خوشه‌بندی مکانی حوادث شبکه های توزیع آب برای اولویت بندی نواحی بازسازی

آریایی, امیرمحمد; جلیلی قاضی زاده, محمدرضا; مصلحی, ایمان

خوشه‌بندی مکانی حوادث شبکه های توزیع آب برای اولویت بندی نواحی بازسازی

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانشجوی کارشناسی ارشد مهندسی عمران- محیطزیست، دانشکده عمران، آب و محیطزیست، دانشگاه شهید بهشتی.

² دانشیار، دانشکده عمران، آب و محیطزیست، دانشگاه شهید بهشتی.

³ دانشجوی دکتری مهندسی عمران- آب، دانشکده عمران، آب و محیطزیست، دانشگاه شهید بهشتی.

چکیده

شبکه‌های آبرسانی ارتباط مستقیمی با توسعه اقتصادی و اجتماعی جوامع شهری دارند. با توجه‌ به افزایش سریع جمعیت و توسعه شهرنشینی لازم است تا این شبکه‌ها به طور مناسب نگهداری و بازسازی شوند. در این مقاله، با بهره‌گیری از روش یادگیری غیرنظارتی و با استفاده از الگوریتم خوشه‌بندی مبتنی بر چگالی OPTICS مناطق اولویت‌دار شبکه‌‎های توزیع آب جهت بازسازی تعیین گردیدند. 361 حادثه شکستگی رخ‌داده در یکی از پهنه‌های شبکه توزیع آب مشهد مورد بررسی واقع شد. این الگوریتم در مجموع 16 خوشه را در پنج سطح متفاوت اهمیت شناسایی کرد. این 16 خوشه که برخی زیرخوشه دیگری محسوب می‌شوند از منظر نرخ شکست با یکدیگر مورد مقایسه قرار گرفتند و سه خوشه که به ترتیب نرخ شکستگی برابر با 79/1، 62/2 و 50/1 (حادثه/ 100 کیلومتر/ سال) را داشتند، به‌عنوان اولویت‌های اصلی بازسازی معرفی شدند. نرخ شکست میانگین در کل شبکه مورد بررسی برابر با 14/8 بود. در ادامه، خوشه‌های شناسایی شده از منظر جنس و قطر لوله نیز مورد ارزیابی قرار گرفته و عوامل مؤثر در نرخ شکستگی آن‌ها، بررسی شدند. نتایج نشان داد که الگوریتم خوشه‌بندی OPTICS با شناسایی خوشه‌های متعدد و سطح‌بندی آن‌ها توانایی قابل‌توجهی در تشخیص پهنه‌های اولویت‌دار برای برنامه‌های بازسازی دارد؛ بنابراین از روش پیشنهادی به‌عنوان ابزاری کاربردی و انعطاف‌پذیر برای اولویت‌بندی بازسازی شبکه توزیع آب، شناسایی علل اصلی حوادث با پرهیز از روش‌های محاسباتی پیچیده و طولانی و به ‌دور از قضاوت شخصی کارشناسان می‌توان استفاده کرد.

کلیدواژه‌ها

20.1001.1.17352347.1400.17.4.10.7

موضوعات

آب شهری

عنوان مقاله [English]

Clustering of Bursts in Water Distribution Networks for Prioritization of the Rehabilitation Area

نویسندگان [English]

Amir Mohammad Aryayee ¹
Mohammadreza Jalili Ghazizadeh ²
Iman Moslehi ³

¹ M.Sc. Student, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University.

² Associate Professor, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University.

³ Ph.D. Student, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University.

چکیده [English]

Water supply networks are directly related to the economic and social development of urban communities. Due to the rapid increase in population and urbanization, these networks should be properly maintained and rehabilitated. In this paper, an unsupervised learning method with OPTICS density-based clustering algorithm is used to determine the priority areas for rehabilitation. 361 burst event data in one of the Mashhad water network zones were analyzed. The algorithm identified a total number of 16 clusters at 5 different levels of importance. These 16 clusters, which are considered sub-clusters for higher levels, were compared in terms of burst rate. Three clusters with failure rates of 79.1, 62.2, and 50.1 (failures/100 km/year) were introduced as the main priorities for rehabilitation and renovation, respectively. The average burst rate in the whole network was 14.8. The identified clusters were examined in terms of pipe material and diameter and their most affecting factors on the burst rate. The obtained results showed that the OPTICS clustering algorithm has a significant ability to determine priority zones for the rehabilitation plan, by identifying multiple clusters and their according levels. Therefore, the proposed method can be used as a practical and flexible tool to prioritize the rehabilitation process of water networks and identify the main causes of failure events, avoiding complex computational methods or the personal judgment of experts.

کلیدواژه‌ها [English]

Density-Based Clustering
Spatial Analysis
Infrastructure Networks
Failure
Condition Assessment
Water Distribution Network
OPTICS Algorithm

مراجع

Abokifa AA and Sela L (2019) Identification of spatial patterns in water distribution pipe failure data using spatial autocorrelation analysis. Journal of Water Resources Planning and Management 145(12)

Ankerst M, Breunig MM, Kriegel H-P, and Sander J (1999) OPTICS: Ordering points to identify the clustering structure. ACM Sigmod Record 28(2):49–60

Aryayee A, Moslehi I, Jalili-Ghazizadeh M, Komeily M, Hoda-Atashkar M, and Maghrebi H (2020) Density based clustering analysis of water main break events to determine prior area for rehabilitation. 3rd Iran Water and Wastewater Science and Engineering Congress, 24-26 November,2020, Shiraz University, Shiraz, Iran (In Persian)

Baird GM (2010) A game plan for aging water infrastructure. American Water Works Association 102(4):74–82

De Oliveira DP, Garrett JH, and Soibelman L (2011) A density-based spatial clustering approach for defining local indicators of drinking water distribution pipe breakage. Advanced Engineering Informatics 25(2):380–389

Engelhardt M, Savic D, Skipworth P, Cashman A, Saul A, and Walters G (2003) Whole life costing: Application to water distribution network. Water Science and Technology: Water Supply 3(1–2):87–93

Ester M, Kriegel H-P, Sander J, and Xu X (1996) A density-based algorithm for discovering clusters in large spatial databases with noise. Proceedings of the Second International Conference on Knowledge Discovery and Data Mining, AAAI Press, 226–231

Kabir G, Tesfamariam S, and Sadiq R (2015) Bayesian model averaging for the prediction of water main failure for small to large Canadian municipalities. Canadian Journal of Civil Engineering, Canadian Science Publishing 43(3):233–240

Kleiner Y and Rajani B (2001) Comprehensive review of structural deterioration of water mains: Statistical models. Urban Water 3(3):131–150

Kleiner Y and Rajani B (2010) I-WARP: Individual water main renewal planner. Drinking Water Engineering and Science 3(1):71–77

Moslehi I, Jalili-Ghazizadeh M, and Yousefi Khoshqalb E (2019) Flow data monitoring in water distribution networks using density-based clustering methods. Iran-Water Resources Research 15(3):62–77 (In Persian)

Nazemi A and Madani K (2018) Urban water security: Emerging discussion and remaining challenges. Sustainable Cities and Society, Elsevier B.V. 41(17):925–928

Oliveira D, Garrett JH, and Soibelman L (2009) Spatial clustering analysis of water main break events. Proceedings of the 2009 ASCE International Workshop on Computing in Civil Engineering, 338–347

Salehi S, Jalili Ghazizadeh M, and Tabesh M (2018) A comprehensive criteria-based multi-attribute decision-making model for rehabilitation of water distribution systems. Structure and Infrastructure Engineering, Taylor & Francis 14(6):743–765

Sander J, Ester M, Kriegel H-P, and Xu X (1998) Density-based clustering in spatial databases: The algorithm GDBSCAN and its applications. Data Mining and Knowledge Discovery 2(2):169–194

Sattar AMA, Ertuğrul ÖF, Gharabaghi B, McBean EA, and Cao J (2019) Extreme learning machine model for water network management. Neural Computing and Applications 31(1):157–169

Scheidegger A, Leitão JP, and Scholten L (2015) Statistical failure models for water distribution pipes- A review from a unified perspective. Water Research 83:237–247

Xu Q, Chen Q, Li W, and Ma J (2011) Pipe break prediction based on evolutionary data-driven methods with brief recorded data. Reliability Engineering and System Safety, Elsevier 96(8):942–948‏