BÀI BÁO KHOA HỌC ỨNG DỤNG MẠNG NƠRON NHÂN TẠO TRONG DỰ BÁO ỐNG BỂ TRÊN MẠNG LƯỚI CẤP NƯỚC Phạm Thị Minh Lành1, Hồ Đắc Bảo2, Nguyễn Quang Trưởng2 Tóm tắt: Rị rỉ nước mạng lưới vấn đề cần giải công ty cấp nước, nguyên nhân tượng ống vỡ Các mơ hình dự báo nguy ống vỡ không ngừng cải thiện để dự báo vị trí ống vỡ cách xác nhanh chóng Với mục tiêu phát triển mơ hình tốt ứng dụng vào thực tế, nghiên cứu đề xuất sử dụng mơ hình mạng nơron nhân tạo để dự báo ống vỡ Mơ hình đề xuất kiểm chứng mạng lưới cấp nước DMA17 thuộc phường 17 quận Gò Vấp Thành phố Hồ Minh, đánh giá kết dự báo số AUC cho thấy mô hình đề xuất đạt chất lượng tốt Từ khố: Cấp thoát nước, mạng nơron nhân tạo, thất thoát nước, ống bể vỡ, mơ hình dự báo ĐẶT VẤN ĐỀ * Trong trình hoạt động mạng lưới cấp nước xảy tượng nước bị thất lượng định Có nhiều ngun nhân dẫn đến thất nước chủ yếu nguyên nhân kỹ thuật như: rò rỉ mạng lưới tuyến ống cấp nước, thi công không kỹ thuật, vỡ ống đào đường, … Trên thực tế cho thấy thất thoát nước phần lớn rị rỉ đường ống đường ống cấp nước chơn ngầm đất nên cơng tác tìm kiếm rị rỉ khó khăn Đây vấn đề đặt cho tất đơn vị cấp nước giới Việt Nam Để phát sớm loại bỏ nguy rò rỉ nước mạng lưới cấp nước cần sử dụng mơ hình dự báo nguy ống vỡ Mạng nơron bắt đầu xuất từ năm 1940 nhiên bắt đầu ứng dụng nhiều khoảng 10 năm trở lại ngày phát triển rộng rãi Đặc biệt lĩnh vực dự báo phân loại liệu, mạng nơron nhân tạo cho thấy ưu điểm bật xử lý liệu có tính chất phức tạp, khối lượng liệu lớn Đồng thời kết mơ hình ứng dụng mạng nơron Khoa Kỹ thuật hạ tầng đô thị, ĐH Kiến trúc Tp Hồ Chí Minh Khoa Kỹ thuật Xây dựng, ĐH Bách Khoa Tp Hồ Chí Minh nhân tạo hỗ trợ q trình định xác có độ tin cậy cao Vậy nên nghiên cứu xem xét việc ứng dụng mạng nơron nhân tạo để xây dựng mơ hình dự báo ống vỡ mạng lưới cấp nước TỔNG QUAN VỀ MÔ HÌNH DỰ BÁO ỐNG VỠ Đã có nhiều nghiên cứu tìm hiểu nguyên nhân vỡ ống mạng lưới phân phối để từ dự báo khả vỡ ống, theo thời gian phương pháp nội dung nghiên cứu mở rộng xem xét vấn đề toàn diện 2.1 Các nhấn tố ảnh hưởng tới kiện ống vỡ Trong nghiên cứu kế thừa kết tác giả (P.T.M Lành nnk., 2018), để xây dựng mơ hình dự báo ống vỡ cần biến sau: đặc trưng vật lí hệ thống (Đường kính ốngD, Chiều dài ống-L, vật liệu ống-Mat), độ tuổi (A) đại diện cho tỉ lệ ăn mòn đường kính tuyến ống làm việc (RD) Ngồi đại lượng đặc trưng cho đặc điểm hình học mạng lưới bao gồm vị trí tuyến đường đặt ống (R), số đoạn ống kết nối tuyến ống (N0), số lần vỡ trước (Prior) 2.2 Mơ hình dự báo ống vỡ Một số nghiên cứu giới đề xuất mơ hình thường dùng xác suất thống kê để dự báo kiện ống vỡ sau: KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MƠI TRƯỜNG - SỐ 71 (12/2020) 93 Mơ hình số mũ: Nhận định ban đầu cho ống vỡ chủ yếu thành ống bị ăn mòn tuổi ống sử dụng để đánh giá Shamir &nnk (1979) đưa mơ hình số mũ để mô tả tượng Nhược điểm phương pháp xem xét số điểm vỡ đoạn ống cấp nước ống truyền dẫn có chiều dài lớn có số lần vỡ nhiều đoạn ống nhánh phân phối có chiều dài nhỏ tỉ lệ vỡ ống cao lại đưa kết số lần vỡ nhiều Như vậy, cần phải xem xét tới đặc điểm hình học mạng lưới cấp nước nhiều hơn, số điểm đấu nối tuyến ống hay tuyến đường mà ống làm việc (vì mơi trường làm việc khác độ ăn mịn khác nhau) Mơ hình hồi quy Bayesian: G Kabir (2016) xây dựng mơ hình hồi quy Bayesian sở lý thuyết tính xác suất kiện ống vỡ Kết cho thấy ảnh hưởng tính chất vật lí ống dẫn quan trọng tác động môi trường đặt ống xác suất dự báo phụ thuộc nhiều vào xác suất tiền định, nghĩa tuyến ống xuất vỡ nhiều lần xác suất xuất xảy vỡ tuyến có đặc điểm tương tự cao Với biến không dẫn đến cố vỡ ống lịch sử mơ hình dự báo xác suất khơng xác Mơ hình hồi quy logistic tổng qt: Mơ hình hồi quy tuyến tính tương đối đơn giản, dễ sử dụng nhiên kết đạt độ xác đến 70% (T Wengstrưm, 1993) Khả vỡ ống mơ hình đánh giá qua tỉ lệ vỡ ống năm/1km Để tăng độ xác kết dự báo, nghiên cứu gần sử dụng mơ hình hồi quy logistic tổng quát với biến số dạng nhị phân 0|1 biểu thị khả ống khơng vỡ|vỡ Mơ hình mạng trí tuệ nhân tạo: Một số nghiên cứu H Al-barqawi& nnk (2008) tiếp cận theo phương pháp mạng nơron nhân tạo (Artificial Neural Network- ANN) để xác định hiệu suất làm việc hệ thống tỉ lệ vỡ ống thời gian làm việc, ngồi cịn đề xuất đưa phân tích phân tầng (AHP) vào mơ hình ANN để tăng hiệu suất mơ hình (D.Achim& nnk., 2007) Dữ liệu khảo sát phân loại thành cấp độ khác theo tiêu chí định, sau đánh giá 94 trọng số yếu tố phân tích tổng hợp để đưa giá trị đóng góp trung bình yếu tố vào kiện ống vỡ Một nhược điểm nghiên cứu thời gian chạy mơ hình ANN lớn chi phí khảo sát số liệu đầu vào cao, nên mơ hình đáp ứng cho nghiên cứu học thuật Kế thừa phát triển nghiên cứu trước kết hợp với mục tiêu xây dựng mơ hình dự báo có chất lượng tốt, độ tin cậy cao phù hợp với điều kiện Việt Nam, tác giả đề xuất sau: - Đánh giá trực tiếp khả xuất điểm vỡ ống không qua tỉ lệ vỡ 1km nghiên cứu mơ hình số mũ tác giả (U Shamir nnk., 1979) - Tương tự nghiên cứu mơ hình hồi quy logistic, tác giả tiếp tục sử dụng số nhị phân để đánh giá tượng ống vỡ|không vỡ Bên cạnh đó, để cải thiện kết mơ hình Bayesian, nghiên cứu sử dụng ANN để tăng tính ngẫu nhiên mơ hình - Nhược điểm hiệu suất mơ hình ANN mà nghiên cứu trước đưa với phát triển cơng nghệ thơng tin ngày hồn tồn khắc phục nên nghiên cứu tiếp tục sử dụng ANN để xây dựng mơ hình ỨNG DỤNG MƠ HÌNH ANN DỰ BÁO ỐNG VỠ 3.1 Mạng nơron nhân tạo (Artificial Neural Network - ANN) Xuất phát từ ý tưởng mô não người, mạng nơron nhân tạo (ANN) bao gồm nhiều nơron kết nối với để xử lí thơng tin qua thuật tốn Một nơron có nhiều sợi nhánh để tiếp nhận nhiều liệu lúc, tuỳ thuộc vào tốn mà tín hiệu trao đổi qua lại nơron Giả sử nơron i có n tín hiệu đầu vào, tín hiệu xi gán trọng số Wi trở thành xiWi đại lượng vơ hướng Tổng ii (Hình 1) đối số hàm kích hoạt fij Tín hiệu đầu yi đại lượng vơ hướng Hàm kích hoạt hàm tuyến tính, hàm ngưỡng, hàm Sigmoid, hàm Sigmiod lưỡng cực… Hàm Sigmoid thuận lợi cho thuật tốn lan truyền ngược dễ lấy đạo KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 71 (12/2020) hàm, giúp giảm đáng kể tính tốn q trình huấn luyện, thích hợp cho tốn có đầu mong muốn rơi vào khoảng [0,1] nên lựa chọn nghiên cứu Mạng nơron nhân tạo thường có hai loại mạng truyền thẳng mạng hồi quy Tín hiệu truyền theo chiều từ trái qua phải gọi mạng truyền thẳng, mạng có cấu trúc thuật toán đơn giản nên đạt hiệu suất cao Trong mạng khơng có liên kết mở rộng từ đơn vị đầu tới đầu vào mạng nơron hồi quy lại có khả Trong tốn dự báo ống vỡ, thuộc tính ống độc lập, khơng có mối liên kết thơng tin ống nên mạng nơron truyền thẳng phù hợp cho toán 3.1.1 Mạng nơron nhân tạo truyền thẳng (Feedforward Artificial Neural Network) Mạng nơron thường có ba lớp lớp vào, lớp ẩn lớp Hình 1, đó: - Lớp vào làm nhiệm vụ nhận tín hiệu, với nơron tín hiệu đầu vào Thơng tin lớp vào xi1 nhiều yếu tố x - Lớp ẩn có nhiệm vụ xử lý thông tin đầu vào đưa kết xử lí tới lớp Lớp gồm nhiều nơron nhân tạo mạng nơron có nhiều lớp ẩn - Lớp có nhiều nơron, tín hiệu lớp vào sau xử lý đưa nhiều tín hiệu lớp Chức mạng nơron định nhân tố chính: số lớp, q trình học hay huấn luyện mạng thuật toán huấn luyện mạng Một mạng nơron thơng thường có lớp vào lớp ra, nhiều lớp ẩn Tuy nhiên, theo tác giả Jeff Heaton (2008) sử dụng nhiều lớp ẩn Bên cạnh đó, tác giả cho việc lựa chọn số lớp ẩn không quan trọng số nơron lớp ẩn giá trị định cấu trúc mạng nơron.Vậy nên nghiên cứu sử dụng mạng nơron có lớp ẩn Số lượng nơron lớp ẩn phụ thuộc vào số lượng biến vào biến ra, thuật toán huấn luyện mạng, hàm lỗi Nếu số nơron lớp ẩn làm mạng nơron khơng nhận dạng tín hiệu đầy đủ tập liệu dẫn đến tượng thiếu ăn khớp Ngược lại số nơron lớp ẩn nhiều làm tăng thời gian huấn luyện mạng không đáp ứng tốt đầu vào mới, nghĩa thông tin liệu mẫu không đủ đặc trưng để huấn luyện mạng Trong nghiên cứu lựa chọn ANN có hiệu dự báo tốt cách thay đổi số nơron ẩn sử dụng kỹ thuật kiểm định cách chia tập huấn luyện thành ba phần kiểm định, huấn luyện kiểm tra Hình Mơ hình mạng nơron nhân tạo truyền thẳng ba lớp 3.1.2 Quá trình huấn luyện mạng nơron Quá trình học hay huấn luyện mạng trình bản, quan trọng mạng nơron phân thành ba loại: học có giám sát, học khơng có giám sát, học tăng cường Trong lĩnh vực dự báo khả vỡ ống, liệu vào KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 71 (12/2020) 95 liệu đích có sẵn nên phương pháp học có giám sát phù hợp Các tín hiệu vào gán trọng số sau so sánh điều chỉnh giá trị phù hợp với tập đích mong muốn Hệ số bias (bk) đưa vào để điều chỉnh giá trị trọng số sau lần lặp Sai số ANN xác định tổng bình phương trung bình (Mean Squared Error – MSE) Quá trình huấn luyện dừng lại số lần học đủ lớn sai số tập tập đích đạt giá trị đủ nhỏ Do liệu ống vỡ lớn nên phân tách liệu phức tạp, cần sử dụng thuật toán tối ưu để tìm nghiệm phù hợp So sánh thuật tốn tối ưu thường sử dụng cho mạng nơron, nghiên cứu lựa chọn thuật tốn Levenberg-Marquardt thuật tốn cho kết hội tụ nhanh giảm đáng kể khối lượng tính tốn 3.2 Mơ hình ANN dự báo ống vỡ Dựa lý thuyết mạng nơron nhân tạo kết hợp với đặc điểm tượng ống vỡ mạng lưới cấp nước tính cơng cụ MATLAB, nghiên cứu đề xuất mơ hình ANN dự báo khả ống vỡ mạng lưới cấp nước Hình Hình Mơ hình ANN dự báo ống vỡ Hình Các thơng số cài đặt mơ hình ANN MATLAB Các bước thực mơ hình đề xuất thuộc tính sau: Bước Xây dựng liệu đầu vào phương pháp thống kê xử lý số liệu đưa vào ANN Ở liệu thống kê phân chia ngẫu nhiên làm hai liệu với tỉ lệ 7:3 70% liệu huấn luyện chia thành nhóm 70% luyện mạng, 15% kiểm định 15% kiểm tra Bộ thứ hai có 30% liệu để dự báo khả vỡ ống Bước Tạo ANN MATLAB Hình - ANN có cấu trúc lớp gồm:lớp vào (có 96 yếu tố), lớp ẩn (có lớp số nơron lớp ẩn (số nơron ẩn) thay đổi) lớp (1 yếu tố ống vỡ| không vỡ) - Thuật toán huấn luyện (Training) Levenberg - Marquardt - Hàm lỗi làm hàm xác định độ lệch trung bình bình phương (Mean Squared Error-MSE) - Hàm kích hoạt nơron ẩn dạng logsig (sigmoid) - Khởi tạo trọng số hệ số bias ban đầu ngẫu nhiên nhỏ Bước Xuất kết dự báo so sánh với số liệu thực tế Đánh giá chất lượng kết qủa Bước Thay đổi số nơron ẩn để cải thiện kết 3.4 Kiểm định mơ hình tiêu chuẩn AUC Các kết mơ hình ANN dự báo sai rơi vào hai trường hợp, ống hoạt động hoàn tồn bình thường mơ hình lại dự báo ống vỡ, hai ống bị vỡ mơ hình lại dự báo ống khơng vỡ Sai lầm loại có ảnh hưởng tới chi phí kiểm tra đường ống vỡ sai lầm loại gây hậu lớn khơng nước bị thất mà cịn có nguy chất nhiễm vào đường ống Như vậy, kết dự báo mắc hai loại sai lầm cần có tiêu chuẩn để đánh KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 71 (12/2020) giá chất lượng mơ hình Theo Hanley JA nnk (1982), ROC (Receiver Operating Characteristic) đường cong nối điểm có hồnh độ tỉ lệ dự báo xác suất ống không vỡ (False Positive Rate) tung độ tỉ lệ dự báo xác suất ống vỡ (True Positive Rate) Bằng phương pháp tích phân người ta xác định giá trị diện tích đường ROC gọi số AUC (Area Under the Curve), AUC cho biết giá trị xác suất lấy ngẫu nhiên kết dự báo ống vỡ xếp hạng cao kết dự báo ống khơng vỡ Chỉ số AUC cao mơ hình dự báo xác việc phân loại lớp Theo Hanley JA nnk (1982) hiệu suất mơ hình dự báo đánh giá theo tiêu chuẩn AUC Bảng Bảng Tiêu chuẩn AUC AUC > 0,9 0,8 - 0,9 0,7 - 0,8 0,6 - 0,7 0,5 - 0,6 Ý nghĩa diễn giải Rất tốt Tốt Trung bình Khơng tốt Kết khơng sử dụng KIỂM CHỨNG MƠ HÌNH 4.1 Thu thập số liệu mạng lưới cấp nước DMA17 Trung An quận Gị Vấp Cơng ty cổ phần cấp nước Trung An thuộc Tổng cơng ty cấp nước Sài Gịn quản lý cấp nước địa bàn quận Gò Vấp (trừ phường 1), quận 12 huyện Hóc Mơn Mạng lưới chia thành khu vực cấp nước (DMA-District Meter Area), có DMA17 (Hình 4) thuộc phường 17 quận Gò Vấp khu vực quản lí cơng ty Thu thập liệu từ hồ sơ quản lí cơng ty tham vấn nhân viên phụ trách kĩ thuật công nhân vận hành, sửa chữa hệ thống để hiểu rõ số liệu Mạng lưới cấp nước DMA17 bao gồm ống nhánh đường kính 25mm, ống đường kính từ 50mm đến 250mm 1683 đồng hồ khách hàng Theo số liệu thống kê từ năm 2014 đến tháng 7/2020 mạng lưới liên tục mở rộng, tính đến thời điểm khảo sát tổng chiều dài ống nhánh 3416,68m Mạng lưới ống nhánh có ba loại vật liệu uPVC, PE HDPE với tỉ lệ chiều dài chiếm 36,4%, 63% 0,6% so với tổng chiều dài mạng lưới ống nhánh Hình Dữ liệu GIS mạng lưới cấp nước DMA17, Trung An, quận Gị Vấp 4.2 Xây dựng mơ hình ANN dự báo ống vỡ sử dụng phần mềm MATLAB Bảng Mô tả ảnh hưởng yếu tố tới kiện ống vỡ TT Loại biến Đặc trưng vật lí Tên biến Tuổi ống (A) Giá trị tháng đến 12 năm Số điểm đấu nối (N0) đến 100 điểm Vật liệu (Mat) uPVC, HDPE, PE KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 71 (12/2020) Ảnh hưởng tới biến ống vỡ (F=1) Số điểm vỡ (N0) chủ yếu xuất ống vật liệu (Mat) số 1-uPVC số 3-PE hoạt động thời gian (A) từ đến năm từ 11 đến 13 năm 97 TT Loại biến Tên biến Giá trị Đường kính (D) 25mm Chiều dài (L) 0,1 đến 12m Đặc trưng môi trường làm việc Tuyến đường (R) Mã tuyến kí hiệu từ đến 129 Lịch sử vỡ Prior đến lần Đặc trưng tải trọng Đường kính tuyến (RD) 50, 100, 150, 200 (mm) Dữ liệu thống kê đường ống mạng lưới cấp nước DMA17 chia theo tỉ lệ 7:3 tương đương với 1818:779 Bảng mô tả liệu mẫu cho mô hình ANN với tập liệu dạng ma trận kích thước sau: tập huấn luyện [8 x 1818]; tập đích [1 x 1818]; tập kiểm tra [8 x 779]; tập so sánh [1 x 779] dùng để kiểm chứng kết dự báo 4.3 Kết mơ hình ANN Khi thay đổi số lớp ẩn kết dự báo thay đổi theo, phương pháp thử sai tác giả ANN có nơron ẩn tăng dần đến 100 nơron, sau lần mô cho kết So sánh kết mơ hình sau lần thay đổi số nơron ẩn với liệu thực tế xác định giá trị AUC theo lý thuyết trình bày ta có biểu đồ Hình Chỉ số AUC đạt giá trị nhỏ 0,900 lớn 0,934 mạng có 13 nơron ẩn, so với tiêu chuẩn mơ hình dự báo đạt mức tốt tốt Biểu đồ Hình cho thấy thay đổi số lớp ẩn có ảnh hưởng tới kết mơ hình nhiên biên độ dao động AUC khoảng từ đến 30 nơron ẩn nhiều Khi tiếp tục tăng số lớp ẩn biên độ giảm dần điều có nghĩa chất lượng kết khơng thể cải thiện thêm Mơ hình ANN 13 nơron ẩn dự báo ống vỡ thực tất 13 lần lặp giá trị lỗi (MSE) qua lần trình bày Hình 98 Ảnh hưởng tới biến ống vỡ (F=1) Số liệu ống vỡ quan sát mạng lưới ống nhánh nên đường kính có loại 25mm đoạn ống vỡ có chiều dài ngắn (< 8m) Ống quan sát ống nối từ ống tới nhà dân có áp lực làm việc tải trọng tác dụng bên ngồi khơng lớn nên ngun nhân ống vỡ tải trọng rõ số liệu điểm vỡ nằm tuyến đường khác Lịch sử vỡ ống Prior cho thấy số ống vỡ lần đầu nhiều ống vỡ lần thứ hai tập trung chủ yếu tuyến ống đường kính (RD) 100mm Chỉ số AUC mơ hình ANN có số lớp ẩn khác 0.940 AUC 0.935 0.934 0.930 0.925 0.920 0.915 0.910 0.905 0.930 0.9240.924 0.924 0.923 0.921 0.918 0.916 0.920 0.916 0.920 0.916 0.913 0.912 0.909 0.909 0.9070.908 0.905 0.904 0.925 0.923 0.922 0.915 0.909 0.900 0.900 0.895 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 Số lớp ẩn Hình Biểu đồ số AUC mơ hình ANN có số nơron lớp ẩn khác Tập kiểm định (Validation) đường Hình (a) mơ hình đánh giá đạt hiệu suất tối ưu bước lặp (epoch) thứ giá trị MSE = 0,10238 (Best Validation Performance) Mô tả tương quan tổng độ lệch (Sum Squared Error), trọng số Weight W số Bias B ta có Hình (b) – Bề mặt lỗi (Error Surface), biểu đồ cho thấy số lần lặp tăng (lúc số Bias giảm) thơng số mơ hình ANN có xu hướng bão hồ khơng tìm thêm điểm cực tiểu Xuất 779 kết mơ hình so sánh với liệu thực tế có số ống vỡ 292 không vỡ 487 ống, kết dự báo 205 ống vỡ 574 ống không vỡ Như mơ hình dự báo sai 109 KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 71 (12/2020) trường hợp dự báo 98 ống không vỡ thực tế bị vỡ (sai 98/292=34%) dự báo 11 ống vỡ thực tế không vỡ (sai 11/487=2%) Sử dụng tiêu chuẩn AUC trình bày để kiểm tra chất lượng mơ hình ANN 13 nơron ẩn Kết tính tốn biểu diễn đường cong ROC (Hình 7) cho thấy AUC = 0,934, nghĩa mơ hình đạt mức tốt so với tất trường hợp mô số AUC mơ hình tốt (a) (b) Hình Giá trị MSE bề mặt lỗi mơ hình ANN 13 nơron ẩn KẾT LUẬN VÀ KIẾN NGHỊ Ứng dụng ANN dự báo khả ống vỡ thực nghiên cứu trước tiếp tục cải thiện nghiên cứu để đánh giá khả vỡ ống mạng lưới cấp nước Việt Nam Nghiên cứu đạt kết sau: - Trong dự báo ống vỡ ANN dạng truyền thẳng học có giám sát, cấu trúc mạng cần lớp ẩn số nơron lớp ẩn thay đổi kết dự báo đạt số AUC tốt Kết ứng dụng thực tế cho thấy số nơron ẩn nhỏ kết dự báo có số AUC khơng cao, số lượng nơron ẩn lớn kết khơng cải thiện thêm nữa, nên nghiên cứu tác giả đề xuất số lượng nơron ẩn dao động từ 5-30 nơron - Hiệu đạt áp dụng mạng lưới cấp nước DMA17 Trung An, quận Gị Vấp, thành phố Hồ Chí Minh mức tốt (AUC = 0,934) Qua cho thấy mơ hình ANN dự báo ống vỡ hồn tồn phù hợp có độ xác cao Hình Đường cong ROC AUC mơ hình ANN 13 nơron ẩn Nghiên cứu cải thiện tương lai việc đánh giá đặc điểm hình học điểm vỡ nguyên nhân ống vỡ (thông thường ống vỡ yếu tố bên tác động điểm vỡ khơng bị ảnh hưởng yếu tố xét tốn) Bên cạnh đó, đánh giá cụ thể điểm vỡ vị trí phụ tùng đấu nối KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 71 (12/2020) 99 TÀI LIỆU THAM KHẢO Phạm Thị Minh Lành, Vũ Thị Vân Anh, Phạm Hà Hải (2018) “Đề xuất mơ hình dự báo ống vỡ mạng lưới cấp nước”, Tạp chí Khoa Học Kỹ Thuật Thủy lợi Môi trường, số 60 U Shamir and Charles D.D Howard (1979) “An analytic approach to scheduling pipe replacement” Journal Amecican water Work Assoc., vol 71, no 5, tr 248 G Kabir, S Tesfamariam, and R Sadiq (2016) “Bayesian Model Averaging for the Prediction of Water Main Failure for Small to Large Candian Municialities”, Canada Journal Civil Eng., vol 43, no 3, tr 233–240 T Wengström (1993) “Comparative analysis of Pipe Break Rates”, Chalmers Univ Technol H Al-barqawi and T Zayed (2008) “Infrastructure Management: Integrated AHP / ANN Model to Evaluate Municipal Water Mains Performance”, Journal of Infrastructure Systems, tr 305–318 D.Achim; F Ghotb; and K J McManus (2007), “Prediction of water pipe asset life using neural networks,” J Infrastruct Syst., vol 13, no 1, tr 26–30 Barbara G.Tabachnick and Linda S Fidell (2007), Using Multivariate Statistics United States of America: Pearson Education Inc Jeff Heaton (2008), Introduction to Neural Network with Java, Second edition, United States of America: Heaton Research Inc, tr 159 Demuth, Howard B and Beale, Mark H and De Jess, Orlando and Hagan, Martin T (2014), Neural Network Design, Second edition, Martin Hagan, Oklahoma State University, Stillwater, OK, United States Hanley JA, McNeil BJ., (1982) The meaning and use of the area under a receiver operating characteristic (ROC) curve, Radiology, vol 143(1):29-36 I H Witten, E Frank, and M a Hall, (2011), Data Mining: Practical Machine Learning Tools and Techniques, Elsevier Inc Abstract: APPLICATION OF ARTIFICIAL NEURAL NETWORKS TO PREDICT PIPE FAILURE IN WATER SUPPLY NETWORKS Water leakage on the water supply network is still a problem to be solved by water supply companies One of the main causes of this phenomenon is due to pipe failure Prediction models of water pipe failure are also constantly being improved to accurately and quickly predict the position of pipe leakage With the aim of developing a better prediction, this study proposed application of the neural network model to predict pipe failure on water supply network The proposed model is verified by the water supply network in ward 17 (DMA17), Go Vap district, Ho Minh city The quality of the proposed model was evaluated by using the AUC standard The results shows that the proposed model is very good Keywords: Artificial neural networks, water leakage, pipe failure, predictive models, water supply networks Ngày nhận bài: 21/12/2020 Ngày chấp nhận đăng: 31/12/2020 100 KHOA HỌC KỸ THUẬT THỦY LỢI VÀ MÔI TRƯỜNG - SỐ 71 (12/2020) ... ANN dự báo ống vỡ Dựa lý thuyết mạng nơron nhân tạo kết hợp với đặc điểm tượng ống vỡ mạng lưới cấp nước tính cơng cụ MATLAB, nghiên cứu đề xuất mơ hình ANN dự báo khả ống vỡ mạng lưới cấp nước. .. tiếp tục sử dụng ANN để xây dựng mơ hình ỨNG DỤNG MƠ HÌNH ANN DỰ BÁO ỐNG VỠ 3.1 Mạng nơron nhân tạo (Artificial Neural Network - ANN) Xuất phát từ ý tưởng mô não người, mạng nơron nhân tạo (ANN)... dài mạng lưới ống nhánh Hình Dữ liệu GIS mạng lưới cấp nước DMA17, Trung An, quận Gị Vấp 4.2 Xây dựng mơ hình ANN dự báo ống vỡ sử dụng phần mềm MATLAB Bảng Mô tả ảnh hưởng yếu tố tới kiện ống