در سال‌های اخیر از مدل‌های یادگیری ماشین برای پیش‌بینی شکست لوله‌ها استفاده شد. پژوهش‌های پیشین معمولا بر کاربرد یک یا دو مدل خاص متمرکزند در حالیکه تحلیل مقایسه‌ای جامع از الگوریتم‌های مختلف و کاربرد عملیاتی آن‌ها مدنظر قرار نگرفتند. این پژوهش با هدف توسعه و مقایسه عملکرد شش مدل یادگیری ماشین شامل؛ رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی و درخت تقویت شده برای پیش‌بینی شکست لوله انجام شد. مدل‌ها با استفاده از مجموعه داده‌ی شبکه توزیع آب منطقه 2 شهر تهران که شامل ویژگی‌های فیزیکی و عملیاتی لوله‌ها با تقسیم‌بندی 70 درصد برای آموزش و 30 درصد برای اعتبارسنجی، توسعه یافته‌اند. نتایج بدست آمده نشان داد علی رغم انتظارات اولیه، مدل‌های پیچیده‌تری مانند جنگل تصادفی و درخت تقویت شده، با وجود عملکرد بی‌نقص روی داده‌های آموزشی، دچار بیش‌برازش شدید شده و برای کاربرد واقعی غیرقابل اعتمادند. مدل درخت تصمیم با مساحت زیر نمودار 92/0، حساسیت 93% و دقت کلی 92% به عنوان گزینه برتر معرفی گردید. از این مدل با توجه به تفسیرپذیری بالا، می‌توان در سیستم‌های مدیریت بهره‌برداری شبکه‌های توزیع آب جهت پیش‌بینی شکست لوله‌ها، استفاده کرد.