AI-modell för läckage fungerar
Publicerad: 2 februari, 2022
Bild: Johanna Sörensen
Under två år drevs projektet ”Ordning i rörANN” med syfte att ta fram en modell för att kunna förutsäga var läckor kan uppstå och åtgärda dem innan akuta läckage uppstår. När forskarna nu följt upp data från nya läckor visar det sig att förutsägelserna stämmer väldigt bra.
Det var under Svenskt Vattens senaste Rörnät och Klimat- konferens som Johanna Sörensen, Biträdande lektor vid Avdelningen för teknisk vattenresurslära på Lunds universitet, beskrev både hur projektet bedrivits och vad uppföljningen av data från läckor som uppstått efter projektet hade visat.
- De resultat vi fick fram var naturligtvis mycket glädjande, det är alltid bra när en modell man arbetat fram visar sig fungera även i verkligheten.
Projektet har fokuserat på dricksvattenledningar då 15–20 procent av dricksvattnet i Sverige går till spillo genom läckage, vilket belastar både miljö och ekonomi men också är högst relevant för samhällets sårbarhet. Att hitta, laga och förebygga läckor på ledningsnätet är av stor vikt för hela VA-branschen.
Använder artificiella neurala nätverk (ANN)
Projektet ”Ordning i rörANN” baseras på det arbete Stockholm Vatten och Avlopp (SVOA) redan hade gjort i att ta fram en ANN-modell för att uppskatta sannolikhet för läckage på vattenledningar.
- Modellen analyserar data genom ett artificiellt neuralt nätverk (ANN) och nyttjar data om själva ledningen som nätägaren redan har samlat in såsom material, anläggningsår, trycknivåer osv, eller attribut i omgivningen som finns tillgängligt hos andra dataägare jordart, trafiklaster, demografi, etc. Utifrån den analysen beräknar sedan modellen ett så kallat prediktionsvärde för läckage i varje ledning genom att leta samband mellan attributen och förekomsten av registrerade läckor.
Kopplar ihop med konsekvenser
I ”Ordning i rörANN” har forskarna kombinerat ANN-modellen med en modell för konsekvensbedömning för att därigenom kunna rangordna de mest prioriterade ledningarna utifrån hur stora riskerna är med ett läckage just där.
- En anledning till att vi jobbar med den här typen av modeller är för att underlätta för ledningsnätsägare att jobba mer proaktivt. För även om det finns en del som kommit långt i att jobba mer förebyggande finns det fortfarande många som jobbar reaktivt och mest bara åker ut och lagar de läckor som uppstår. I och med att dessa modeller nu tas fram hoppas vi att fler kan börja jobba med underhållet innan läckor sker, förklarar Johanna Sörensen.
Då modellen kan hjälpa dem att förutsäga var läckor mest troligt kan uppstå får ledningsnätsägare hjälp i de prioriteringar de behöva göra, för man kan ju inte åtgärda allt samtidigt.
- Exempel på mer kritiska områden som kan behöva prioriteras är där det finns verksamheter som är viktiga för samhällets grundfunktioner, som sjukhus. Genom kopplingen mellan sannolikhet för läckor och konsekvensbedömning tror vi att ledningsnätsägare kan utveckla strategier för sitt underhållsarbete, där modellen vi jobbar med kan ses som ett första steg i det förebyggande underhållet.
Fyra viktiga attribut
Under projektets gång fick de hjälp av en ex-jobbare som med hjälp av två andra algoritmer utvärderade vilka attribut, som material, jordart, tryck etc, som var mest viktiga för att ANN-modellen skulle ge så korrekta förutsägelser som möjligt.
- Det visade sig att det framför allt är ledningens ålder, materialet den består av, närhet till annan ledning med rapporterad läcka och längden på ledningen som är avgörande för risken för läckage. Att de blev just de fyra kan möjligen bero på att där hade vi mest tydliga data, tryck kan exempelvis vara svårt att mäta specifikt. Men när vi följt upp modellens sannolikheter med verkliga läckor efter projektets slut så har det visat sig att dessa fyra attribut uppenbarligen ger en mycket bra prediktion för var läckor kommer uppstå.
Stämmer bra med verkligheten
Projektet använde data från Stockholm, Umeå, Göteborg och Malmö och vid uppföljningen visade det sig alltså att modellen kunnat göra förutsägelser som stämde väl med verkligheten. De har delat upp modellresultaten i tio respektive tjugo prediktionsgrupper. Värdena går från 0 till 1 där ledningar med högt värde mest liknar ledningar med historiskt rapporterade läckor, de tre grupperna med högst sannolikhet för läckor har sannolikheterna P=0,9-1,0, P=0,8-0,9 och P=0,7-0,8
- När vi jämförde data på var sannolikheten var högst för nya läckor med de verkliga resultaten så följde de prediktionen väldigt bra. Områden med störst sannolikhet hade också haft flest läckor, konstaterar Johanna Sörensen.
Projektet ”Ordning i rörANN” gjordes på dricksvattenledningar men SVOA är nu i färd med att testa även på avloppsvattenledningar.
- Det är samma principer som används, men i stället för att använda data från tidigare läckor så använder de data från genomförda TV-inspektioner och gör sedan motsvarande analyser.
Johanna Sörensens presentation på Rörnät och Klimat 2022 återfinns på: https://www.trippus.se/eventus/userfiles/169767.pdf