Algorytmy lokalizacji awarii w sieci wodociągowej przy użyciu sieci neuronowych

Pełen tekst

(1)ALGORYTMY LOKALIZACJI AWARII W SIECI WODOCIGOWEJ PRZY U YCIU SIECI NEURONOWYCH IZABELA ROJEK, JAN STUDZIŃSKI. Streszczenie W artykule przedstawiono algorytmy lokalizacji awarii sieci wodociągowej przy uĪyciu sieci neuronowych. Algorytmy te mają byü czĊĞcią systemu monitoringu i zarządzania siecią wodociągową. Obecne wykorzystanie systemów monitorowania nie odpowiada ich moĪliwoĞciom. WspółczeĞnie systemy monitoringu słuĪą jako autonomiczne programy do zbierania informacji o przepływach i ciĞnieniach wody w pompowniach Ĩródłowych, hydroforniach strefowych i koĔcówkach sieci wodociągowej, dając ogólną wiedzĊ o stanie jej pracy, gdy jednoczeĞnie mogą i powinny byü wykorzystane jako elementy systemów zarządzania siecią, w tym w szczególnoĞci w zakresie wykrywania i lokalizacji wycieków wody. Modele lokalizacji awarii sieci są tworzone przy wykorzystaniu stosunkowo prostych sieci neuronowych typu MLP, RBF, Kohonena oraz hybrydowych sieci neuronowych. Słowa kluczowe: sie wodocigowa, model hydrauliczny sieci, wykrywanie i lokalizacja wycieków wody, sieci neuronowe 1. Wstp Przedsibiorstwo wodocigowe w zakresie sieci wodocigowej zajmuje si dystrybucj wody odpowiedniej jakoci w iloci gwarantujcej zaspokojenie potrzeb odbiorców, poprawn eksploatacj sieci wodocigowej zapewniajc właciwe cinienie w wzłach odbiorczych, sprawnym usuwaniem awarii oraz planowaniem i wykonywaniem prac zwizanych z konserwacj, modernizacj i rozbudow sieci [1]. Sterowanie sieci wodocigow jest trudnym i kompleksowym procesem. Bardzo istotnym problemem w zarzdzaniu przedsibiorstwem wodocigowym jest wykrywanie i lokalizacja ukrytych wycieków wody w sieci wodocigowej. Spowodowane tym straty wody w rurocigach, dochodzce niekiedy nawet do 30%, wpływaj niekorzystnie na wyniki finansowe przedsibiorstw wodocigowych, które utraconej wody nie mog sprzeda . U odbiorców wody straty te odbijaj si w zwikszonych opłatach za wyprodukowana i niezuyt faktycznie wod. Szybka lokalizacja i eliminacja ukrytych wycieków wody z nieszczelnych rurocigów przynosi zatem wymierne korzyci ekonomiczne zarówno dostawcom, jak i odbiorcom wody, czyli przedsibiorstwu wodocigowemu i uytkownikom sieci wodocigowej..

(2) 147. Studies & Proceedings of Polish Association for Knowledge Management Nr 49, 2011. Etapy dotyczce awarii w sieci wodocigowej mona okreli w nastpujcy sposób:. − wykrycie awarii – stwierdza si stan awaryjny w postaci strat wody, ale nie jest znana jego −. −. lokalizacja, lokalizacja awarii – stwierdza si stan awaryjny i jego dokładn lub przyblion lokalizacj za pomoc odpowiednio opracowanych algorytmów, z wykorzystaniem systemów monitoringu, modeli hydraulicznych sieci wodocigowej i w szczególnoci sieci neuronowych, przeciwdziałanie awarii – na podstawie danych historycznych o stanach awaryjnych nastpuje prognozowanie kolejnych stanów awaryjnych i opracowuje si plany rewitalizacji sieci wodocigowej.. 2. Algorytmy lokalizacji awarii w sieci wodocigowej Istniej róne podejcia i algorytmy obliczeniowe do wspomagania wykrywania i lokalizacji wycieku wody w sieci wodocigowej, prezentowane w literaturze. W kadym przypadku podstaw oblicze s model hydrauliczny sieci wodocigowej i pomiary przepływu wody, wzgldnie przepływu i cinienia pozyskiwane z punktów pomiarowych systemu monitoringu zainstalowanego na sieci. Oznacza to, e dla praktycznej realizacji tych algorytmów jest niezbdna odpowiednia infrastruktura informatyczna wdroona i eksploatowana w przedsibiorstwie wodocigowym. W skład tej infrastruktury powinny wchodzi system SCADA monitoringu sieci, skalibrowany model hydrauliczny i równie system GIS generowania mapy numerycznej [2]. Taka infrastruktura pozwala nie tylko wykrywa i lokalizowa awarie sieci wodocigowej, ale równie zarzdza sieci, wykonujc takie na przykład zadania, jak sterowania sieci wodocigow, analiza jakoci wody, optymalizacja i projektowanie sieci itp. [2, 3]. Oznacza to, e wysoko rozwinite technologie informatyczne mog sta si uytecznym i w przyszłoci niezbdnym narzdziem dla operatora sieci wodocigowej, wspomagajcym racjonaln eksploatacj sieci. 2.1. Algorytmy lokalizacji awarii przy wykorzystaniu systemu monitoringu i modelu hydraulicznego W Instytucie Bada Systemowych PAN opracowano do tej pory 2 algorytmy lokalizowania awarii w sieci wodocigowej. Pierwszy z nich korzysta jedynie z systemu monitoringu i został czciowo przetestowany w wodocigach rzeszowskich [4]. Polega on na tym, e dla punktów pomiarowych zainstalowanych na sieci wodocigowej wyznacza si, na podstawie pomiarów historycznych, tak zwane standardowe wzgldnie wzorcowe krzywe przepływów godzinowych i porównuje si je z biecymi pomiarami odczytywanymi przez system monitoringu. Jeeli rónica midzy wyznaczan krzyw biec i wyznaczon krzyw wzorcow jest mniejsza od zadanego przedziału tolerancji, to przyjmuje si, e sie wodocigowa pracuje bezawaryjnie. Jeeli natomiast ta rónica jest due, to przyjmuje si, e w otoczeniu punktu pomiarowego sygnalizujcego t rónic nastpił stan awaryjny. Z kolei inny algorytm lokalizacji awarii prezentowany w literaturze korzysta ju zarówno zsystemu monitoringu, jak i skalibrowanego modelu hydraulicznego sieci wodocigowej [2]..

(3) 148. Izabela Rojek, Jan StudziĔski Algorytmy lokalizacji awarii w sieci wodociągowej przy uĪyciu sieci neuronowych. Algorytm ten składa si z nastpujcych kroków:. − Wykonanie oblicze hydraulicznych sieci, dla zadanego poziomu obcienia, za pomoc mo− − − − − −. delu hydraulicznego. Zapis wartoci przepływów i cinie w punktach pomiarowych systemu monitoringu dla wykonanych oblicze (zapis standardowego rozkładu cinie i przepływów). Symulacja wycieków w kolejnych wzłach sieci wodocigowej za pomoc modelu hydraulicznego. Zapis wartoci przepływów i cinie w punktach pomiarowych dla wykonanych symulacji stanów awaryjnych (zapis awaryjnych rozkładów cinie i przepływów). Rejestracja pomiaru z systemu monitoringu, odbiegajcego od standardu dla zadanego poziomu obcienia sieci. Zapis wartoci przepływów i cinie w punktach pomiarowych dla stwierdzonej nietypowej sytuacji (zapis nietypowego rozkładu cinie i przepływów). Znalezienie wród zapisów stanów awaryjnych zapisu najbardziej zblionego do zapisu nietypowego. Znaleziony zapis wskazuje wzeł sieci, w którym najprawdopodobniej doszło do wycieku.. 2.2. Algorytm lokalizacji awarii przy wykorzystaniu sieci neuronowej Analiza obecnego stanu bada dotyczcych wspomagania wykrywania i lokalizacji wycieków wody w sieci wodocigowej wykazała, e jest miejsce na kolejne badania dotyczce tego problemu. W ramach projektu rozwojowego Ministerstwa Nauki i Szkolnictwa Wyszego nr NR14-0011-10/2010 rozpoczto m.in. prace dotyczce opracowania inteligentnego systemu komputerowego detekcji i lokalizacji awarii w sieci wodocigowej. Zakres tych prac jest szerszy, ni w przypadku algorytmów przedstawionych wczeniej. Przede wszystkim system bdzie testowany zarówno na danych symulowanych, jak i rzeczywistych, pozyskiwanych z przedsibiorstw wodocigowych w Rzeszowie i Głubczycach. Po drugie, do modelowania sieci wodocigowej, dla celów porównawczych i weryfikacji wyników, zostanie zastosowanych kilka modeli hydraulicznych i take rónego typu sieci neuronowe: MLP, RBF, Kohonena oraz hybrydowe sieci neuronowe. Pierwszy etap prac z wykorzystaniem sieci neuronowych dotyczy opracowania samego algorytmu lokalizacji awarii sieci wodocigowej, który w przyszłoci stanie si elementem tworzonego systemu komputerowego. Bazujc na okrelonej liczbie czujników przepływu zainstalowanych w przewodach sieci wodocigowej, a w drugiej wersji algorytmu wykorzystujc równie czujniki cinienia zainstalowane w wzłach, i dysponujc odpowiednio wytrenowan sieci neuronow, mona pojawiajce si awarie sieci szybko i w sposób automatyczny wykrywa. i lokalizowa . Algorytm ten składa si z nastpujcych kroków: 1. Wyznaczenie punktów wraliwych sieci wodocigowej przy uyciu systemu do optymalnego planowania systemu monitoringu. 2. Wybór odpowiedniej liczby najbardziej wraliwych punktów pomiarowych, z których pozyskuje si najwikszy zasób informacji o wystpujcych w sieci stanach awaryjnych..

(4) 149. Studies & Proceedings of Polish Association for Knowledge Management Nr 49, 2011. 3.. Wykonanie oblicze hydraulicznych sieci, dla zadanego poziomu obcienia, za pomoc wybranego i odpowiednio skalibrowanego modelu hydraulicznego. 4. Zapis wartoci przepływów i cinie w punktach pomiarowych systemu monitoringu dla wykonanych oblicze (zapis standardowego rozkładu cinie i przepływów). 5. Symulacja wycieków w kolejnych wzłach sieci wodocigowej za pomoc modelu hydraulicznego. 6. Zapis wartoci przepływów i cinie w punktach pomiarowych dla wykonanych symulacji stanów awaryjnych (zapis awaryjnych rozkładów cinie i przepływów). 7. Utworzenie klasyfikatora lokalizujcego awarie w postaci rónego typu sieci neuronowych i wybór klasyfikatora najlepszego według kryterium najwikszej wraliwoci. 8. Rejestracja z systemu monitoringu pomiaru odbiegajcego od standardu dla zadanego poziomu obcienia sieci, czyli w przypadku wystpienia awarii znalezienie wród modeli sieci neuronowych modelu takiego, który wskazuje dokładnie wzeł sieci z zaistniałym wyciekiem. 9. Zmiana rodzaju modelu hydraulicznego i powrót do punktu 3. 10. Porównanie i weryfikacji wyników dla rónych modeli hydraulicznych i rónych sieci neuronowych w celu najlepszego zamodelowania sieci wodocigowej i najdokładniejszego lokalizowania awarii. 3. Wyznaczenie punktów wraliwych sieci wodocigowej przy uyciu algorytmu do planowania systemu monitoringu W celu znalezienia najlepszych lokalizacji czujników w punktach pomiarowych systemu monitoringu wyznacza si tzw. punkty wraliwe sieci wodocigowej przy uyciu algorytmu do planowania systemu monitoringu. Aby zmaksymalizowa ilo informacji przekazywanych przez punkty pomiarowe, powinny on by tak wybrane, aby przekazywały wiedz o stanie sieci nie tylko z danego punktu, ale równie z jego take dalszego otoczenia. Takie punkty charakteryzujce si du wraliwoci na zmiany stanu sieci nazwiemy punktami charakterystycznymi. Maksymalizacja przekazywanej informacji oznacza zwykle, w tradycyjnie planowanych systemach monitoringu, zwikszanie liczby punktów pomiarowych, a wic działanie przeciwne do opisanego powyej. Dlatego naley podkreli , e odpowiedni wybór stosunkowo niewielkiej liczby punktów charakterystycznych moe by równowany pod wzgldem jakoci i iloci przekazywanej wiedzy o sieci wikszej liczbie punktów zlokalizowanych w mniej wraliwych miejscach sieci. Wybór odpowiednich punktów pomiarowych do monitorowania sieci wodocigowej jest nietrywialnym zadaniem, do rozwizania którego mona stosowa róne algorytmy obliczeniowe. Jednym z nich jest algorytm podany przez R. Straubela i B. Holznagela w pracy [5]. Składa si on z nastpujcych czterech kroków: 1. Wykonanie obliczeĔ symulacyjnych przy uĪyciu modelu hydraulicznego sieci wodociągowej dla stanu standardowej eksploatacji sieci: Dla zadanego Ğredniego obciąĪenia sieci wyznacza siĊ ciĞnienia wĊzłowe we wszystkich wĊzłach i przepływy we wszystkich odcinkach sieci..

(5) 150. Izabela Rojek, Jan StudziĔski Algorytmy lokalizacji awarii w sieci wodociągowej przy uĪyciu sieci neuronowych. 2.. 3.. Wykonanie obliczeĔ symulacyjnych dla stanów awaryjnych sieci: Przy symulowanych kolejno w kaĪdym wĊĨle sieci wyciekach awaryjnych, istotnie róĪnych od obciąĪenia Ğredniego, wyznacza siĊ nowe ciĞnienia wĊzłowe we wszystkich wĊzłach i nowe przepływy we wszystkich odcinkach sieci. Sortowanie potencjalnych punktów pomiarowych m według malejącej wraĪliwoĞci SD na zmiany ciĞnienia (podobny wzór formułuje siĊ dla zmian przepływów bĊdących wynikiem symulowanych wycieków awaryjnych w przewodach sieci wodociągowej): (∆p mk / p m ) Ekm k ≠ m S Dm = Ekm k ≠m ∆pmk =| Pmk − pm |. m = 1, 2, ..., N gdzie pm oznacza ciĞnienie w punkcie m dla Ğredniego obciąĪenia sieci, Pmk - ciĞnienie w punkcie m dla wycieku awaryjnego w punkcie k, Ekm – najkrótszą odległoĞü liczoną wzdłuĪ odcinków sieci miĊdzy punktami k i m, N oznacza liczbĊ wszystkich wĊzłów sieci. 4. Optymalizacja wielokryterialna dla wyznaczenia liczby i lokalizacji punktów pomiarowych: UwzglĊdniając wszystkie moĪliwe kombinacje liczby i umiejscowienia punktów pomiarowych wykonuje siĊ obliczenia optymalizacji z nastĊpującymi kryteriami celu: − Minimalizacja liczby punktów − Maksymalizacja wraĪliwoĞci sieci na symulowane wycieki − Minimalizacja kosztów instalacji punktów pomiarowych z wariantowym uwzglĊdnianiem tylko pomiarów ciĞnienia, tylko pomiarów przepływów lub łącznie pomiarów ciĞnienia i przepływów. Przy tym jako miarĊ wraĪliwoĞci sieci na symulowane wycieki moĪna stosowaü na przykład sumĊ róĪnic bezwzglĊdnych miĊdzy pomiarami ciĞnieĔ dla standardowego stanu pracy sieci i stanów awaryjnych dla przyjmowanych róĪnych kombinacji liczby i lokalizacji punktów pomiarowych, w przypadku, gdy w systemie monitoringu uwzglĊdniamy jedynie pomiary ciĞnienia.. 4. Wykonanie oblicze hydraulicznych sieci, dla zadanego poziomu obcienia, za pomoc wybranego modelu hydraulicznego Wykonanie oblicze hydraulicznych sieci, zapis wartoci przepływów i cinie w punktach pomiarowych systemu monitoringu dla wykonanych oblicze (zapis standardowego rozkładu cinie i przepływów), symulacja wycieków w kolejnych wzłach sieci wodocigowej za pomoc modelu hydraulicznego w miejscach wraliwych oraz zapis wartoci przepływów i cinie w punktach pomiarowych dla wykonanych symulacji stanów awaryjnych (zapis awaryjnych rozkładów cinie i przepływów) słu do przygotowania plików uczcych dla sieci neuronowych, które posłu z kolei jako modele do lokalizacji awarii w sieci wodocigowej. Oznacza to, e odpowiednio skalibrowany model hydrauliczny sieci wodocigowej jest traktowany w obliczeniach jako obiekt rzeczywisty, natomiast sie neuronowa jest traktowana.

(6) 151. Studies & Proceedings of Polish Association for Knowledge Management Nr 49, 2011. jako model obiektu. Natomiast do kalibracji modelu hydraulicznego słu dane pomiarowe z rzeczywistego obiektu, czyli z badanej sieci wodocigowej. Hydraulika przykładowej sieci wodocigowej została pokazana na rys. 1. W celu pozyskania danych do kalibracji modelu hydraulicznego sieci wodocigowej iwdalszej kolejnoci do opracowania algorytmu lokalizacji awarii wykorzystuje si system monitoringu zainstalowany na sieci. Współczenie w coraz wikszym stopniu nadzorowanie parametrów sieci wodocigowej odbywa si z wykorzystaniem systemów SCADA monitoringu [4]. Standardowy system monitoringu składa si z trzech podstawowych elementów: urzdze pomiarowych do mierzenia cinienia i przepływu wody, zamontowanych w tak zwanych punktach pomiarowych zainstalowanych na sieci wodocigowej; systemu transmisji danych z punktów pomiarowych do komputera (serwera) zbierajcego i archiwizujcego dane pomiarowe; oraz z programu wizualizacji sieci wodocigowej ze zlokalizowanymi na niej punktami pomiarowymi. Przepływy i cinienia wody okrelaj stan sieci, wic biece informacje o wartociach tych parametrów pozwalaj zorientowa si, czy sie pracuje właciwie.. Rysunek 1. Hydraulika sieci wodociągowej Złoono miejskich sieci wodocigowych cigle ronie, przez co zwiksza si lub przynajmniej powinna si zwiksza liczba wszelkiego rodzaju czujników (sensorów) pracujcych w sieci. Współczenie operator sieci jeszcze radzi sobie z obsług zwykle stosunkowo mało rozbudowanego systemu monitoringu i potrafi samodzielnie przeciwdziała zdarzajcym si nieprawidłowociom. Jednak w niedługim czasie, przy stale zwikszajcych si rozmiarach sieci wodocigowych i w konsekwencji rozbudowywanych systemach monitoringu ulegnie to zmianie.

(7) 152. Izabela Rojek, Jan StudziĔski Algorytmy lokalizacji awarii w sieci wodociągowej przy uĪyciu sieci neuronowych. i wtedy niezbdne stan si modele nadzoru parametrów sieci wykorzystujce metody sztucznej inteligencji do kontroli jej parametrów. Inteligentny system wspomagania decyzji, wykorzystujcy matematyczne modele nadzoru sieci, znacznie lepiej od człowieka radzi sobie z przetwarzaniem ogromnej iloci informacji i wiedzy sensorycznej przychodzcej jednoczenie z wielu ródeł i w krótkich odstpach czasu. Człowiek nie jest w stanie poprawnie i dostatecznie szybko analizowa tak duej liczby danych, dlatego musi by wspomagany przez inteligentne systemy sterowania i zarzdzania sieci wodocigow. Monitoring sieci wodocigowej słuy do zbierania, archiwizacji i wizualizacji historycznych ibiecych informacji o pracy i stanie sieci. Na rys. 2 przedstawiono fragment danych wejciowych do oblicze hydraulicznych sieci wodocigowej. Z kolei na rys. 3 s pokazane dane zbierane przez punkty pomiarowe systemu monitoringu. S one wizualizowane na ekranie modelu hydraulicznego sprzgnitego z systemem monitoringu.. Rysunek 2. Fragment danych wejĞciowych do systemu detekcji awarii, opisujących wĊzły sieci.

(8) 153. Studies & Proceedings of Polish Association for Knowledge Management Nr 49, 2011. Rysunek 3. Dane przekazywane z punktów pomiarowych systemu monitoringu do modelu hydraulicznego Model hydrauliczny sieci wodocigowej o nazwie MOSUW-H opracowano w Instytucie Bada Systemowych PAN jako element zintegrowanego systemu informatycznego do kompleksowego zarzdzania miejskim systemem zaopatrzenia w wod [1]. Majc dane wartoci przepływu i cinienia wody generowane przez model hydrauliczny sieci, skalibrowany na podstawie rzeczywistych pomiarów, mona przystpi do budowy klasyfikatora w postaci sieci neuronowej, który bdzie sygnalizował wystpienie awarii w sieci wodocigowej oraz podawał jej lokalizacj. 5. Utworzenie i wybór najlepszego klasyfikatora lokalizujcego awarie w postaci rónych sieci neuronowych Modele lokalizacji awarii sieci s tworzone przy wykorzystaniu stosunkowo prostych sieci neuronowych typu MLP, RBF, Kohonena oraz hybrydowych sieci neuronowych. Sieci MLP niezmiennie s najbardziej rozpowszechnionymi i uniwersalnymi sieciami neuronowymi stosowanymi do rozwizywania rónych problemów. Sieci RBF posiadaj kilka zalet w porównaniu z sieciami typu MLP. Po pierwsze, jak ju wczeniej stwierdzono, mog one modelowa dowoln funkcj nieliniow za pomoc pojedynczej warstwy ukrytej, przez co eliminuje si konieczno podejmowania na etapie projektowania decyzji dotyczcej liczby warstw. Po drugie, prosta transformacja liniowa dokonywana w warstwie wyjciowej moe by w całoci zoptymalizowana przy uyciu tradycyjnych technik modelowania liniowego, które s szybkie i przy ich stosowaniu nie pojawiaj si takie problemy, jak minima lokalne, które wystpuj w uczeniu sieci MLP. Z tego powodu sieci RBF mog by. uczone w bardzo krótkim czasie (rónica w szybkoci uczenia dotyczy rzdów wielkoci)..

(9) 154. Izabela Rojek, Jan StudziĔski Algorytmy lokalizacji awarii w sieci wodociągowej przy uĪyciu sieci neuronowych. Samoorganizujce si mapy, zwane te sieciami Kohonena, to sieci neuronów, z którymi s stowarzyszone ich współrzdne definiowane na prostej, płaszczynie lub w dowolnej n-wymiarowej przestrzeni. Uczenie tego rodzaju sieci polega na zmianach współrzdnych neuronów tak, aby dyły one do wzorca zgodnego ze struktur analizowanych danych. Oznacza to, e sieci „rozpinaj si” wokół zbiorów danych, dopasowujc do nich swoj struktur. Hybrydowa sie neuronowa jest złoeniem prostych sieci neuronowych (rys. 4). Wejcie sieci hybrydowej zawiera wejcia poszczególnych prostych sieci neuronowych. Wyjcie modelu złoonego jest złoeniem wyj poszczególnych sieci. W prowadzonych badaniach rozpatruje si dwa rodzaje hybrydowych sieci neuronowych. W pierwszym przypadku kocowa predykcja otrzymywana jest na zasadzie głosowania (zwycizca bierze wszystko) – najliczniej reprezentowana warto jest wartoci wyjciow zespołu (zespół ze zwycizc). W drugim przypadku na sieci składowe nałoone s pewne ograniczenia. Wycie złoone składane jest w tym przypadku na poziomie neuronów wyjciowych. Zespoły tego typu uredniaj wyjcia wszystkich sieci składowych (zespół z urednieniem). Zespoły te s wanym narzdziem walki z efektem tak zwanego przeuczania sieci: poprawiaj one moliwoci generalizacyjne modelu. Urednianie predykcji otrzymywanych z sieci o rónej strukturze, inaczej uczonych, to znaczy uczonych na podstawie rónych przypadków, zmniejsza rozrzut kocowych wyników. Jest to prosta droga poprawy zdolnoci uogólniajcych. Z teorii wynika, e jako zespołu jest lepsza lub co najmniej równa redniej jakoci sieci składowych. W ramach prowadzonych bada zostały wykonane eksperymenty z jednorodn i ze zrónicowan wiarygodnoci sieci w hybrydowej sieci neuronowej. Wiarygodno zrónicowana została osignita poprzez wprowadzenie wag. Te wagi s uywane na etapach głosowania i uredniania. W ten sposób niektóre sieci neuronowe maj wikszy lub mniejszy wpływ na wynik kocowy. Wczeniejsze badania wykazały zrónicowan dokładno kadej sieci, dlatego wprowadzono zrónicowanie wanoci sieci. Wagi s dobierane w sposób eksperymentalny.. Rysunek 4. Hybrydowa sieü neuronowa Budowa hybrydowych sieci neuronowych i ich specyfika zostały szczegółowo opisane w pracy [6]. Wejciami sieci neuronowych s wartoci przepływu w rónych wzłach pomiarowych systemu monitoringu. Natomiast wyjciami sieci neuronowych s punkty na sieci wodocigowej, w których mog wystpi stany awaryjne..

(10) 155. Studies & Proceedings of Polish Association for Knowledge Management Nr 49, 2011. Klasyfikator jest tworzony według opracowanej wczeniej metodyki i umieszczony w specjalnej bazie modeli [6]. Inteligentne systemy wspomagania decyzji maj w swoim składzie baz modeli, w której przechowuj opracowane modele i informacje o modelach. Zadaniem bazy modeli jest umoliwienie uytkownikowi wykorzystania przygotowanych modeli bez ich tworzenia. Czsto baza modeli współpracuje z branow baz danych systemu GIS, co pozwala na wielokrotne wykorzystanie, nawet w rónych modelach, informacji wprowadzonych do bazy danych i w niej zapamitanych. Z baz modeli współpracuje take baza wiedzy, której zadaniem jest podpowiadanie uytkownikowi systemu komputerowego, jakich modeli powinien uy. wdanej sytuacji, lub jakie dane s mu potrzebne do aktualnych oblicze. 6. Podsumowanie Wykorzystanie metod sztucznej inteligencji, w tym sieci neuronowych, umoliwia utworzenie komputerowego systemu wspomagania decyzji, który w sposób automatyczny pozyskuje wiedz i ma właciwo adaptacji. Jest to szczególnie wane przy opracowywaniu systemu wspomagania decyzji dla złoonych systemów technicznych, w których nastpuj cigłe zmiany, jedne podprocesy zale od innych, wiele czynników zaley jeden od drugiego i kada zmiana systemu powoduje kolejne zmiany. Do takich systemów technicznych nale miejskie sieci wodocigowe. Wszystkie opisane tu algorytmy maj na razie przede wszystkim warto akademick, poniewa, jak wspomniano wczeniej, ich praktyczna realizacja wymaga dosy zaawansowanej infrastruktury informatycznej zainstalowanej na sieci wodocigowej, co w przypadku krajowych przedsibiorstw wodocigowych obecnie nie ma miejsca. Przy tym poszczególne elementy tej infrastruktury powinny ze sob cile współpracowa , co tym bardziej nie jest jeszcze praktykowane w krajowych wodocigach. Zastosowanie metod sztucznej inteligencji we wspomaganiu detekcji i lokalizacji awarii na miejskich sieciach wodocigowych wprowadza now jako do sterowania sieci wodocigow oraz moe sta si podstaw algorytmizacji nowych systemów zarzdzania miejskimi systemami zaopatrzenia w wod, zwanych „systemami inteligentnymi”.. Bibliografia. [1] Studziski J., Bogdan L.: Informatyczny system wspomagania decyzji do zarządzania, stero-. [2] [3] [4]. wania operacyjnego i planowania miejskiego systemu wodno-Ğciekowego. W: Studziski J., Drelichowski L., Hryniewicz O. (Red.): Rozwój i zastosowania metod ilociowych i technik informatycznych wspomagajcych procesy decyzyjne, IBS PAN, Seria Badania Systemowe 49, Warszawa 2006. Studziski J.: Innowacje XXI wieku – nowoczesne techniki informacyjne wspomagania zarządzania w przedsiĊbiorstwach sieciowych. W: Innowacyjne Mazowsze (A. Straszak, red.) Wyd. SWPW w Płocku, Płock 2010. Farmani R., Ingeduld P., Savic D., Walters G., Svitak Z., Berka J.: Real-time modeling of a major water supply system. International Conference on Computing and Control for the Water Industry, No8, Exeter, ROYAUME-UNI, vol. 160, no 2, 103–108, 2007. Studziski J.: Zastosowanie danych z monitoringu w systemie zarządzania miejską siecią wodociągową. Studia i Materiały Polskiego Stowarzyszenia Zarzdzania Wiedz, Tom 8, Bydgoszcz 2007, 154–164..

(11) 156. Izabela Rojek, Jan StudziĔski Algorytmy lokalizacji awarii w sieci wodociągowej przy uĪyciu sieci neuronowych. [5] Straubel R., Holznagel B.: Mehrkriteriale Optimierung fuer Palnung und Steuerung von Trink- und Abwasser-Verbundsystemen. Wasser•Abwasser, 140, Nr. 3, 1999, 191–196.. [6] Rojek I., Wspomaganie procesów podejmowania decyzji i sterowania w systemach. o róĪnej skali złoĪonoĞci z udziałem metod sztucznej inteligencji. Wyd. Uniwersytetu Kazimierza Wielkiego, 212 stron, Bydgoszcz 2010. Praca wykonana w ramach projektu rozwojowego MNiSW nr NR 14-001110/2010.. FAILURES LOCATION ALGORITHMS FOR WATER-SUPPLY NETWORK BY USE THE NEURAL NETWORKS Summary The failures location algorithms for water-supply network by use the neural networks were presented in the article. The algorithms have to be the part of monitoring and management system of water-supply network. The present utilization of the monitoring systems does not answer their possibilities. At present the monitoring systems provide as autonomic programs to gathering the information about flows and pressures of water in source pumping stations, the zone of hydrophore stations and the pipes of water-supply network, giving general knowledge about state of her work, when simultaneously they can and should be used as elements of systems of network management, in this particularly in the range of detection and location of water leakages. The models of network failure location are created relatively by use simple neural networks in the form of MLP, RBF, Kohonen networks and hybrid neural networks. Keywords: water-supply network, network hydraulic model, detection and location of water leakage, neural networks. Izabela Rojek Uniwersytet Kazimierza Wielkiego Instytut Mechaniki i Informatyki Stosowanej ul. Chodkiewicza 30, 85-064 Bydgoszcz e-mail: izarojek@ukw.edu.pl Jan Studziski Instytut Bada Systemowych PAN ul. Newelska 6, 01-447 Warszawa email: Jan.Studzinski@ibspan.waw.pl.

(12)