, Chap. AL34, 1995, pp. 1-8.
3. Damas M., Salmeròn M., Ortega J.: ANNs and GAs for predictive controlling of water supply networks. Proc. of the IEEE-INNS-ENNS International Joint Conference on Neural Networks, vol. 4, 2000, pp. 365-372.
4. Dawidowicz J.: Obliczanie współczynnika strat liniowych l za pomocą sztucznych sieci neuronowych. Ekonomia i Środowisko, nr 4, 2013, s. 177-186.
5. Dawidowicz J.: Regresja przy użyciu sztucznych sieci neuronowych do analizy średnic przewodów wodociągowych. Mat. VI Szkoły Komputerowego wspomagania projektowania, wytwarzania i eksploatacji. Wojskowa Akademia Techniczna, Warszawa-Jurata 2002, s. 117-124.
6. Dawidowicz J.: Zastosowanie sztucznych sieci neuronowych do analizy średnic przewodów w systemach dystrybucji wody. Mat. IV Konferencji Naukowo-Technicznej „Nowe Technologie w sieciach i instalacjach wodociągowych i kanalizacyjnych”. Politechnika Śląska, Ustroń 2002, s. 47-59.
7. Epp R., Fowler A.G.: Efficient code for steady state flows in networks. Journal of the Hydraulics Division, ASCE, vol. 96, no. HY1, 1970, pp. 43-56.
8. Haytham A., Kwamura A., Jinno K.: Analysis of motor valve operations in Fukuoka City water supply network using self-organizing map. Memoirs of the Faculty of Engineering, vol. 64. Kyushu University, Fukuoka, Japan 2004, pp. 63-77.
9. Haytham A., Kwamura A., Jinno K.: Applications of artificial neural networks for optimal pressure regulation in supervisory water distribution networks. Memoirs of the Faculty of Engineering, vol. 65. Kyushu University, Fukuoka, Japan 2005, pp. 29-51.
10. Hoag L.N., Weinberg G.: Pipeline network analysis by electronic digital computer. Journal of the American Water Works Association, ASCE, vol. 49, no. 5, 1957, pp. 517-524.
11. Knapik K.: Dynamiczne modele w badaniach sieci wodociągowych. Wydaw. Politechniki Krakowskiej, Kraków 2000.
12. Kohonen T.: Self-organizing maps. Springer Series in Information Sciences, vol. 30, 2001 (3rd extended ed.).
13. Kohonen T.: The self-organizing map. Proc. of the IEEE, vol. 78, no. 9, 1990, pp. 1464-1480.
14. Konar A.: Computational intelligence: Principles, techniques and applications, Springer-Verlag, 2005.
15. Krawiec K., Stefanowski J.: Uczenie maszynowe i sieci neuronowe. Wydaw. Politechniki Poznańskiej, Poznań 2004.
16. Kwietniewski M.: GIS w wodociągach i kanalizacji. Wydawnictwo Naukowe PWN, Warszawa 2013.
17. Lingireddy S., Ormsbee L.E.: Neural networks in optimal calibration of water distribution systems, [in:] Artificial Neural Networks for Civil Engineers: Advanced Features and Applications, Flood I. (ed.), Kartam N. ASCE, 1998, pp. 53-76.
18. Ormsbee L.E.: The history of water distribution network analysis: The computer age. Proc. of the 8th Annual Water Distribution Systems Analysis Symposium, ASCE, 27-30 August, Cincinnati, Ohio, USA 2006, pp. 1-6.
19. Osowski S.: Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2000.
20. Pipe 2010. Water Utility Modeling: A comprehensive guide to hydraulic and water quality modeling of drinking water systems using Pipe2010. KYPipe, http://kypipe.com (dostęp: 20.02.2015 r.).
21. Pipe Flow Expert 2010 User Guide, WEB: http://www.pipeflow.co.uk (dostęp: 20.02.2015 r.).
22. Przewodnik problemowy. STATISTICA Neural Networks PL. StatSoft Inc., 2001.
23. Rossman L.A.: EPANET 2. User’s manual, EPA/600/R-00/057. National Risk Management Research Laboratory. U.S. Environmental Protection Agency, USA 2000.
24. Rutkowski L.: Metody i techniki sztucznej inteligencji. Inteligencja obliczeniowa. Wydawnictwo Naukowe PAN, Warszawa 2009.
25. Saldarriaga J., Gómez R., Salas D.: Artificial intelligence methods applicability on water distribution networks calibration. Critical Transitions in Water and Environmental Resources Management, 2004, pp.1-11.
26. Shamsi U.M.: GIS applications for water, wastewater, and stormwater systems. CRC PressINC, Taylor & Francis Group, New York 2005.
27. Shayya W.H., Sablani S.S.: An artificial neural network for non-iterative calculation of the friction factor in pipeline flow. Computers and Electronics in Agriculture, vol. 21, no. 3, 1998, pp. 219-228.
28. Skubalska-Rafajłowicz E.: Samoorganizujące sieci neuronowe, [w:] Biocybernetyka i inżynieria biomedyczna 2000, Nałęcz M., Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R. (eds.), t. 6. Sieci Neuronowe. Polska Akademia Nauk, Warszawa 2000, s. 179-226.
29. STATISTICA Neural Networks. StatSoft Inc., 1998.
30. Stefanowski J.: Algorytmy indukcji reguł decyzyjnych w odkrywaniu wiedzy. Wydawnictwo Politechniki Poznańskiej, Seria Rozprawy nr 361, Poznań 2001.
31. Świercz M.: Using neural networks to simplify mathematical models of water distribution networks. A case study. Proc. of the First International Symposium on Mathematical Models in Automation and Robotics. Wydawnictwo Uczelniane Politechniki Szczecińskiej, Szczecin 1994, pp. 72-77.
32. Taher S.A., Labadie J.W.: Optimal design of water-distribution networks with GIS. Journal of Water Resources Planning and Management, ASCE, vol. 122, no. 4, 1996, pp. 301-311.
33. Van den Boogaard H.F., Kruisbrink A.C.H.: Hybrid modeling by integrating neural networks and numerical models hydraulic engineering. Proc. of the 2nd International Conference on Hydroinformatics, vol. 2, 1996, pp. 471-477.
34. Walski M.T., Chase D.V., Savic D.A., Grayman W.M., Beckwith S., Koelle E.: Advanced water distribution modeling and management. Haestad Methods Solution Center, Haestead Press, 2003.
35. Xu C., Bouchart F., Goulter I.C.: Neural networks for hydraulic analysis of water distribution systems. Proc. of the Innovation in Computer Methods for Civil and Structural Engineering. Civl-Comp Press, Cambridge 1997, pp. 129-136.
36. Yongchao L., Wending L.: Water supply system of telemeter and remote control based on neural fuzzy control technique. Proc. of the 5th International Symposium on Test and Measurement Conference ITSM 2003, pp. 1269-1272.