ビッグデータ分析による排水システム障害予測と管理

はじめに:よりスマートな排水管理のための成長する衝動

アーバン・サイクル・ドレンダシステムは、現代の都市のサイレント・バックボーンであり、ストリート、ホーム、および重要なインフラから離れたストームウォーターをチャネル化して取り組んでいます。気候変動が降雨イベントと都市人口の膨らみを増大するにつれて、これらのエイジング・ネットワークは、かつてないストレスに直面しています。米国でのフラッディング・イベントは、毎年数十億ドルの被害を引き起こし、自治体の排水の故障は緊急修理、プロパティの損失、および公共の衛生に関する記事に寄与しています。従来のリダクションは、もはや、データが故障を予測し、そのデータを修復し、再構築する可能性が予測します。

排水管理におけるビッグデータの役割

排水管理におけるビッグデータ分析は、センサー、気象サービス、地理情報システム(GIS)、および、自然に隠されるパターンを明らかにする過去の記録から、大規模で均質なデータセットを統合するという単純な監視を超えたことではありません。機械学習アルゴリズムとシミュレーションモデルを通じてこれらのデータを処理することにより、ユーティリティオペレータは、異常、予測パイプブロック、または崩壊を検出し、資源を積極的に割り当てることができます。この機能の基礎は、堅牢なデータ収集と高度な分析技術にあります。

データのソースとコレクション

現代の排水システムは、IoT(モノ)デバイス(インターネット)でますますます機器を計測しています。主なデータソースには、以下が含まれます。

[]インパイプセンサ]]は、流量、水位、圧力、濁度を測定し、重要な接合や既知のトラブルスポットで頻繁に配置します。
レインゲージと気象レーダー[は、高解像予測データ、歴史と実時間の両方を提供し、嵐の出来事を理解するために不可欠です。
[]スーパーバイザー制御とデータ取得(SCADA)システム[]]ポンプの状態、バルブ位置、およびネットワーク全体のタンクレベルをキャプチャします。
]過去のブロック、崩壊、修理、CCTV検査映像の記録を含む、組織的なメンテナンスログ[。
GISレイヤー]パイプ材料、年齢、直径、斜面、土壌タイプ、土地利用特性など。
[ソーシャルメディアと市民レポート](例えば、311呼び出し、洪水レポート)は、増減センサーの観察が可能な局所的な、地上のデータを提供している。

このデータをスケールで収集するには、しばしばセルラー、LoRaWAN、またはメッシュネットワークを使用して、堅牢なテレメトリーインフラストラクチャが必要です。典型的な中規模の都市は、1日あたりの読書数が数千個、クラウドベースのまたはエッジコンピューティングストレージと処理プラットフォームが必要である可能性があります。

予測分析技術

データを集計すると、いくつかの分析アプローチが失敗を予測するために使われます。

[]機械学習モデル:]ランダムな森、勾配のブースティング(XGBoost)、および長期短期記憶(LSTM)ニューラルネットワークなどのアルゴリズムは、センサーと気象入力と組み合わせた歴史上の障害データに訓練されます。例えば、水(MDPI)で使用されるLSTMモデルは、雨降水量と降水量を予測するために、雨量と降水量を予測するために、LSTMモデルを使用することができます。
[統計的異常検知:[制御チャートメソッド(例、CUSUM、Shewhart)と移動窓統計は、フローや崩壊を前回する圧力の突然の偏差を特定します。これらは、計算的に軽量で、リアルタイムでエッジデバイス上で実行できます。
[流体シミュレーションモデル:] EPA SWMM(Storm Water Management Model)と、インフォワークスICMなどの商用ツールは、さまざまな嵐のシナリオの下でシステム動作を予測するために機械学習と組み合わせています。「デジタルツイン」の実装は、リアルタイムセンサーデータをシミュレーションエンジンと組み合わせて、ライブ操作を中断することなく潜在的な故障の影響を評価することができます。
アプローチを組み立てる:[]]]多くのユーティリティは、シミュレーションを使用して、任意の単一方法よりも高いリコールを達成し、実際のデータで自分の署名を認識するための合成障害シナリオと機械学習を生成します。

緊急トラックロールの低減や洪水リスクの軽減など、当局は「故障の修正」から「予知と予防」に移行することを可能にします。

ビッグデータ分析の活用

大規模データ分析の展開により、運用、財務、公共安全の寸法を横断した収益性の高い改善を実現します。

早期の問題の検出

フローと圧力のパターンを分析することにより、アルゴリズムは、パイプがバックアップする前にグリース、破片、または根本的な侵入週から形成される遮断を検出することができます。例えば、南ベンド、インディアナ、デプロイされたスマート下水道センサーと機械学習と組み合わせて、最初の操作で結合した下水道流(CSO)を50%削減することができます。システムは、浸入および流(I/I)を示したドライウェザーフローを識別し、ターゲットをリハビリテーションできるようにしました。

コスト節約

予測メンテナンスは、ライフサイクルコストを劇的に低下させます。緊急修理は、予定された交換よりも3〜5倍の費用を削減することができます。ウォーターリサーチ財団による報告書は、予測分析によるユーティリティが、予測分析による年間運用とメンテナンスコストを20〜30%削減したことがわかりました。英国では、タメス水は、高リスクパイプセグメントを優先することにより、緊急修理コストで10万ポンドを削減した予測分析プログラムを実施しました。

安全・安心・安全・耐水リスクの低減

洪水は、破壊的だけでなく、危険なだけでなく、ドローイング、水上性疾患の発生、および構造的損傷を引き起こします。大きなデータを使用して早期警告システムは、障壁、ポンプ、または一時的な街路閉鎖のタイムリーな展開を可能にします。コペンハーゲン市は、リアルタイムの降雨予測と油圧モデルを使用して、保持盆地の過度に低水レベルを低下させ、極端な嵐中に40%による地下水量を削減します。

意思決定の拡大と資本計画の強化

データの主導的な洞察は、資本投資を優先するユーティリティを支援します。単独でパイプ年齢に依存する代わりに(条件の悪い予測者です)、センサーデータ、歴史的障害、および環境要因に基づいてリスクスコアは、次の失敗する可能性が最も有利なパイプにユーティリティを指しています。このアプローチは、多くの場合、「リスクベースの資産管理」と呼ばれ、その]を介して米国EPAによって支持されています。 [容量、管理、運用、および操作、および(RM [1][F]]][F]]]][FLT]]]を介して。

チャレンジと未来の方向性

約束にもかかわらず、大きなデータ分析を排水管理に統合することはハードルなしではいません。これらの課題は、完全な潜在能力を実現するために対処しなければなりません。

データ品質と統合

センサーのドリフト、通信のドロップアウト、および矛盾するデータフォーマットは、多くの実装を悩まします。クリーンでラベル付きの履歴障害データは、多くの場合、過去のイベントの数字化されたレコードが欠如する、希少です。貧しいデータ品質は、貧しいモデルにつながり、 "ゴミ出し"と呼ばれる現象を引き起こします。標準化されたデータスキーマ(例えば、WaterMLまたはCityGML)と自動検証ルーチンは重要です。

インフラコストとサイバーセキュリティ

大規模なネットワーク上でIoTセンサーをデプロイするには、資本投資が必要です。単一のフローメータは、$5,000〜$15,000をインストールし、数千人が必要とする場合があります。さらに、インターネットに接続することで、排水資産がサイバーセキュリティリスクを導入しています。悪意のある俳優は、センサーデータを操作したり、リモートで制御したり、意図的な洪水を引き起こしたりすることができます。強力な暗号化、ネットワークのセグメンテーション、および安全なファームウェアのアップデートは、非交渉可能です。

労働力スキルギャップ

従来の水ユーティリティのスタッフは、限られたデータサイエンスの訓練を持つ市民エンジニアやオペレータがよくあります。逆に、データサイエンティストは、水力学と下水道水力学に関するドメイン知識が不足しているかもしれません。教育プログラムと学術機関とのパートナーシップを横断的に行う(例えば、]])、水ユーティリティワーキンググループのためのIWAのビッグデータが、このギャップを埋めるのに役立ちますが、採用は遅くなります。

今後の方向性

イノベーションの次の波が現れます。

エッジコンピューティング]]は、センサーデータをローカルで処理し、レイテンシと帯域幅のコストを削減し、リモートエリアでもリアルタイムアラートを有効にします。
[]AI主導リアルタイム制御[。自動ゲートとポンプは予測モデルに基づいて調整され、ミルウォーキーとアトランタの「スマートセーター」プロジェクトで操縦しました。
デジタルツイン]は、継続的にライブデータで更新し、オペレータが100年嵐やパイプ崩壊のような「何」シナリオをシミュレートし、応答計画を最適化することができます。
階層学習] は、機密データを共有することなく複数のユーティリティを横断するモデルを訓練し、プライバシーを保護しながらモデルの精度を加速します。

技術の成熟とコストの低下として、実験的ではなく、ビッグデータ分析が標準的慣行になります。初期の採用担当者は既に安全と財務報酬を享受しており、近代化への圧力は気候リスクが強化されるためだけ成長します。

コンテンツ

アーバン排水システムは、反応的に管理するために、はるかに重要ではありません。ビッグデータ分析は、洪水を減らし、お金を節約し、コミュニティを保護するために、障害を予測し、防止するための明確なパスを提供します。IoTセンサーと機械学習モデルからデジタルツインやリスクベースの資産管理まで、今日のツールが利用できます。データインフラストラクチャに投資する自治体は、クロス機能的なチームを構築し、将来の嵐を処理するための予測方法がより優れています。「障害の修正」から、および「都市のアップグレード」は、私たちにとっては、どのように変化するのか、そして、私たちはどのように変化するのかを防止します。