Μοντέλα πρόβλεψης αστοχίας αγωγών ύδρευσης με χρήση μηχανικής μάθησης

Ψαρρού, Χαρίκλεια; Psarrou, Charikleia

dc.contributor.author	Ψαρρού, Χαρίκλεια	el
dc.contributor.author	Psarrou, Charikleia	en
dc.date.accessioned	2022-02-04T14:16:49Z
dc.date.available	2022-02-04T14:16:49Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54546
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22244
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Επιστήμη και Τεχνολογία Υδατικών Πόρων”	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Δίκτυο διανομής νερού	el
dc.subject	Αλγόριθμοι πρόβλεψης	el
dc.subject	Αστοχία αγωγών	el
dc.subject	Λογιστική παλινδρόμηση	el
dc.subject	Water distribution networks	en
dc.subject	Δέντρα αποφάσεων	el
dc.subject	Predictive algorithms	en
dc.subject	Pipe failures	en
dc.subject	Logistic regression	en
dc.subject	Decision trees	en
dc.title	Μοντέλα πρόβλεψης αστοχίας αγωγών ύδρευσης με χρήση μηχανικής μάθησης	el
dc.title	Pipe failure prediction models in water distribution networks using machine learning	en
heal.type	masterThesis
heal.classification	Υδροπληροφορική	el
heal.classification	Hydroinformatics	en
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2021-11-05
heal.abstract	Οι εταιρείες ύδρευσης σε όλο τον κόσμο καταβάλλουν πολύ μεγάλες προσπάθειες σε ετήσιο επίπεδο για το βέλτιστο σχεδιασμό που αφορά την αντικατάσταση των αγωγών ύδρευσης. Συνεπώς, κύριο μέλημα τους αποτελεί η εύρεση μοντέλων που θα προβλέπουν με πολύ μεγάλη ακρίβεια την πιθανότητα αστοχίας των αγωγών ώστε να οδηγηθούν στην εξοικονόμηση κόστους ενώ παράλληλα θα συμβάλουν στην παροχή υψηλότερης ποιότητας υπηρεσιών και θα παρέχουν μια καλύτερη οπτική γύρω από τη βιώσιμη ανάπτυξη των υποδομών. Στην παρούσα μελέτη προτείνεται μια μεθοδολογία που εστιάζει στον τομέα της Μηχανικής Μάθησης (Machine Learning) και συγκροτεί ένα συνολικό μοντέλο για την πρόγνωση των θραύσεων στους αγωγούς των δικτύων ύδρευσης. Για το σκοπό αυτό επιλέγονται οι ακόλουθες μεθοδολογίες: η Λογιστική Παλινδρόμηση (Logistic Regression), η Διανυσματική Υποστήριξη Παλινδρόμησης (Support Vector Regression), τα Δέντρα Αποφάσεων (Decision Trees) και οι κ-πλησιέστεροι γείτονες (k-Nearest Neighbors algorithm). Ως μεταβλητή εξόδου επιλέγεται η πιθανότητα αστοχίας των αγωγών και ως μεταβλητές εισόδου το υλικό κατασκευής, το μήκος και η εξωτερική διάμετρος των αγωγών καθώς αποτελούν τα μόνα διαθέσιμα στοιχεία για τη περιοχή μελέτης. Είναι πολύ σημαντικό να τονιστεί ότι η μελέτη περίπτωσης (case study) βασίζεται σε πραγματικά δεδομένα τα οποία έχουν συλλεχθεί από την ΕΥΔΑΠ ΑΕ. Η περιοχή μελέτης απομονώνει ένα τμήμα του υδρευτικού δικτύου της Αττικής και συγκεκριμένα η ζώνη «Μουράτη» του Πειραιά. Εφαρμόζονται όλες οι τεχνικές προεπεξεργασίας των δεδομένων για να είναι πιο αποδοτικά τα αποτελέσματα των αλγορίθμων. Επιπλέον, για την αντιμετώπιση της ανομοιομορφίας του πραγματικού συνόλου δεδομένων αξιοποιούνται τεχνικές τυχαίας υποδειγματοληψίας και υπερδειγματοληψίας (SMOTE). Παράλληλα, σε μια επιλεγμένη μέθοδο πραγματοποιήθηκε η διαδικασία της βελτιστοποίησης και ρύθμισης των υπερπαραμέτρων της (Grid Search). Τέλος, την καλύτερη απόδοση μεταξύ όλων των μοντέλων παρουσίασαν τα Δέντρα Αποφάσεων και οι κ-Πλησιέστεροι γείτονες (k-NN), για την περίπτωση της υποδειγματοληψίας. Οι δύο αυτές μέθοδοι είναι ισοδύναμες στην αποτελεσματικότητα των προβλέψεων που παράγουν.	el
heal.abstract	Companies in charge of water supply networks make great efforts on an annual basis in relation to the whole world for the best design which concerns the pipe replacement. Therefore their main concern is to find models which will provide with a remarkable accuracy the probability of pipeline failure in order to attain cost savings. At the same time they will contribute to the provision of higher quality services, they will also provide a better perspective on the sustainable management of infrastructure. In the present study I suggest a methodology focusing on the field of the Machine learning. This methodology composes a global model in order to predict pipe failure in water distribution networks. The following methodologies are selected for this purpose: logistic regression, support vector regression, decision trees, and the k-nearest neighbors algorithm. The possibility of pipeline failure is selected as an output variable. The construction material, the length pipe, and the external diameter of the pipes are selected as an input variable, as they are the only data available for the study area. It is very important to emphasize that the case study is based on real data collected by EYDAP SA. The study area isolates a part of the water network of Attica and specifically the «Mourati» zone of Piraeus. All preprocessing techniques of data are applied in order the results of the algorithms be made more efficient. In addition techniques of random undersampling and over sampling SMOTE are exploited in order to confront the unbalanced of the actual data set. In parallel the process of optimizing and fitting of the hyperparameters is accomplished according to a selected method (Grid search). Finally the best performance among all the models is presented by the decision trees and k-nearest neighbors algorithm (k-NN) for the under sampling case. These two methods are equivalent in the effectiveness of the predictions they produce.	en
heal.advisorName	Μακρόπουλος, Χρήστος	el
heal.committeeMemberName	Μακρόπουλος, Χρήστος	el
heal.committeeMemberName	Παπακωνσταντής, Ηλίας	el
heal.committeeMemberName	Ευστρατιάδης, Ανδρέας	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	155 σ.	el
heal.fullTextAvailability	false