.png){kind=icon}
返回
Implementing Machine Learning Algorithms for Pipe Failure Analysis in Water Distribution Systems
.png){kind=icon}
OA
AI
DOI：10.1007/s11269-026-04797-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
供水管网系统中的管道故障由多种物理和环境因素引起，对其分析对于改进漏水控制和资产管理策略至关重要。本研究在土耳其安塔利亚市的一个试点研究区域（PSA）中，提供了一种机器学习技术的创新应用，该区域记录了长达七年的管道故障数据。本研究考虑的因素包括管道材料、年龄、直径和长度。应用了八种机器学习技术，包括朴素贝叶斯、人工神经网络、逻辑回归、XGBoost、LightGBM、CatBoost、随机森林和支持向量分类，用于管道故障分析。根据研究结果，XGBoost以0.99的曲线下面积（AUC）值实现了最高的预测精度。结果表明，管道长度是影响管道故障的最重要因素，而PVC管道在PSA中最为易损。这项全面分析不仅为管道故障分析提供了有价值的见解，还为供水管网系统的最佳管理提供了有效工具。未来的研究应纳入更多因素，如服务连接数量和交通负荷，以增强故障概率评估并指导最佳管道更换策略。
Keyword:
Machine learning
Pipe failure
Water losses
Water distribution systems
期刊
IF:
4.7
论文数:
8.1K
被引数:
1.6W
机构
引用论文
SMOTE for Learning from Imbalanced Data: Progress and Challenges, Marking the 15-year Anniversary《从不平衡数据中学习: 进步与挑战，纪念15周年》OAAI
OAAI分享收藏Pipe Failure Prediction in Water Distribution Networks Using Interpretable Machine Learning under Imbalanced and Recurrent Failure Conditions在非平衡和重复故障条件下使用可解释机器学习进行给水管网管道失效预测.png)
IF0
PREAI
分享收藏Implementation of DMAs in Intermittent Water Supply Networks Based on Equity Criteria基于公平标准的间歇性供水网络DMAs的实施WATER
OAAI
WATERIF3
OAAI分享收藏
查看更多内容