کاربرد وتوسعه مدل های رگرسیونی برای پیش بینی میزان شکست لوله های شبکه توزیع آب شهری – مورد مطالعاتی ناحیه یک منطقه یک تهران

نوع مقاله: مقالات علمی

نویسندگان

1 دانشگاه شهید بهشتی - دانشکده آب و محیط و زیست

2 دانش آموخته کارشناسی ارشد - دانشکده عمران، آب و محیط زیست - دانشگاه شهید بهشتی

چکیده

شکست لوله ها در شبکه های توزیع آب شهری، باعث نشت جریان از شبکه شده و نه تنها باعث هدر‎ رفت مقادیر قابل توجهی از آب تصفیه ‎شده می‎گردد، بلکه سبب اتلاف سرمایه‎های مادی نیز می‎شود. از مهم ترین متغیر های تاثیر گذار در شکست لوله ها جنس، سن ، طول ، قطر و فشار هیدرولیکی لوله ها نام برده می شود . در این مقاله، از چهار روش آماری، جهت تحلیل این متغیر ها در شکست لوله‎ها استفاده شده است که هدف یافتن معادلات لازم برای تخمین احتمال شکست لوله‏‎ها در آینده و تعیین پارامترهایی است که بیشترین تأثیر را احتمال شکست دارند. این چهار مدل رگرسیونی آماری عبارتند از : مدل رگرسیون خطی، مدل رگرسیون نمایی، مدل رگرسیون پواسون و مدل رگرسیون لجستیک. به‎منظور ارزیابی روش‎های ارائه شده از داده‎های جمع‎آوری‎ شده‎ حوادث لوله‎ها در شبکه توزیع آب ناحیه‎ی 1 از منطقه‎ی 1 آب و فاضلاب شهر تهران با تعداد مشترکین بیش از 48500 و طول کل لوله های582702 و متشکل از لوله هایی با جنس و قطر های مختلف ، استفاده گردید و نتایج نشان دادند که از میان مدل‎های آماری بررسی شده، مدل رگرسیون لجستیک عملکرد بهتر داشته و با احتمال بالاتری می تواند حوادث آینده را پیش بینی کند.

کلیدواژه‌ها


 

بیگی.، ف.، (1378)، "آسیب‏شناسی شبکه‏های توزیع آب شهری"، فصلنامه آب و محیط زیست، 37، 10-16.

تابش، م.، آقایی، آ.، و ابریشمی، ج.، (1387)، "بررسی نقش عوامل موثر بر فراوانی حوادث در لوله‏های اصلی آبرسانی با استفاده از الگوی رگرسیونی ترکیبی"، نشریه دانشکده فنی دانشگاه تهران، 42(6)، 691-703.

جلیلی قاضی‏زاده، م.، حنیفی یزدی، س.ح.، و راستی اردکانی، ر.، (1387)، "ارائه روابط پیش بینی وقوع حوادث در شبکه‏های توزیع آب شهری"، دومین همایش ملی آب و فاضلاب با رویکرد بهره‏برداری، تهران.

موسوی ندوشنی، س.س.، )1391)، آشنایی با زبان آماری R، انتشارات دانشگاه شهید عباسپور.

Agresti, A., and Kateri, M., (2011), Categorical data analysis, Springer.

Cameron, A.C., and Trivedi, P.K. (1998), “Regression analysis of count data”, 53, Cambridge University.

Everitt, B., and Hothorn, T., (2010), A handbook of statistical analyses using R, Second Edition, CRC Taylor and Francis Groups.

Kabir, G., Tesfamariam, S., Francisque, A., and R. Sadiq, (2015), “Evaluating risk of water mains failure using a Bayesian belief network model”, European Journal of Operational Resources, 240(1), 220-234.

Kettler, A., and Goulter, I., (1985), “An analysis of pipe breakage in urban water distribution networks”, Canadian Journal of Civil Engineering, 12(2), 286-293.

Kropp, I., Gat, Y.L., and Poulton, M., (2009), “Application of a failure forecast model at the strategic asset management planning level”, In: Proceedings of LESAM 2009, Miami, USA.

Maindonald, J.H., (2008), Using R for data analysis and graphics introduction, code and commentary, Centre for Mathematics and Its Applications, Australian National University.

Montgomery, D.C., Peck, E.A., and Vining, G.G., (2012), Introduction to linear regression analysis, 821, John Wiley & Sons.

Nishiyama, M., and Filion, Y., (2013), “Review of statistical water main break prediction models”, Canadian Journal of Civil Engineering, 40(10), 972-979.

Shamir, U., and Howard, C., (1979), “An analytical approach to scheduling pipe replacement”, Journal of American Water Works Association, 71(5), 248-258.