پیش‌بینی شکست لوله‌ها با مدل رگرسیون‌ لجستیک وزن‌دار برای مدیریت داده‌های نامتعادل و رویدادهای مکرر (مطالعه موردی: منطقه 2 شهری تهران)

ستاری, محسن; مطیعی, همایون

doi:10.22112/jwwse.2026.560844.1470

پیش‌بینی شکست لوله‌ها با مدل رگرسیون‌ لجستیک وزن‌دار برای مدیریت داده‌های نامتعادل و رویدادهای مکرر (مطالعه موردی: منطقه 2 شهری تهران)

نوع مقاله : مقاله پژوهشی

نویسندگان

محسن ستاری ¹

همایون مطیعی ²

¹ دانشجوی دکتری، دانشکده عمران، آب و محیط‎زیست، دانشگاه شهید بهشتی، تهران، ایران.

² دانشیار، دانشکده عمران، آب و محیط‎زیست، دانشگاه شهید بهشتی، تهران، ایران.

10.22112/jwwse.2026.560844.1470

چکیده

پیش‌بینی شکست لوله‌ها در شبکه‌های توزیع آب، برای گذار از نگهداری واکنشی به مدیریت پیشگیرانه، ضروری است. اما توسعه مدل‌های پیش‌بینی دقیق با چالش‌های داده‌های نامتعادل (شکست و عدم شکست) و ماهیت تکرارشونده آن‎ها مواجه است که اغلب نادیده گرفته می‌شوند. این پژوهش با توسعه یک مدل رگرسیون لجستیک وزن‌دار به‎عنوان یک تکنیک یادگیری ماشین، به این چالش‌ها پاسخ می‌دهد. در تحقیق حاضر از داده‌های واقعی شکست لوله‌ها در شبکه توزیع آب منطقه 2 شهری تهران به‎مدت 12 سال استفاده شد. داده‌ها به‎صورت تصادفی به دو زیرمجموعه ۷۰% برای آموزش و ۳۰% برای اعتبارسنجی تقسیم شد تا عملکرد مدل بر روی داده‌های دیده‌نشده، صحت‌سنجی شود. برای ارزیابی مدل از منحنی مشخصه عملکرد استفاده و مدل با مساحت زیر نمودار برابر 88/0 در مجموعه اعتبارسنجی، قدرت پیش‌بینی بالایی را از خود نشان داد. طول لوله با نسبت شانس 02/1 مهم‌ترین پیش‌بینی‌کننده‌ شناسایی شد. ضریب منفی سن لوله (104/0-) یک یافته کلیدی بود که به سوگیری بازماندگان ناشی از شکست‌های زودهنگام به‎دلیل نصب نامناسب، نسبت داده شد. این مدل می‌تواند ابزاری قابل اعتماد برای شرکت‌های آب برای اولویت‌بندی بازرسی و جایگزینی لوله‌ها بوده و بر نقش حیاتی کیفیت نصب در کنار ویژگی‌های فیزیکی لوله، تأکید دارد.

کلیدواژه‌ها

شکست لوله

شبکه توزیع آب

یادگیری ماشین

داده‌های نامتعادل

رویدادهای تکرارشونده

نوذری، ن، مستوری، ر، میرحسینی، و س.م.، (1402)، "بررسی کج شدن ناحیه‌ای درختان و سازه‌ها ناشی از نشست خاک در اثر شکستگی لوله شبکه توزیع آب در تهران"، علوم و مهندسی آب و فاضلاب، 8(2)، 37-46، https://doi.org/10.22112/jwwse.2022.348911.1319

مصلحی، ا.، و جلیلی قاضی‎زاده، م.ر.، (1395)، "مروری بر روابط فشار-شکستگی در شبکه‌های آب‌رسانی"، علوم و مهندسی آب و فاضلاب، 1(1)، 11-19، https://doi.org/10.22112/jwwse.2017.51053

مطیعی، ه.، و قاسم‎نژاد، س.، (1396)، "کاربرد وتوسعه مدل‎های رگرسیونی برای پیش‎بینی میزان شکست لوله‎های شبکه توزیع آب شهری، مورد مطالعاتی ناحیه یک منطقه یک تهران"، علوم و مهندسی آب و فاضلاب، 2(2)، 48-58، ‎ https://doi.org/10.22112/jwwse.2017.89374.1024

Asadi, Y., (2024), “Employing machine learning in water infrastructure management: Predicting pipeline failures for improved maintenance and sustainable operations”, Industrial Artificial Intelligence, 2(1), 8, https://doi.org/10.1007/s44244-024-00022-w

Barton, N.A., Hallett, S.H., Jude, S.R. and Tran, T.H., (2022), “An evolution of statistical pipe failure models for drinking water networks: A targeted review”, Water Supply, 22(4), 3784-3813, https://doi.org/10.2166/ws.2022.019

Burnham, K.P., and Anderson, D.R., (2002), Model selection and multimodel inference: A practical information-theoretic approach, 2^nd Edition, Springer-Verlag, https://doi.org/10.1007/b97636

Chang, P.W., and Newman, T.B., (2024), “Receiver operating characteristic (ROC) curves: The basics and beyond”, Hospital Pediatrics, 14(7), e330-e334, https://doi.org/10.1542/hpeds.2023-007462

Chen, R., Wang, Q., and Javanmardi, A., (2025), “A review of the application of Machine Learning for pipeline integrity predictive analysis in water distribution networks”, Archives of Computational Methods in Engineering,. 32(6), 3821-3849, https://doi.org/10.1007/s11831-025-10251-6

Farmani, R., Kakoudakis, K., Behzadian, K., and Butler, D., (2017), “Pipe failure prediction in water distribution systems considering static and dynamic factors”, Procedia Engineering, 186, 117-126, https://doi.org/10.1016/j.proeng.2017.03.217

Gross, R.E., and Harris, S.P., (2013), “Statistical performance evaluation of soft (elastomer) seat pressure relief valves”, In: Pressure Vessels and Piping Conference, (Vol. 55706, p. V06AT06A077), American Society of Mechanical Engineers, https://doi.org/10.1115/PVP2013-97031

He, H., and Garcia, E.A., (2009), “Learning from imbalanced data”, IEEE Transactions on Knowledge and Data Engineering, 21(9), 1263-1284, https://doi.org/10.1109/TKDE.2008.239

Hosmer, Jr., D.W., Lemeshow, S., and Sturdivant, R.X., (2013), Applied logistic regression, John Wiley & Sons, https://doi.org/10.1002/0471722146

Kakoudakis, K., Behzadian, K., Farmani, R., and Butler, D., (2017), “Pipeline failure prediction in water distribution networks using evolutionary polynomial regression combined with K-means clustering”, Urban Water Journal, 14(7), 737-742, https://doi.org/10.1080/1573062X.2016.1253755

Karadirek, I.E., Kaya-Basar, E., and Akdeniz, T., (2024), “A study on pipe failure analysis in water distribution systems using logistic regression”, Water Supply, 24(1), 176-186, https://doi.org/10.2166/ws.2023.335

Karimian, F., Kaddoura, K., Zayed, T., Hawari, A., and Moselhi, O., (2021), “Prediction of breaks in municipal drinking water linear assets”, Journal of Pipeline Systems Engineering and Practice, 12(1), 04020060, https://doi.org/10.1061/(ASCE)PS.1949-1204.0000511

Kleiner, Y., and Rajani, B., (2001), “Comprehensive review of structural deterioration of water mains: Statistical models”, Urban Water, 3(3),131-150, https://doi.org/10.1016/S1462-0758(01)00033-4

Latifi, M., Beig Zali, R., Javadi, A.A., and Farmani, R., (2024), “Customised-sampling approach for pipe failure prediction in water distribution networks”, Scientific Reports, 14(1),182, https://doi.org/10.1038/s41598-024-69109-9

Leštáková, M., Logan, K.T., Rehm, I.S., Pelz, P.F., and Friesen, J., (2024), “Do resilience metrics of water distribution systems really assess resilience? A critical review”, Water Research, 248, 120820, https://doi.org/10.1016/j.watres.2023.120820

Li, C., Chen, J., and Qin, G., (2019), “Partial Youden index and its inferences”, Journal of Biopharmaceutical Statistics, 29(2), 385-399,‏ https://doi.org/10.1080/10543406.2018.1535502

Omar, A., Delnaz, A., and Nik-Bakht, M., (2023), “Comparative analysis of machine learning techniques for predicting water main failures in the City of Kitchener”, Journal of Infrastructure Intelligence and Resilience, 2(3), 100044,‏ https://doi.org/10.1016/j.iintel.2023.100044

Rifaai, T.M., Abokifa, A.A., and Sela, L., (2022), “Integrated approach for pipe failure prediction and condition scoring in water infrastructure systems”, Reliability Eineering & System Safety, 220, 108271, https://doi.org/10.1016/j.ress.2021.108271

Robles-Velasco, A., Cortés, P., Muñuzuri, J., and Onieva, L., (2020), “Prediction of pipe failures in water supply networks using logistic regression and support vector classification”, Reliability Engineering & System Safety, 196, 106754, https://doi.org/10.1016/j.ress.2019.106754

Salehinasab, S., and Goshtasbi Rad, E., (2025), “Enhancing pipe failure prediction using cluster-specific classification via K-means clustering”, Sustainable and Resilient Infrastructure, 1-30, https://doi.org/10.1080/23789689.2025.2470504

Scheidegger, A., Leitao, J.P. and Scholten, L. (2015). Statistical failure models for water distribution pipes–A review from a unified perspective. Water research. 83. 237-247, https://doi.org/10.1016/j.watres.2015.06.027

Shirzad, A., and Safari, M.J.S., (2019), “Pipe failure rate prediction in water distribution networks using multivariate adaptive regression splines and random forest techniques”, Urban Water Journal, 16(9), 653-661, https://doi.org/10.1080/1573062X.2020.1713384

Snider, B., and McBean, E.A., (2020), “Improving urban water security through pipe-break prediction models: Machine learning or survival analysis”, Journal of Environmental Engineering, 146(3), 04019129, https://doi.org/10.1061/(ASCE)EE.1943-7870.0001657

Solomatine, D.P., and Ostfeld, A., (2008), “Data-driven modelling: Some past experiences and new approaches”, Journal of Hydroinformatics, 10(1), 3-22, https://doi.org/10.2166/hydro.2008.015

Wang, X., Mazumder, R.K., Salarieh, B., Salman, A.M., Shafieezadeh, A., and Li, Y., (2022), “Machine learning for risk and resilience assessment in structural engineering, Progress and future trends”, Journal of Structural Engineering, 148(8), 03122003, https://doi.org/10.1061/(ASCE)ST.1943-541X.0003392

Wu, Y., and Liu, S., (2017), "A review of data-driven approaches for burst detection in water distribution systems", Urban Water Journal, 14(9), 972-983, https://doi.org/10.1080/1573062X.2017.1279191

Yamijala, S., Guikema, S.D., and Brumbelow, K., (2009), “Statistical models for the analysis of water distribution system pipe break data”, Reliability Engineering & System Safety, 94(2), 282-293, https://doi.org/10.1016/j.ress.2008.03.011