DOI:

https://doi.org/10.14483/23448350.18275

Publicado:

2021-12-28

Número:

Vol. 43 Núm. 1 (2022): Enero-Abril 2022

Sección:

Ingeniería y Tecnología

Estimación de fugas en tuberías a presión para sistemas de agua potable mediante redes neuronales artificiales y Epanet

Leak Estimation in Pressure Pipes for Drinking Water Systems through Artificial Neuronal Networks and Epanet

Autores/as

  • Edgar-Orlando Ladino-Moreno Universidad Distrital Francisco José de Caldas
  • César-Augusto García-Ubaque Universidad Distrital Francisco José de Caldas http://orcid.org/0000-0002-6959-6610
  • María-Camila García-Vaca Universidad Católica de Colombia

Palabras clave:

artificial neural network, drinking water, leakage, Levenberg-Marquardt, water resources management (en).

Palabras clave:

agua potable, fugas, gestión de los recursos hídricos, Levenberg-Marquardt, red neuronal artificial (es).

Descargas

Resumen (es)

Este trabajo trata de la estimación de una fuga para un sistema de tubería principal sin ramificaciones. Se propone un algoritmo y una red neuronal con cuatro variables de entrada, una capa oculta con 25 neuronas y tres variables de salida. La obtención de los datos se realizó mediante un bucle anidado en Visual Basic (Excel®) estableciendo 35.837 escenarios de fuga para una tubería de 30 m que conduce agua con viscosidad cinemática de 0,000001 (m2/s), un diámetro igual a 0,15222 m, rugosidad de 0,0000015 m, pérdida de carga de 3,5 m y dos accesorios (k1, k2) que suma 1,5. Se instalaron en el sistema hidráulico dos caudalímetros y dos manómetros virtuales al inicio y al final de la tubería. Asimismo, se utiliza Epanet® e Hydroflo® (Tahoe Design Software) para estructurar el modelo hidráulico y validar los datos iniciales. Se utilizó MatLab R2021a para analizar los algoritmos de aprendizaje de retropropagación y regularización bayesiana, adoptando la función de transferencia log sigmoide. Como función de control se implementó el error medio cuadrático y el coeficiente de determinación R2. El modelo neuronal obtenido presentó un error medio cuadrático de 1,44E-06 y un error relativo igual a 0,0055 % para los datos de entrenamiento. La validación cruzada de la red neuronal se realizó a partir de 5.973 datos de entrada independientes.

Resumen (en)

This work deals with the estimation of a leak for a main pipe system without branches. An algorithm and a neural network with 4 input variables are proposed, a hidden layer with 25 neurons and 3 output variables. The data was obtained through a nested loop in Visual Basic (Excel®) establishing 35,837 leak scenarios for a 30 m pipe that conducts water with a kinematic viscosity of 0.000001 (m2/s), a diameter equal to 0.15222 m, roughness of 0.0000015 m, pressure drop of 3.5 m and two accessories (k1, k2) that add up to 1.5. Two flowmeters and two virtual pressure gauges were installed in the hydraulic system at the beginning and end of the pipeline. Also, Epanet® and Hydroflo® (Tahoe Design Software) are used to structure the hydraulic model and validate the initial data. Matlab R2021a was used to analyze the Backpropagation and Bayesian Regularization learning algorithms adopting the log sigmoid transfer function. The mean square error and the coefficient of determination R2 were implemented as a control function. The neural model obtained presented a mean square error of 1.44E-06 and a relative error equal to 0.0055% for the training data. The cross-validation of the neural network was carried out from 5,973 independent input data.

Referencias

Bishop, C. (2005). Neural Networks for Pattern Recognition. Oxford University Press.

Bohórquez, J., Alexander, B., Simpson, A., Lambert, M. (2020). Leak detection and topology identification in pipelines using fluid transients and artificial neural networks. Journal of Water Resources Plannign and Management, 146(6), e0001187. https://doi.org/10.1061/(ASCE)WR.1943-5452.0001187

Burton R. T., Ukrainetz, P. R., Nikiforuk, P. N., Schoenau, G. J. (1999). Neural networks and hydraulic control—from simple to complex applications. En Proceedings of the Institution of Mechanical Engineers, Part I: Journal of Systems and Control Engineering. https://doi.org/10.1243/0959651991540205

Caputo, A., Pelagagge, P. (2003). Using neural networks to monitor piping systems. Process Safety Progress, 22(2), 119-127. https://doi.org/10.1002/prs.680220208

Fan, X., Zhang, X., Yu, X. (2021). Machine learning model and strategy for fast and accurate detection of leaks in water supply network. Journal of Infrastructure Preservation and Resilience, 2, e10. https://doi.org/10.1186/s43065-021-00021-6

Foresee, F., Hagan, M. (1997). Gauss-Newton approximation to Bayesian learning. En Proceedings of International Conference on Neural Networks (ICNN'97)

Gupta, K., Kishore, K., Jain, S. (2017). Modeling and simulation of CEERI’s Water distribution network to detect leakage using HLR approach. En 6th International Conference on Reliability, Infocom Technologies and Optimization. https://doi.org/10.1109/ICRITO.2017.8342440

Jasper, M., Mahinthakumar, G., Ranjithan, S., Brill, E. (2013). Leak detection in water distribution systems using the dividing rectangles (DIRECT) search. En World Environmental and Water Resources Congress. https://doi.org/10.1061/9780784412947.078

Lambert, A., Fantozzi, M., Shepherd, M. (2017). Pressure: Leak flow rates using FAVAD: An improved fast-track practitioner’s approach. En CCWi2017: Computing and Control in the Water Industry

Lu, H., Iseley, T., Behbahani, S., Fu, L. (2020). Leakage detection techniques for oil and gas pipelines: State-of-the-art. Tunnelling and Underground Space Technology, 98, e103249. https://doi.org/10.1016/j.tust.2019.103249

Mashford, J., De Silva, D., Marney, D., Burn, S. (2009). An approach to leak detection in pipe networks using analysis of monitored pressure values by support vector machine. En Third International Conference on Network and System Security. https://doi.org/10.1109/NSS.2009.38

Rojas, J., Verde, C., Torres, L. (2021). Estimation of hydraulic gradient for a transport pipeline. Journal of Pressure Vessel Technology, 143(3), e031801. https://doi.org/10.1115/1.4048322

Rojek, I., Studzinski, J. (2019). Detection and localization of water leaks in water nets supported by an ICT system with artificial intelligence methods as away forward for smart cities. Sustainability, 11(2), e518. https://doi.org/10.3390/su11020518

Sabu, S., Mahinthakumar, G., Ranjithan, R., Levis, J., Brill, D. (2021). Water leakage detection using neural networks. En World Environmental and Water Resources Congress 2021: Planning a Resilient Future along America’s Freshwaters. https://doi.org/10.1061/9780784483466.096

Simpson, P. (1991). Artificial Neural Systems: Foundations, Paradigms, Applications, and Implementations. McGraw-Hill

Cómo citar

APA

Ladino-Moreno, E.-O., García-Ubaque, C.-A., & García-Vaca, M.-C. (2021). Estimación de fugas en tuberías a presión para sistemas de agua potable mediante redes neuronales artificiales y Epanet. Revista Científica, 43(1), 2–19. https://doi.org/10.14483/23448350.18275

ACM

[1]
Ladino-Moreno, E.-O., García-Ubaque, C.-A. y García-Vaca, M.-C. 2021. Estimación de fugas en tuberías a presión para sistemas de agua potable mediante redes neuronales artificiales y Epanet. Revista Científica. 43, 1 (dic. 2021), 2–19. DOI:https://doi.org/10.14483/23448350.18275.

ACS

(1)
Ladino-Moreno, E.-O.; García-Ubaque, C.-A.; García-Vaca, M.-C. Estimación de fugas en tuberías a presión para sistemas de agua potable mediante redes neuronales artificiales y Epanet. Rev. Cient. 2021, 43, 2-19.

ABNT

LADINO-MORENO, E.-O.; GARCÍA-UBAQUE, C.-A.; GARCÍA-VACA, M.-C. Estimación de fugas en tuberías a presión para sistemas de agua potable mediante redes neuronales artificiales y Epanet. Revista Científica, [S. l.], v. 43, n. 1, p. 2–19, 2021. DOI: 10.14483/23448350.18275. Disponível em: https://revistas.udistrital.edu.co/index.php/revcie/article/view/18275. Acesso em: 20 ene. 2022.

Chicago

Ladino-Moreno, Edgar-Orlando, César-Augusto García-Ubaque, y María-Camila García-Vaca. 2021. «Estimación de fugas en tuberías a presión para sistemas de agua potable mediante redes neuronales artificiales y Epanet». Revista Científica 43 (1):2-19. https://doi.org/10.14483/23448350.18275.

Harvard

Ladino-Moreno, E.-O., García-Ubaque, C.-A. y García-Vaca, M.-C. (2021) «Estimación de fugas en tuberías a presión para sistemas de agua potable mediante redes neuronales artificiales y Epanet», Revista Científica, 43(1), pp. 2–19. doi: 10.14483/23448350.18275.

IEEE

[1]
E.-O. Ladino-Moreno, C.-A. García-Ubaque, y M.-C. García-Vaca, «Estimación de fugas en tuberías a presión para sistemas de agua potable mediante redes neuronales artificiales y Epanet», Rev. Cient., vol. 43, n.º 1, pp. 2–19, dic. 2021.

MLA

Ladino-Moreno, E.-O., C.-A. García-Ubaque, y M.-C. García-Vaca. «Estimación de fugas en tuberías a presión para sistemas de agua potable mediante redes neuronales artificiales y Epanet». Revista Científica, vol. 43, n.º 1, diciembre de 2021, pp. 2-19, doi:10.14483/23448350.18275.

Turabian

Ladino-Moreno, Edgar-Orlando, César-Augusto García-Ubaque, y María-Camila García-Vaca. «Estimación de fugas en tuberías a presión para sistemas de agua potable mediante redes neuronales artificiales y Epanet». Revista Científica 43, no. 1 (diciembre 28, 2021): 2–19. Accedido enero 20, 2022. https://revistas.udistrital.edu.co/index.php/revcie/article/view/18275.

Vancouver

1.
Ladino-Moreno E-O, García-Ubaque C-A, García-Vaca M-C. Estimación de fugas en tuberías a presión para sistemas de agua potable mediante redes neuronales artificiales y Epanet. Rev. Cient. [Internet]. 28 de diciembre de 2021 [citado 20 de enero de 2022];43(1):2-19. Disponible en: https://revistas.udistrital.edu.co/index.php/revcie/article/view/18275

Descargar cita

Visitas

8

Dimensions


PlumX


Descargas

Los datos de descargas todavía no están disponibles.