engleski

Parameters for detection and location of pipe burst in water supply system

U radu je istražena mogućnost detekcije i lociranja puknuća cijevi unutar izoliranog dijela sustava vodoopskrbe na temelju poznavanja vrijednosti četiri parametra. Ti parametri bili su jedna veličina protoka mjerena na ulazu u sustav, te tri veličine tlaka mjerene na različitim lokacijama unutar sustava. Izmjerene vrijednosti sva četiri parametra su prikupljane i bilježene kontinuirano u vremenu. Za istraživanje su korišteni podaci o vrijednostima veličina protoka i tlaka po satima i danima u vremenskom razdoblju od jedne godine, na način da su hidrauličkim modelom simulirana hidraulička stanja sa i bez puknuća cjevovoda s različitim protocima curenja. Ovi podaci su korišteni kao ulazi u neuronske mreže, dok je primarno kao izlazna veličina razmatrano stanje puknuća, a sekundarno su, ukoliko je puknuće nastalo, izlazne veličine bile prostorne koordinate njegove lokacije. Nakon provedenih simulacija različitih stanja sa i bez puknuća unutar vodoopskrbne mreže ustanovljeno je da se pomoću dobro modeliranih neuronskih mreža odabrani parametri mogu iskoristiti za dobivanje informacije o pojavi puknuća cijevi. Neuronske mreže modelirane u svrhu lociranja puknuća cijevi pokazale su da, s povećanjem protoka iz cijevi nastalog uslijed njenog puknuća, pogreška kod određivanja lokacije puknuća linearno pada. Međutim, nije ostvarena dovoljna strmost toga pravca kod koje bi se, za neki realno očekivani protok puknuća, pogreška lociranja puknuća smanjila na prihvatljivu vrijednost.

water supply system; district metered area; water pipeline network; pipe burst; hydraulic model; artificial neural networks

The work explores the possibility of detection and location of the pipe burst inside an isolated part of the water supply system based on the known values of four parameters. These parameters were one variable of a flow measured at the inlet of the system, and three variables of pressure measured at different locations within the system. The measured values of all four parameters are collected and recorded continuously in time. For the research, we used data on the values of flow and pressure for hours and days in the period of one year, in a manner that the hydraulic model simulated hydraulic conditions with and without pipe bursts with different leakage flows. These data were used as inputs in neural networks ; while the primarily considered output value was the state of burst, and the secondary, if the bursts occurred, output values were the spatial coordinates of bursts location. After the simulation of a number of different conditions with and without a pipe burst in the water supply network, it was found that, managing well trained neural networks, selected parameters could be used to get information of occurrences of pipe burst. Neural networks modeled for the purpose of loc