जल प्रमुखों में रिसाव पहचान के लिए न्यूरल नेटवर्क-आधारित मॉडलिंग का आवेदन

जल वितरण नेटवर्क (WDN) में रिसाव का अनुमान लगाया जाता है कि यह संयुक्त राज्य अमेरिका में पेयजल के 20% से अधिक का हिस्सा है। मौजूदा रिसाव पहचान प्रक्रियाएँ मुख्यतः श्रमसाध्य या अत्यधिक बजट आवंटन की आवश्यकता होती हैं, इसलिए नवीनतम मॉडल-आधारित तकनीकें स्मार्ट मीटरों का उपयोग करके प्रचलित हो गई हैं। विशेष रूप से, जल पाइपलाइन रिसाव की भविष्यवाणी के लिए ऐसी मॉडल-आधारित दृष्टिकोणों में मशीन लर्निंग और मेटाह्यूरिस्टिक अनुकूलन विधियों को शामिल करना अत्याधुनिक दृष्टिकोणों में से एक है। यह पत्र उन्नत मीटरिंग अवसंरचना (AMI) और साइबर-मॉनिटरिंग डेटा का उपयोग करके एक भविष्यवाणी रिसाव पहचान दृष्टिकोण प्रस्तुत करता है। मुख्य रूप से, उपभोग और मॉनिटरिंग डेटा (जैसे, प्रवाह और दबाव) का समकालिक संग्रह प्रस्तावित भविष्यवाणी उपकरण के लिए आनुवंशिक एल्गोरिदम (GA) और कण झुंड अनुकूलन (PSO) के संयोजनात्मक ढांचे में कार्य करता है। MATLAB में समय-खपत करने वाले EPANET 2.2 अनुकरण टूलकिट को प्रशिक्षित कृत्रिम न्यूरल नेटवर्क (ANNs) के सेट द्वारा पर circumvent किया जाता है। प्रस्तावित रिसाव भविष्यवाणी दृष्टिकोण की कई पैरामीटरों के प्रति संवेदनशीलता की जांच करने के लिए संवेदनशीलता विश्लेषण किए जाते हैं। अंततः, प्रवाह और दबाव मॉनिटरिंग स्टेशनों की संख्या और स्थान को अधिकतम सेंसर उपलब्धता सीमा का उपयोग कर अनुकूलित किया जाता है। मॉडल की सटीकता मीन एब्सोल्यूट परसेंटेज एरर (MAPE) का उपयोग करके मापी जाती है। प्रस्तावित भविष्यवाणी उपकरण इस बात पर अंतर्दृष्टिपूर्ण दृष्टिकोण प्रस्तुत करता है कि कैसे महत्वपूर्ण बैकग्राउंड रिसाव की पहचान और प्राथमिकता बिना श्रम-गहन, महंगे तरीकों का उपयोग किए की जा सकती है।