شناسایی نشت و شناسایی توپولوژی در خطوط لوله با استفاده از گذرگاه های مایع و شبکه های عصبی مصنوعی
ارزیابی وضعیت خطوط لوله انتقال آب با استفاده از امواج گذرا سیال یک روش غیرتهاجمی است که طی 25 سال گذشته مورد بررسی قرار گرفته است. رویکردهایی برای شناسایی ناهنجاری های مختلف و شناسایی عناصر توپولوژی یک خط لوله ارائه شده است اما اغلب به مدل سازی دقیق و دانش سیستم نیاز دارند. از طرف دیگر ، شبکه های عصبی مصنوعی (ANN) با امکان دادن به رایانه برای حل مسئله بدون برنامه ریزی صریح برای انجام این کار ، بلکه با یادگیری از یک سری مثالهای شناخته شده ، به ابزاری مفید در طیف وسیعی از زمینه ها تبدیل شده اند. در این مقاله یک روش جدید ارائه می شود که از ANN برای پیش بینی وجود ویژگی ها در خط لوله استفاده می کند. در ابتدا ، محل و مشخصات یک محل اتصال به عنوان راهی برای شناسایی عناصر توپولوژی یک خط لوله و به دنبال آن شناسایی محل و اندازه نشت ، پیش بینی شده است. ویژگی های ANN و رویکردهای آموزشی برای هر دو محل اتصال و مثال نشت تعیین شده است. نتایج نشان می دهد شبکه ANN که برای این تحقیق طراحی شده است قادر است در یک برآورد 2.32 متر (از یک خط لوله 1000 متری) یا کمتر در 95٪ موارد آزمایش شده ، محل اتصال را با خطا پیش بینی کند. پیش بینی دو قطر مختلف در دو طرف محل اتصال فقط با یک شناسایی اشتباه یکی از قطرها در 5000 نمونه آزمایش شده بسیار دقیق بود. هنگامی که ANN آموزش داده شد و آزمایش شد تا محل نشت و اندازه آن مشخص شود ، نتایج نیز موفقیت آمیز بود. در مجموع 95٪ از نمونه های آزمایش شده نشتی را با خطای برابر یا کمتر از 3.0 متر (از طول 1000 متر لوله) پیدا کرده اند و اندازه نشت با میانگین خطای مطلق فقط 0.31 میلی متر پیش بینی شده است. نتایج ارائه شده در این مقاله پتانسیل ترکیب استفاده از هر دو موج فشار گذرا سیال و شبکه های عصبی را برای تشخیص ویژگی ها در خطوط لوله نشان می دهد.

آب یک منبع حیاتی برای جامعه است و توزیع مداوم آن برای انواع استفاده به یک چالش تبدیل می شود ، از جمله نابرابری زمانی و مکانی در دسترس بودن آن ، و عدم مدیریت مسئولانه و زیرساخت های نامناسب. علاوه بر این ، لوله ها در شبکه های سیستم توزیع آب اغلب زیر زمین هستند ، که نظارت و نگهداری آنها را پیچیده می کند. برای غلبه بر این ، تکنیک های مختلف غیرتهاجمی برای نظارت و شناسایی خطاهای موجود در خطوط لوله برای انجام یک نگهداری کارآمد و مقرون به صرفه توسعه یافته است. این روشها شامل بازرسی بصری (Guo و همکاران 2009) ، روشهای الکترومغناطیسی (Wang و همکاران 2012) ، روشهای صوتی (جولیانو و همکاران 2013) ، روشهای اولتراسونیک ، رادیوگرافی ، ترموگرافی (Zheng and Yehuda 2013) و اخیراً گذرا بازرسی مبتنی بر (لی و همکاران 2008 ؛ گونگ و همکاران 2014 ، 2018).

از بین این تکنیکهای مختلف ، روشهای مبتنی بر گذرا در دو دهه گذشته توجه ویژه ای به آنها شده است زیرا اجازه بازرسی از بخشهای بزرگ یک لوله را با تنظیم نسبتاً ساده می دهند (Gong et al. 2013b) ، و نتایج را می توان به سرعت بدست آورد (لی و همکاران 2006 ؛ شی و همکاران 2017). این روشها بر اساس تفسیر تاثیری است که هر ویژگی در یک خط لوله بر روی ردیابی سر گذرا دارد ، هنگامی که یک رویداد فشار گذرا مصنوعی کنترل می شود ، ایجاد می شود. برای شناسایی عیب ها با استفاده از سیگنال های فشار گذرا ، روش های مختلفی ارائه شده است و طبق نظر کلمبو و همکاران می توانند در سه گروه سازماندهی شوند. (2009): (1) روشهای گذرا معکوس ، (2) تکنیکهای دامنه فرکانس ، و (3) روشهای گذرا مستقیم. با این حال ، در حالی که هر یک از این رویکردها به طور متوسط ​​موفقیت آمیز بوده است ، آنها از نظر زمان پردازش یا دانش مورد نیاز از سیستم تجزیه و تحلیل شده نیز دارای معایبی هستند.

مقاله حاضر یک تکنیک مبتنی بر گذرا را ارائه می دهد که از شبکه های عصبی مصنوعی (ANN) برای شناسایی عناصر توپولوژیکی مانند اتصالات در شبکه های خطوط لوله آب و تعیین مکان و مشخص کردن نشت ها استفاده می کند. برخلاف مطالعات قبلی ، روش پیشنهادی مبتنی بر داده است زیرا با توجه به سیستم شبکه آب مورد تجزیه و تحلیل نیازی به اطلاعات دقیق ندارد. هنگامی که ANN آزمایش می شود ، فقط با استفاده از ردیابی سر گذرا که در محل تولید گذرا اندازه گیری می شود ، نتایج موفقیت آمیزی می دهد. تکنیک های قبلی ارزیابی شرایط لوله مبتنی بر گذرا مدل هدایت شده است زیرا آنها همیشه مجبور به تهیه مدل شبیه سازی دقیق خط لوله برای تجزیه و تحلیل بوده اند.