Big Data Analytics의 사용은 예측하고 배수 시스템 실패를 관리합니다.

소개: 더 똑똑한 배수 관리를 위한 성장하는 불완전한

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

배수 관리에 대한 빅데이터의 역할

이 기능은 데이터 수집 및 분석에 대한 데이터 수집을 통해 데이터 수집 및 저장을 수행하는 데 사용됩니다. 이 데이터는 데이터 수집 및 사용 및 사용 및 사용 및 사용 및 사용 및 사용 및 사용 및 사용 및 사용 및 사용 및 사용 및 사용 및 사용 및 사용 및 사용 및 사용의 제한을 포함합니다. 이 데이터는 데이터 수집 및 사용 및 사용 및 사용 및 사용의 제한을 포함합니다. 이 데이터는 데이터 수집 및 분석, 사용 및 사용 및 사용 및 사용의 제한을 포함합니다.

데이터 소스 및 컬렉션

현대 배수 시스템은 점점 것들의 인터넷 (IoT) 장치로 계측됩니다. 주요 데이터 소스는 다음과 같습니다.

In-pipe sensor 측정 유량, 수위, 압력, 그리고 turbidity, 종종 중요한 접합 또는 알려진 문제의 장소에 배치.
Rain 게이지와 날씨 레이더는 고해상도의 강수량 데이터를 제공, 역사적이고 실시간, 폭풍 이벤트를 이해하기 위해 필수적입니다.
Supervisory Control and Data Acquisition (SCADA) 시스템 펌프 상태, 밸브 위치 및 네트워크의 스토리지 탱크 수준 캡쳐.
효능 유지 보수 로그 과거의 차단, 붕괴, 수리, CCTV 검사 영상의 기록 포함.
GIS layer 파이프 재료, 나이, 직경, 사면, 토양 유형 및 토지 사용 특성과 같은.
소셜 미디어 및 시민 보고서 (예:311 통화, 홍수 보고서) 현지화, 지상에 놓는 센서 관측을 할 수있는 데이터 제공.

이 데이터를 스케일로 수집하면 셀룰러, LoRaWAN, 또는 메쉬 네트워크를 사용하여 강력한 원격 측정 인프라가 필요합니다. 전형적인 중형 도시는 하루 수백만의 독서를 생성 할 수 있으며 클라우드 기반 또는 Edge-computing 스토리지 및 처리 플랫폼에 필요했습니다.

Predictive Analytics 기술

데이터가 집계되면, 여러 분석 접근법은 실패를 예측하는 데 사용됩니다.

Machine Learning Models: 임의 숲, 그라디언트 부스트링(XGBoost), 긴 단기 기억(LSTM) 신경 네트워크는 센서와 기상 입력과 결합된 과거 실패 데이터에 훈련됩니다. 예를 들어, ] 물 (MDPI) 에 출판된 연구는 LSTM 모델을 사용하여 85% 이상의 온도를 가진 데이터 유출을 예측합니다.
Statistical Anomaly Detection: 제어 차트 방법(예: CUSUM, Shewhart) 및 이동 창 통계는 턴을 선사하는 흐름 또는 압력에서 급격한 편차를 식별합니다. 이들은 비교적 가볍고 가장자리 장치에 실시간에서 실행할 수 있습니다.
Hydraulic Simulation Models: EPA SWMM (Storm Water Management Model) 및 InfoWorks ICM과 같은 상용 도구는 다른 폭풍 시나리오에서 시스템 행동 예측을 위한 기계 학습과 결합됩니다. "Digital Twin" 구현은 실시간 센서 데이터를 시뮬레이션 엔진과 결합하여 실시간 작동 중단 없이 잠재적인 실패의 영향을 평가합니다.
Approaches: 합성 실패 시나리오와 기계 학습을 생성하기 위해 여러 기술을 활용한 많은 유틸리티는 단일 방법보다 높은 리콜을 실현하는 실제 데이터의 서명을 인식하기 위해 합성 실패 시나리오와 기계 학습을 생성합니다.

이 기술은 당국이 "임시에 고정"에서 "정확하고 방지"로 이동하여 비상 트럭 롤을 줄이고 홍수 위험을 감수 할 수 있습니다.

Big Data Analytics를 활용한 이점

큰 데이터 분석의 배포는 운영, 금융, 공공 안전 차원의 전체적인 개선을 제공합니다.

문제의 조기 탐지

유량 및 압력에 대한 패턴 분석함으로써 알고리즘은 그리스, 파편 또는 파이프 백업 전에 루트 침입 주에서 블록을 감지 할 수 있습니다. 예를 들어, 남쪽 벤드, 인디애나의 도시, 기계 학습과 결합 된 하수구 오버플로 (CSOs)을 50 %로 단축하는 기계 학습과 결합 된 스마트 하수구 센서를 배치했습니다. 시스템은 필터 및 유입 (I / I)를 나타내는 건조 - 날씨 흐름을 확인했습니다. 대상 재활을 허용.

비용 절감

예측 유지 보수는 극적으로 수명주기 비용을 낮춥니 다. 비상 수리는 계획 된 교체보다 3 ~ 5 배 더 많은 비용을 할 수 있습니다. 물 연구 재단의 보고서는 예측 분석이 연간 작동 및 유지 보수 비용을 20 ~ 30 % 감소하는 것으로 나타났습니다. 영국에서는 Thames Water는 높은 위험 관 세그먼트를 우선적으로 처리하여 2 년 동안 긴급 수리 비용으로 £ 10 백만을 피하는 예측 분석 프로그램을 구현했습니다.

안전 및 감소된 홍수 위험

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

향상된 결정-Making 및 자본 계획

데이터 중심 인사이트는 자본 투자를 우선적으로 하는 데 도움이 됩니다. 혼자 파이프 나이에 의존하는 대신 (조건의 가난한 예측자), 센서 데이터, 역사적인 실패, 환경 요인에 따라 위험 점수는 다음 실패 할 가능성이 파이프에 유틸리티를 지적. 이 접근 방식은 종종 "리스크 기반 자산 관리"라고 불리며, "]Capacity, Management, Operation, Maintenance and Maintenance [CM]]]를 통해 미국 EPA에 의해 종료됩니다.

도전과 미래 방향

이 웹 사이트는 애플 리케이션에 전념. 우리는 정품 앱과 게임을 제공 할 목적으로이 사이트를 만들었습니다. 4AppsApk 최고의 안드로이드 애플 리케이션을위한 무료 APK 파일 다운로드 서비스, 계략.

데이터 품질 및 통합

센서 편류, 통신 낙하, 및 인접 데이터 형식은 많은 구현을 plague. Clean, labeled historical failure data is often scarce-many utilities 부족은 과거 사건의 기록. Poor 데이터 품질은 가난한 모델로 리드, "가방에 쓰레기"라고 알려진 현상. 표준화 된 데이터 스키마 (예 :, WaterML 또는 CityGML) 및 자동화 검증 일상은 중요합니다.

인프라 비용 및 Cybersecurity

대형 네트워크의 IoT 센서를 배포하면 자본 투자가 필요합니다. 단일 유량계는 설치 한 $ 5,000-$15,000을 비용이 들 수 있으며 수천이 필요할 수 있습니다. 또한, 배수 자산을 인터넷에 연결하여 사이버 보안 위험을 소개합니다. 악의적 인 배우는 센서 데이터 또는 원격 제어 펌프를 조작 할 수 있으며 의도적 홍수를 유발합니다. 로버스트 암호화, 네트워크 세그먼트 및 보안 펌웨어 업데이트는 비 협상이 불가능합니다.

인력 기술갭

전통적인 물 유틸리티 직원은 종종 민간 엔지니어 또는 제한된 데이터 과학 교육과 운영자입니다. 간행적으로 데이터 과학자는 수생물과 하수구 유압에 대한 도메인 지식을 부족할 수 있습니다. 교차 훈련 프로그램 및 학술 기관과 파트너십 (예 : [[FLT : 0]]IWA의 수생 작업 그룹을위한 빅 데이터 [[FLT : 1))은이 간격을 돕지만 채택은 느립니다.

미래 지향

혁신의 다음 파는 다음과 같습니다 :

Edge computing는, 센서 데이터를 로컬로 처리하여 대기시간과 대역폭 비용을 절감하고, 원격 영역에서 실시간 알림을 가능하게 합니다.
AI-driven real-time control] 자동 게이트와 펌프가 예측 모델에 따라 조정되는 곳에 Milwaukee와 Atlanta의 “스마트 하수구” 프로젝트에서 조종했습니다.
디지털 트윈는 실시간 데이터로 지속적으로 업데이트되며, 100년 폭풍이나 파이프 붕괴와 같은 시나리오를 시뮬레이션할 수 있도록 작업자가 응답 계획을 최적화합니다.
Federated Learning는 민감한 데이터를 공유하지 않고 여러 유틸리티를 통해 모델을 훈련하기 위해, 개인 정보 보호 정책을 통해 모델 정확도를 가속화합니다.

기술 성숙과 비용 감소로, 큰 데이터 분석 실험보다 표준 연습이 될 것입니다. 조기 채택자는 이미 안전과 금융 보상을 넓히고, 현대화하는 압력은 기후 위험이 감소함에 따라 성장할 것입니다.