Un riesgo

Scientific Reports volumen 13, número de artículo: 12200 (2023) Citar este artículo

301 Accesos

1 altmétrica

Detalles de métricas

Las Redes de Distribución de Agua (WDN) están consideradas una de las infraestructuras hidráulicas más importantes, siendo de gran importancia su estudio. Mientras tanto, parece necesario investigar los factores implicados en el fracaso de la red de distribución de agua urbana para gestionar de manera óptima los recursos hídricos y el medio ambiente. Este estudio investigó el impacto de factores influyentes en la tasa de fallas de la red de distribución de agua en Birjand, Irán. Los resultados pueden considerarse un estudio de caso, con posibilidad de extenderse a cualquier ciudad similar del mundo. El sensor suave basado en el Sistema de Inferencia Neuro-Fuzzy Adaptativo (ANFIS) se implementó para predecir la tasa de fallas en función de características efectivas. Finalmente, la WDN se evaluó mediante la técnica de Análisis de Modos y Efectos de Falla (FMEA). Los resultados mostraron que el diámetro de la tubería, el material de la tubería y la presión del agua son los factores más influyentes. Además, las tuberías de polietileno tienen un índice de fallos cuatro veces superior al de las tuberías de fibrocemento. Además, la tasa de falla es directamente proporcional a la presión del agua pero inversamente relacionada con el diámetro de la tubería. Finalmente, el análisis AMEF basado en la técnica de gestión del conocimiento demostró que la gestión de la presión en las WDN es la principal política para la reducción del riesgo de fugas y fallas.

Actualmente, los recursos de agua dulce ocupan un tema candente entre otros recursos naturales del planeta1. Las Redes de Distribución de Agua (WDN) son recursos hídricos, líneas de transmisión, depósitos, estaciones de bombeo, tuberías y grifos interconectados. Esta red proporciona agua dulce a los usuarios en la cantidad y calidad requeridas. El mantenimiento de estas redes tiene gran importancia en los sistemas de abastecimiento de agua, especialmente en términos de coste. El análisis de fallos está ganando más importancia y atención a medida que las WDN se vuelven cada vez más complejas2,3,4,5. Hay nuevos aspectos del mantenimiento en la WDN, como los sistemas de control del crecimiento microbiano entre las instalaciones declaradas mediante procesos de desinfección6, la programación del mantenimiento en la WDN mediante metaheurísticas7, la aplicación de áreas medidas de distrito (DMA) y los procesos de control de fallas de la WDN mediante la integración de EPANET8 y áreas geográficas. modelado. Cada estudio se ha centrado en un aspecto especial del tema mencionado, y deberían ser considerados en futuros estudios.

Además, predecir la robustez o vulnerabilidad de una WDN durante la fase de diseño o en el caso de redes operativas sigue siendo una tarea desafiante hoy en día9. Dado que la WDN está constantemente sujeta a amenazas físicas, estructurales y operativas que conducen a su falla, se deben considerar sus requisitos de seguridad, monitoreo y planificación de rehabilitación para una mayor confiabilidad del sistema de suministro de agua dulce. Además de la imposibilidad de inspeccionar visualmente las instalaciones subterráneas, reparar y reemplazar estas infraestructuras también es costoso10. Cabe señalar que el funcionamiento de la WDN depende del diseño y gestión de la red. Muchos investigadores se centraron en los efectos de las fallas de la WDN en diferentes niveles y estados. En un estudio de11 se propone un modelo multicriterio al respecto, el cual se basa en la adecuación, equidad y eficiencia del sistema de entrega de agua. Se realizaron numerosos estudios para identificar y categorizar las consecuencias del fracaso en las RMD, especialmente determinando los aspectos financieros del fracaso12,13. Estos estudios fueron seguidos por investigaciones centradas en las principales razones que conducen al fracaso y en el desarrollo de estrategias para mejorar la red. La frecuencia de fallas se puede estudiar como la tasa de fallas, que es el número de fallas por km de tubería en WDN por año14.

A pesar de su simplicidad, es un parámetro integral y representa el comportamiento general de la red. Además, podría usarse para determinar la resiliencia de la red en caso de eventos naturales. Se han elegido tasas de falla para analizar la vulnerabilidad sísmica de la WDN de la ciudad de Bilda en Argelia, que se calcula en función del movimiento del suelo y se multiplica por factores de corrección del material y el diámetro de la tubería15. Otro estudio ha desarrollado un método para evaluar el estado de la WDN utilizando la tasa de fracaso y otros indicadores16. Se han realizado estudios similares en Rusia17, Ucrania18, Países Bajos19 y Vietnam20 evaluando el efecto de las características de la WDN en los eventos de falla. Hay varios factores que contribuyen a las fallas en una WDN, incluido el envejecimiento de la tubería, el material de la tubería, el diámetro de la tubería, la capacidad hidráulica, las propiedades del agua, la protección contra golpes de ariete, la pérdida de agua, la corrosión, las propiedades del suelo, la temperatura y la presión del agua16,21,22,23 . En este sentido, algunos estudios se centraron en la planificación de la rehabilitación de la RMD y la priorización de los factores contribuyentes22,23; mientras que algunos otros estudios intentaron investigar la interacción de estos parámetros e indicar los factores fundamentales24,25. Generalmente, los principales factores que contribuyen al fallo en las WDN podrían clasificarse en tres grupos: factores físicos, ambientales y operativos26. Los factores físicos se refieren principalmente a las características de la tubería, mientras que los factores ambientales se centran en el entorno de la tubería, como la temperatura del suelo. Los factores operativos, principalmente la presión del agua, varían en el tiempo, dependiendo del estado de la red y del ritmo de consumo.

A diferencia de los factores físicos y ambientales, los factores operativos son dinámicos y más complicados27. Se evaluó la relación entre las condiciones hidráulicas dinámicas y el fallo de la red en una WDN en el Reino Unido28. En una investigación exhaustiva,29 han utilizado modelos basados ​​en datos y un enfoque de regresión no lineal multivariante para obtener un modelo único que describa las tasas de falla con respecto a la presión del agua y las propiedades de las tuberías. En otro estudio, todos los factores contribuyentes se agregaron en un factor de seguridad y se introdujo un método para estimar la tasa de falla mediante la realización de un análisis de riesgos30. Además, los sistemas inteligentes de detección de fugas en redes de distribución de agua han avanzado significativamente con la integración de modelos dinámicos. Estos modelos utilizan datos en tiempo real y algoritmos avanzados para identificar y localizar con precisión fugas dentro de la red. Al monitorear continuamente parámetros como la presión, el caudal y la calidad del agua, estos modelos dinámicos pueden detectar anomalías y desviaciones que pueden indicar la presencia de fugas. La integración de sensores inteligentes y análisis de datos permite una detección rápida, lo que permite tomar medidas inmediatas para minimizar la pérdida de agua y evitar daños mayores. Además, estos sistemas brindan información valiosa sobre el estado general y la eficiencia de la red, lo que facilita el mantenimiento proactivo y mejora la sostenibilidad de los sistemas de distribución de agua. La aplicación de modelos dinámicos en la detección inteligente de fugas representa un paso crucial hacia una gestión del agua más eficaz y eficiente en el uso de los recursos31.

En resumen, existen dos enfoques para analizar los factores que contribuyen al fracaso en una WDN. El primero clasifica los factores y analiza su contribución por separado17,18,19,20,28, y en otro se considera la contribución global de todos los factores29,30.

A continuación se analizan explicaciones más precisas sobre la importancia de las características hidráulicas29,30. La presión del agua juega un papel crucial en el rendimiento y la confiabilidad de una red de distribución de agua. La alta presión del agua puede someter las tuberías a una tensión excesiva, lo que aumenta la probabilidad de fallos como fugas y explosiones. De manera similar, la baja presión del agua puede causar problemas como corrosión de las tuberías y reducción de la capacidad de flujo. Mantener una presión de agua óptima dentro del rango recomendado puede ayudar a minimizar las tasas de falla y prolongar la vida útil de las tuberías. Además, el material de las tuberías utilizadas en una red de distribución de agua afecta significativamente su vulnerabilidad a fallas. Los diferentes materiales de tuberías tienen diferentes resistencias a la corrosión, fuerzas externas y presión interna. Los materiales comunes de las tuberías incluyen hierro fundido, hierro dúctil, acero, hormigón, PVC (cloruro de polivinilo) y HDPE (polietileno de alta densidad). Los materiales propensos a la corrosión, como el hierro fundido, pueden experimentar mayores tasas de falla con el tiempo, mientras que los materiales resistentes a la corrosión como el PVC y el HDPE suelen ser más duraderos17,19. La edad de las tuberías es un factor crítico que influye en las tasas de falla en una red de distribución de agua. A medida que las tuberías envejecen, son más susceptibles al deterioro, la corrosión y la degradación del material. Las tuberías más antiguas pueden presentar una integridad estructural reducida, una mayor vulnerabilidad a las fugas y una capacidad hidráulica reducida. Además, las tuberías envejecidas podrían enfrentar desafíos para satisfacer las crecientes demandas del suministro de agua. Las inspecciones periódicas, el mantenimiento y el reemplazo de tuberías antiguas pueden ayudar a mitigar las tasas de fallas y mejorar el rendimiento del sistema28. El diámetro de las tuberías afecta la capacidad de flujo y la distribución de presión dentro de una red de distribución de agua. Un diámetro de tubería inadecuado puede provocar velocidades y presiones más altas, provocando tensiones excesivas y aumentando la probabilidad de fallas. Por otro lado, las tuberías sobredimensionadas pueden dar lugar a bajas velocidades, menor eliminación de sedimentos y mayor vulnerabilidad a la corrosión interna. Un diseño hidráulico adecuado que tenga en cuenta factores como la demanda de agua, la longitud de la tubería y las características del terreno ayuda a garantizar diámetros de tubería adecuados, lo que reduce las tasas de falla y optimiza el rendimiento del sistema29,30.

Es importante señalar que las tasas de falla en una red de distribución de agua están influenciadas por la interacción de estas características y son específicas del contexto. Las condiciones ambientales locales, las prácticas de mantenimiento, la calidad de la instalación y el diseño del sistema también contribuyen a las tasas generales de fallas. Realizar evaluaciones periódicas del estado, implementar estrategias de mantenimiento efectivas y considerar estas características de la red durante la planificación y el diseño puede ayudar a reducir las tasas de falla, mejorar la confiabilidad del sistema y garantizar el suministro de un suministro de agua seguro y sostenible a los consumidores32.

Este estudio investiga inicialmente las tasas de fallas en una zona de la WDN de la ciudad de Birjand en Irán y las características de la red, incluida la presión del agua, el material de las tuberías, la edad de las tuberías y el diámetro de las tuberías. Luego, utilizando modelos matemáticos, se modela por separado la relación entre la tasa de fallas y las características de la WDN. En el siguiente paso, con la aplicación de algoritmos de aprendizaje automático, se desarrolla un modo inteligente para la predicción de tasas de falla en función de los parámetros efectivos declarados. Finalmente, se ejecuta una lógica basada en riesgos en WDN para controlar posibles fallas en el caso de estudio.

Para establecer la brecha de investigación en este campo y subrayar la importancia de nuestro estudio, realizamos un análisis cienciométrico utilizando la caja de herramientas Bibliometrix en el lenguaje de programación R. Para hacer esto, obtuvimos una base de datos del centro de datos Scopus y utilizamos la caja de herramientas Bibliometrix para analizar los datos en el software R Studio33. Para el análisis de Cienciometría, se busca la red de distribución de agua y sus fallas en el banco de datos Scopus. En el buscador se encontraron 619 documentos desde 1977 hasta 2023. Los tipos de documentos fueron artículos de revista (60,4%), ponencias de congresos (34,2%), artículos de revisión (1,9%), capítulos de libros (1,3%), artículos de revisión de congresos ( 1,1%), notas (0,5%), libros (0,3%) y editoriales (0,2%).

Considerando las Figs. 1 y 2, se puede encontrar que la evaluación de fallas en las WDN con la integración de modelos predictivos y análisis de riesgos es un tema poco común, y los investigadores a nivel mundial no lo están considerando en función de diferentes regiones. Además, estos modelos matemáticos son diferentes en estudios de casos diferentes y deben evaluarse de forma independiente. La presente investigación evaluó el estudio de caso según los efectos de parámetros principales como la presión hidrostática e hidrodinámica, el diámetro de la tubería y el tipo de tubería debido a la estimación de la tasa de fallas en la WDN.

El mapa de la nube de Word como resultado de Bibliometrix en el software R Studio.

El diagrama de temas de tendencias de Bibliometrix en el software R Studio.

Como se puede concluir con base en la Fig. 1, la gestión del suministro de agua y los conceptos de suministro de agua tienen una alta correlación con el análisis de fallas, que es el núcleo de este estudio. En la Fig. 2, utilizando R Studio y Bibliometrix, se realizó un examen exhaustivo de publicaciones académicas para identificar áreas temáticas clave y determinar su evolución a lo largo del tiempo. El análisis reveló que la tendencia a partir de 2016 muestra un interés creciente en comprender las causas de las fallas del sistema, explorar los mecanismos de deterioro y abordar los desafíos de la gestión de los recursos hídricos. Este cambio en el enfoque de la investigación refleja el creciente reconocimiento de la necesidad de mejorar la resiliencia y la sostenibilidad de los sistemas de suministro de agua. El mapa de colaboración presentado en este artículo (Fig. 3) es una representación visual importante de los esfuerzos de investigación internacionales relacionados con el tema. Al mostrar los países donde se encuentran los investigadores involucrados en el tema y resaltar las colaboraciones entre ellos, el mapa proporciona información valiosa sobre el panorama global de la investigación en este campo. Esta información se puede utilizar para identificar posibles socios de investigación, identificar brechas en la investigación que deben abordarse y comprender mejor el panorama general de la investigación en este campo. El mapa también enfatiza la importancia de la colaboración y su papel en el avance de la investigación y la generación de nuevos conocimientos. El plan esquemático de la principal colaboración internacional (Fig. 3) y los autores principales (Fig. 4) transmiten que el presente tema es trabajado por diferentes científicos en diferentes países y con colaboración internacional. Además, este tema fue desarrollado en Irán con algunos investigadores de Estados Unidos. Mientras que, según la Fig. 4, se puede ver que en 2017-2022 se publicaron muchas publicaciones sobre este tema. Con base en la Fig. 3, se puede entender que el número máximo de artículos de investigación publicados en el campo del análisis de fallas en WDN están relacionados con EE. UU., China, Irán y Australia con colores más fuertes. mientras que las colaboraciones de China y Estados Unidos fueron mayores que otras en el área de investigación mencionada. Según la Fig. 4, hay dos redes científicas más grandes en el campo que se muestran en colores azul y rojo. Las evaluaciones demostraron que la red de investigación más extensa estuvo investigando en el campo desde 1998 hasta ahora, y la más pequeña estuvo practicando aproximadamente desde 2020. También es crucial tener en cuenta que, como la Fig. 4 solo cubre la tendencia y la importancia de la investigación, No todas estas fuentes han sido analizadas a fondo, y sólo aquellas que tienen una relación directa con esta investigación han sido cuidadosamente estudiadas, revisadas y citadas en el presente artículo.

El mapa de colaboración de países en el software R Studio basado en el banco de datos Scopus, línea roja: El camino de la cooperación entre países.

La cita histórica directa en el software R Studio sobre este tema según el banco de datos Scopus, línea roja: Red de colaboración del grupo 1 y línea azul: red de colaboración del grupo 2.

Después de realizar un análisis cienciométrico y revisar estudios relevantes, se hizo evidente que existe una brecha de investigación en el área del análisis de fallas de las WDN con un enfoque en el modelado matemático. Esta brecha en la investigación es particularmente relevante tanto desde la perspectiva científica como industrial, especialmente en países en desarrollo como Irán, donde recientemente se han estudiado otras investigaciones ambientales34,35. Además, en el presente estudio, incorporamos todas las dimensiones del análisis de riesgos, cálculos de aprendizaje automático como predictor y simulaciones hidráulicas simultáneamente, lo cual es un enfoque novedoso en este campo. Para abordar esta brecha de investigación, nos propusimos lograr los siguientes objetivos en nuestro estudio:

Análisis matemático de la tasa de fallas en la red de distribución de agua y su relación con el diámetro de la tubería, tipo de tubería y valores de presión.

Modelado de diferentes distribuciones estadísticas para la evaluación de tasas de fracaso basadas en parámetros efectivos.

La aplicación del modelo ANFIS para la ejecución de soft-sensor como predictor de falla.

Análisis inteligente de riesgos de WDN con la aplicación de la técnica FMEA

A continuación, los métodos numéricos y conceptuales de la presente investigación, así como el estudio de caso, se presentan en la Sección 2. El principal logro de la presente investigación se presenta en la Sección 3 como resultado y discusión. Finalmente, los principales resultados del presente estudio se presentan en la Sección 4 a modo de conclusión.

La hoja de ruta de investigación del presente estudio se muestra en la Fig. 5. Según el esquema, primero se recopilan algunos datos de WDN debido a la simulación de presiones hidrodinámicas e hidroestadísticas. Luego, se clasifican los datos de WDN en función de los fenómenos de falla (tipos de tuberías, diámetros de tuberías, presión). En el siguiente paso, se evalúan los modelos de regresión separados entre las características de falla efectiva y la tasa de falla. Luego, teniendo en cuenta todos los parámetros operativos, se desarrolla un modelo ANFIS y se continúa el proceso hasta alcanzar un coeficiente de correlación deseable (más del 90%). Finalmente, la WDN se examina mediante la aplicación del análisis de riesgos. En el presente estudio, existen dos bancos de datos diferentes que están relacionados con dos momentos diferentes. El primer conjunto de datos se utiliza para correlaciones individuales entre la tasa de fallas y los tipos de tubería/diámetro de tubería/presión. Además, el conjunto de datos actualizado (cuatro años después del primero) se utiliza para la ejecución de cálculos de aprendizaje automático. En el segundo modelo, los datos se recopilan considerando todas las características y el banco de fallas en WDN se completa de manera más exhaustiva. En la presente investigación, la tasa de fallas se define con base en dos significados diferentes: número de fallas por km de tubería por año y número de fallas por año. Cuando se analiza la tasa de falla de las tuberías en función de los diámetros y tipos de tuberías, se considera la longitud de la tubería, porque es una unidad discreta. Mientras se evalúan los valores de presión, solo se evalúa la aplicación de la tasa de fallas con el número de eventos por año. Porque la presión no está relacionada con una tubería específica y aumenta y disminuye según el comportamiento hidráulico de los bucles en WDN. Por lo tanto, la presión registrada en el momento del evento se evalúa como cantidad prerracional. Finalmente, en el modelo ANFIS, debido a la integración del tipo de tubería, diámetro de tubería y presión, se obtiene la frecuencia de fallas por km por año.

La hoja de ruta de investigación del presente estudio.

El clima de la ciudad de Birjand es árido según la clasificación climática de Rego36. Birjand es la capital de la provincia de Khorasan del Sur, Irán, con una superficie de 85 kilómetros cuadrados y una población de 230.000 habitantes. La red de distribución de agua de Birjand es la segunda más antigua de Irán (los primeros sectores se instalaron en 1925). La red de agua tiene una longitud total de 47 km e incluye tuberías con diámetros que oscilan entre 32 y 600 mm. El material de las tuberías es principalmente polietileno (PE) o fibrocemento (AC). El agua es abastecida por 40 pozos con un caudal promedio de 80 L/s. La topografía de la ciudad divide la RMD en seis zonas. Este estudio está dedicado a la zona B de Birjand WDN (Fig. 6). Todos los mapas de la presente investigación fueron preparados mediante el Sistema de Información Geográfica (SIG) en el entorno ArcMap.

Zona B de la red de distribución de agua de Birjand en Irán.

Esta zona tiene 33 nodos y 44 tuberías. La altitud del único embalse es de 1534,3 m, mientras que las altitudes de los nodos más altos y más bajos son de 1512,3 y 1466,5 m, respectivamente. La Figura 7 muestra la zona B de Birjand WDN, modelada en el software WaterGEMS.

Zona B de la red de distribución de agua de Birjand modelada en el software WaterGEMS.

La falla en la distribución de agua puede referirse a una variedad de situaciones en las que el sistema de suministro de agua no puede entregar agua a los consumidores como estaba previsto. Esto puede deberse a diversos factores, como fugas, roturas de tuberías, mal funcionamiento de los equipos, cortes de energía o desastres naturales37,38. En este estudio, cabe señalar que el término "falla" se refiere explícitamente a roturas de tuberías y fugas en la WDN. Tales fallas pueden causar escasez de suministro de agua, reducción de la presión del agua o comprometer la calidad del agua, lo que puede tener impactos inmediatos y a largo plazo en los consumidores y en la empresa de agua. Para prevenir y gestionar fallas en la distribución de agua, el mantenimiento proactivo y las reparaciones oportunas son esenciales para garantizar la confiabilidad y seguridad del sistema de suministro de agua. Todos los datos de fallas relacionados con Birjand WDN se han guardado en la base de datos de mantenimiento preventivo (PM) desde 2007. Estos datos incluyen la fecha y ubicación de la falla, el tipo, la causa de la falla, el material, el diámetro de la tubería, el tiempo de resolución y el número. de usuarios involucrados con la falla. En este estudio se analizan todos los eventos de falla en 2009 que ocurrieron en la zona B. Los datos de la base de datos de PM fueron extraídos y luego validados en el software Excel39. Posteriormente, cada ubicación de falla se superpuso en la capa WDN en el software ArcGIS 9.340 para tener la distribución espacial de las fallas en la zona B. El mapa de densidad de fallas en el período de investigación en la zona B se muestra en la Fig. 8.

La densidad de fallas en la zona B de Birjand WDN en Irán.

Para indicar la tasa de fallas por tramo de tuberías en la zona B, se dividió el número de fallas en cada tubería por la longitud de la tubería. Las longitudes de las tuberías se midieron mediante la barra de herramientas Geométrica en ArcGIS 9.3.

Para medir la presión del agua, se instalaron barómetros comerciales (Indumart Inc., Canadá) en 14 puntos de la zona B de la WDN de Birjand. La ubicación de los puntos se seleccionó en función de la altitud con el fin de incluir los cabezales de menor y mayor presión de la red en las horas de mayor consumo. Los límites de presión dinámica se dibujaron en ArcGIS 9.3 mediante las barras de herramientas Spatial Analyst y Geostatistical Analyst. La presión estática en cada píxel de la zona se midió por la diferencia entre la altura del agua en el embalse y la elevación del lugar de cada falla, la cual se obtuvo del modelo de elevación digital (DEM).

La correlación entre la tasa de fallas y las características de WDN se modela matemáticamente mediante funciones estadísticas, incluidas funciones gaussianas, exponenciales, de Fourier, polinómicas y de potencia. Además, para encontrar el mejor modelo, se evaluó el ajuste de curvas de los modelos, considerando los índices R2, SSE (suma de errores cuadráticos) y RMSE (error cuadrático medio).

El Sistema Adaptativo de Inferencia Neuro-Fuzzy (ANFIS) es un poderoso modelo computacional que combina las capacidades de la lógica difusa y las redes neuronales. ANFIS se utiliza ampliamente para análisis de datos, modelado de sistemas y tareas de toma de decisiones. Proporciona un marco flexible para aproximar funciones no lineales complejas mediante la integración de reglas de lógica difusa y aprendizaje de redes neuronales. ANFIS consta de cinco componentes principales41,42:

Fuzzificación: en este paso, las variables de entrada se convierten en términos lingüísticos difusos mediante funciones de membresía. La fuzzificación ayuda a representar los datos de entrada en una forma lingüística adecuada para la inferencia difusa.

Base de reglas: la base de reglas define las reglas de lógica difusa que relacionan las variables de entrada con la variable de salida. Estas reglas generalmente se expresan en forma de declaraciones SI-ENTONCES, donde el antecedente representa las condiciones de entrada y el consecuente representa la salida.

Inferencia difusa: en esta etapa, las variables de entrada se combinan con las reglas de lógica difusa para generar salidas difusas. El proceso de inferencia difusa implica hacer coincidir los valores de entrada con los conjuntos difusos definidos en las funciones de pertenencia y aplicar las reglas de lógica difusa para determinar el grado de pertenencia de cada regla.

Defuzzificación: la defuzzificación convierte las salidas difusas en valores numéricos nítidos. Por lo general, esto se hace utilizando métodos como el centroide o el promedio ponderado para calcular el resultado final.

Aprendizaje: ANFIS utiliza un algoritmo de aprendizaje híbrido que combina el método de retropropagación de redes neuronales con la estimación de mínimos cuadrados de lógica difusa. Esto permite a ANFIS ajustar de forma adaptativa los parámetros del sistema de inferencia difusa en función de un conjunto de datos de entrenamiento determinado.

ANFIS ha encontrado aplicaciones en varios campos, incluido el control de sistemas, el reconocimiento de patrones, la previsión y la optimización. Su capacidad para manejar sistemas complejos e incorporar conocimiento experto a través de lógica difusa lo convierte en una herramienta versátil en muchos dominios.

En esta sección de investigación, mediante la aplicación de MATLAB 2018b, ANFIS presenta un modelo inteligente para la predicción de fallas. Para ello, en el método de Sugeno se selecciona una función de pertenencia gaussiana con tres números para cada parámetro de entrada (tipo de tuberías, diámetro de las tuberías y valores de presión)41,42. Asimismo, el número de épocas en el sistema de optimización híbrido se establece en 30 según las prácticas de prueba y error. Para el proceso de predicción, se extraen 30 eventos del conjunto de datos de Gestión Preventiva (PM) y luego el 70% de los datos se aplica al proceso de capacitación. El porcentaje restante de datos (30% de los datos) se utilizó para prácticas de prueba. En el proceso de aprendizaje, los valores codificados de los tipos de tuberías PE y AC son iguales a 1 y 2, respectivamente.

El análisis modal de fallas y efectos (FMEA) es un enfoque sistemático y proactivo que se utiliza para identificar y analizar fallas potenciales en un sistema o proceso. FMEA se emplea ampliamente en industrias como la fabricación, la ingeniería y la atención médica para mejorar la confiabilidad, la calidad y la seguridad. El algoritmo FMEA consta de los siguientes pasos clave43,44:

Definir el alcance: El primer paso para realizar un AMEF es definir claramente el alcance del análisis. Esto implica identificar el sistema o proceso que será evaluado y determinar los límites y objetivos del análisis.

Reúna el equipo: se reúne un equipo interdisciplinario de expertos para realizar el AMEF. El equipo suele incluir personas con conocimientos y experiencia en diferentes áreas relevantes para el sistema que se analiza.

Desglose del Sistema: El sistema bajo análisis se descompone en sus componentes o subprocesos. Este desglose jerárquico ayuda a identificar modos de falla en diferentes niveles del sistema.

Identificar modos de falla: para cada componente o subproceso, el equipo identifica posibles modos de falla. Un modo de falla representa una forma específica en la que un componente o proceso puede no cumplir con su función prevista. Se utilizan sesiones de lluvia de ideas, análisis de datos históricos y conocimiento experto para identificar todos los modos de falla posibles.

Determinar los efectos de las fallas: una vez que se identifican los modos de falla, el equipo determina los efectos o consecuencias de cada modo de falla. Este análisis ayuda a evaluar el impacto de las fallas en el rendimiento del sistema, la seguridad y otros factores críticos. Los efectos pueden incluir fallas funcionales, riesgos para la seguridad, impactos ambientales o insatisfacción del cliente.

Asignar clasificaciones de gravedad: a cada modo de falla se le asigna una clasificación de gravedad según el impacto potencial que puede tener en el sistema o proceso. Las clasificaciones de gravedad suelen variar de baja a alta y ayudan a priorizar los modos de falla más críticos. El equipo evalúa la gravedad en función de las consecuencias del modo de falla, considerando factores como la seguridad, la salud, el cumplimiento normativo y la satisfacción del cliente.

Evaluar la probabilidad de ocurrencia: el equipo evalúa la probabilidad o frecuencia de que ocurra cada modo de falla. Este paso considera datos históricos, conocimiento de expertos y otra información relevante para asignar una calificación que refleje la probabilidad de ocurrencia. La clasificación de ocurrencia representa la probabilidad de que ocurra un modo de falla antes de que se tomen medidas preventivas.

Evaluar los métodos de detección actuales: el equipo evalúa la efectividad de los mecanismos de detección actuales implementados para identificar o prevenir la ocurrencia de un modo de falla. Se asigna una calificación de detección en función de la probabilidad de detectar la falla antes de que cause consecuencias significativas. La evaluación considera los sistemas de seguimiento, inspección y control disponibles.

Calcule RPN: al multiplicar las calificaciones de gravedad, ocurrencia y detección, se calcula un RPN para cada modo de falla. La RPN ayuda a priorizar los modos de falla en función de sus niveles de riesgo potenciales. Cuanto mayor sea el RPN, mayor será la prioridad para un mayor análisis y acción.

Priorizar e implementar acciones: el equipo analiza los valores de RPN y prioriza los modos de falla para acciones futuras. Con base en el análisis, se definen acciones apropiadas para mitigar o eliminar los modos de falla identificados. Estas acciones pueden incluir modificaciones de diseño, mejoras de procesos, pruebas adicionales, capacitación o cambios de procedimientos.

Seguimiento y revisión: una vez implementadas las acciones, el equipo realiza un seguimiento de su eficacia y revisa los resultados. Se realizan revisiones y actualizaciones periódicas del AMEF para incorporar nueva información, lecciones aprendidas o cambios en el sistema.

Siguiendo estos pasos, el algoritmo FMEA permite identificar y abordar fallas potenciales de manera proactiva, mejorando así la confiabilidad, calidad y seguridad de los sistemas o procesos.

El análisis de riesgos también implica examinar y evaluar los riesgos potenciales asociados con una acción o decisión específica para determinar su probabilidad y su impacto potencial y desarrollar planes para reducir o gestionar esos riesgos. Este proceso generalmente incluye identificar y evaluar posibles peligros o vulnerabilidades, analizar la probabilidad y las posibles consecuencias de cada riesgo y desarrollar estrategias para minimizar o mitigar los riesgos45. En esta parte, aplicando el método AMEF se evalúa la posibilidad de fallo43,44. Para evaluar los posibles problemas en la RMD, se distribuye un cuestionario entre diez expertos de la Empresa de Gestión del Agua de la ciudad de Birjand. En el método FMEA de esta investigación, los expertos otorgaron puntuaciones entre los eventos de alto riesgo. El proceso de puntuación se realiza según tres índices que contienen una calificación de ocurrencia (O), una calificación de gravedad (S) y una calificación de detectabilidad (D) entre 0 y 10. Se puede calcular el RPN y la actividad relacionada se seleccionará en diferentes condiciones. Finalmente cabe mencionar que los diferentes niveles de NPR son43:

RPN ≤ 8 (Nivel I): Los riesgos que caen dentro de este rango se consideran tolerables, lo que indica que los modos de falla asociados tienen calificaciones de gravedad, ocurrencia y detección relativamente bajas. Si bien existe cierto nivel de riesgo, se considera aceptable dentro del contexto dado.

9 ≤ RPN ≤ 15 (Nivel II): Los riesgos en este rango sugieren que la operación puede continuar, pero entendiendo que medidas de control y atención adicionales pueden ser beneficiosas. Aunque el riesgo no es alarmante, es recomendable mejorar el seguimiento e implementar acciones preventivas para mitigar posibles problemas.

16 ≤ RPN ≤ 30 (Nivel III): Los riesgos dentro de este rango indican la necesidad de acciones correctivas. Los valores de RPN sugieren que la gravedad, ocurrencia o detección del modo de falla asociado es moderadamente alta. Se recomienda implementar medidas adecuadas para abordar estos riesgos para prevenir posibles efectos adversos.

31 ≤ RPN ≤ 34 (Nivel IV): Los riesgos que se encuentran dentro de este rango significan un mayor nivel de preocupación. Es necesario tomar acciones correctivas específicas para mitigar los riesgos asociados a estos modos de falla. No abordar estos riesgos con prontitud puede tener consecuencias indeseables.

35 ≤ RPN ≤ 45 (Nivel V): Los riesgos en este rango exigen atención inmediata y acciones correctivas rápidas. Los valores de RPN sugieren un nivel significativo de gravedad, ocurrencia o detección de problemas que requieren medidas rápidas y decisivas para mitigar los riesgos de manera efectiva.

RPN ≥ 46 (Nivel VI): Los riesgos que exceden este umbral indican una situación crítica donde se debe detener la operación hasta que los riesgos se reduzcan sustancialmente. Los altos valores de RPN implican consecuencias potenciales graves que requieren acción inmediata y un enfoque integral de gestión de riesgos.

En general, el análisis hidráulico de una WDN implica estudiar el flujo de agua a través de tuberías, evaluar la distribución de presión y evaluar el rendimiento del sistema. La presión estática se refiere a la presión que ejerce el agua en las tuberías cuando no hay flujo, mientras que la presión dinámica está asociada al movimiento del agua dentro de la red. El efecto de los parámetros dinámicos sobre la falla y la relación entre la presión del agua y la tasa de falla son los factores principales en muchos estudios46,47,48,49. Las presiones dinámicas y estáticas (basadas en la altitud) en la zona B de Birjand WDN a tasas máximas y mínimas de consumo de agua se calcularon y presentaron en las Fig. 9a yb, respectivamente. Los detalles de las evaluaciones hidrodinámicas e hidrostáticas de WDN se resumen en la Tabla 1. En WaterGEMS, la hidrostática se refiere al análisis de la distribución de la presión del agua en una red de distribución de agua cuando el agua está en reposo o en condiciones estáticas. El principio fundamental que rige la hidrostática es la ley de Pascal, que establece que la presión en cualquier punto de un fluido es igual en todas las direcciones8. La hidrodinámica se centra en el estudio de los fluidos en movimiento, incluidos el flujo, la presión y la velocidad. En WaterGEMS, la hidrodinámica juega un papel crucial en la gestión de la presión y los caudales dentro de la red de distribución de agua para garantizar un funcionamiento eficiente y confiable8.

Estado de presión dinámica (a) y estática (b) (metro de agua) en la zona B de Birjand WDN en Irán.

Los resultados muestran que tanto las presiones estáticas como las dinámicas varían enormemente en toda la red. Esta fluctuación de presión espacial y temporal contribuye a fallas de tuberías en la red al crear cargas cíclicas y desarrollar grietas28. Además, las tasas de falla con respecto a la presión en la zona B de Birjand WDN se muestran en la Fig. 10, que podría usarse para estudiar numéricamente la correlación entre estos dos parámetros50.

Frecuencia de fallas (frecuencia de fallas de tuberías por año) en la zona B de Birjand WDN con respecto a la altura de presión (metro de agua).

Los resultados muestran que la presión y la tasa de falla están considerablemente relacionadas entre sí, es decir, la ocurrencia de falla es más probable a alta presión20,28. Rezaei et al. in28 ha analizado el efecto de varios factores contribuyentes a las fallas en el Reino Unido utilizando datos históricos, incluidos casi 78.000 registros de fallas para una WDN con un total de 48.000 km de longitud y 48 DMA de 2003 a 2013. La presión en su estudio de caso varió entre Presión de columna de agua de 0 y 25 m. Los resultados de su estudio mostraron que la tasa de fallas aumenta linealmente de 1 a 4 fallas por km de longitud de tubería por año en el rango de baja presión. En un estudio anterior realizado por20, los autores examinaron la probabilidad de falla en cuatro áreas específicas de la ciudad de Ho Chi Minh, Vietnam. Analizaron la relación entre la probabilidad de falla y la presión, que oscilaba entre 0 y 500 m de agua. Los resultados de su investigación revelaron un aumento gradual y lineal en la probabilidad de falla hasta 50 m de presión, seguido de un aumento rápido y exponencial hasta 300 m de presión. Una vez que la presión alcanzó los 300 m de agua, la probabilidad de falla fue casi 1 y continuó acercándose constantemente a 1 a medida que la presión alcanzó los 500 m de agua. En línea con esta investigación previa, el presente estudio se centró en la zona B de la Red de Distribución de Agua de Birjand (WDN). Los hallazgos del presente estudio demostraron un patrón similar, con un suave aumento en la probabilidad de falla observado dentro del rango más bajo de presiones. Sin embargo, una vez que la presión superó los 50 m de agua, la probabilidad de falla aumentó drásticamente.

Para analizar numéricamente la correlación entre falla y presión, se podrían aplicar modelos matemáticos y funciones estadísticas para obtener el mejor ajuste de la curva. La Tabla 2 muestra los resultados de diferentes funciones en el modelado de fallas con respecto a la presión. Para determinar la mejor manera de describir la relación entre variables en nuestro estudio, utilizamos seis modelos matemáticos diferentes: funciones de potencia, exponencial, de Fourier, gaussiana, racional y polinómica. Según51, las funciones de potencia se emplean a menudo para modelar relaciones en las que una variable cambia a un ritmo más rápido que la otra. Estas funciones toman la forma y = axb, donde a y b son constantes y x es la variable independiente. Las funciones exponenciales, que tienen la forma y = abx, donde a y b son constantes y x es la variable independiente, se utilizan comúnmente para describir procesos de crecimiento y decadencia52. Las funciones de Fourier, que tienen una forma compleja, se utilizan a menudo en el procesamiento y análisis de señales53. Las funciones gaussianas, que se utilizan frecuentemente para modelar fenómenos naturales como la distribución de medidas en una población, toman la forma \({y=e}^{\frac{{-(\mathrm{x }-\upmu )}^ {2}}{{2\upsigma }^{2}}}\), donde μ y σ son la media y la desviación estándar, respectivamente54. Las funciones polinómicas, que pueden aproximarse a una amplia gama de curvas y formas, se utilizan a menudo para modelar relaciones complejas entre variables50. Para el modelado de regresión del fracaso basado en características efectivas, se aportan algunos estudios diferentes, como 55,56,57 y 58.

En la Tabla 2, donde F es la frecuencia de fallas (número de fallas por año), P es la altura de presión (m de agua) y otros parámetros son las constantes basadas en su modelo matemático. Se prefieren los modelos matemáticos con los valores R cuadrado más altos y SSE y RMSE más bajos (con SSE entre 0 y 1).

Al ajustar los datos para encontrar el mejor modelo matemático, se consideraron varios enfoques. El primer método empleado fue la función exponencial, que supone un crecimiento o decrecimiento exponencial. Sin embargo, es importante señalar que la función exponencial puede no proporcionar un ajuste preciso si la relación entre la presión y la tasa de falla no muestra un patrón exponencial. Otro enfoque utilizado fue la función de Fourier, específicamente la serie de Fourier, que está diseñada para modelar datos periódicos u oscilatorios. Al combinar ondas seno y coseno, la función de Fourier puede capturar eficazmente el comportamiento periódico de las variables. Por lo tanto, si la presión y la tasa de fallas demuestran patrones periódicos, la función de Fourier podría ofrecer un buen ajuste. Sin embargo, si los datos no muestran una periodicidad clara, se deben considerar funciones alternativas para un ajuste más apropiado. También se tuvo en cuenta la función gaussiana, basada en la distribución normal. Esta función se caracteriza por una curva en forma de campana y se usa comúnmente para modelar datos simétricos con un pico. Si la relación entre presión y tasa de falla sigue un patrón en forma de campana, la función gaussiana podría proporcionar un ajuste adecuado. Sin embargo, si los datos no presentan una distribución simétrica o en forma de campana, serían más adecuadas funciones alternativas. Además, se exploró una función polinómica, específicamente un polinomio de n grados. Las funciones polinomiales ofrecen versatilidad y pueden capturar una amplia gama de relaciones entre variables. Al permitir la curvatura en la relación entre presión y tasa de falla, el uso de un polinomio de cuarto grado puede proporcionar un mejor ajuste a los datos si la relación verdadera no es lineal o muestra curvatura. Finalmente se consideró la función de potencia, asumiendo una relación de la forma y = axb, donde a y b son constantes. Las funciones de potencia se utilizan comúnmente cuando una variable es la potencia de otra, siguiendo un patrón de ley de potencia. Sin embargo, es importante señalar que la función de potencia puede no representar con precisión los datos si la relación entre la presión y la tasa de falla no muestra un patrón claro de ley de potencia59.

Teniendo en cuenta la observación de que las funciones de Fourier y Gauss presentan fluctuaciones y se correlacionan bien con el fenómeno investigado debido a su naturaleza convexa y cóncava, tanto las funciones de Fourier como Gauss cumplen los criterios requeridos. Como resultado, se seleccionaron los modelos para predecir la tasa de falla asociada con el factor de carga de presión. El aumento de la presión amplifica la probabilidad de formación y progresión de grietas, lo que en última instancia resulta en fallas28,60.

La selección de las funciones de Fourier y Gauss como los modelos que mejor se ajustan entre presión y tasa de falla puede atribuirse a varias razones fundamentales. Primero, la función de Fourier está diseñada específicamente para capturar datos periódicos u oscilatorios. Al combinar ondas seno y coseno, puede representar y predecir eficazmente patrones periódicos en la relación entre variables. Si hay comportamientos periódicos claros en los datos de presión y tasa de fallas, la función de Fourier es adecuada para capturar y modelar estos patrones, lo que resulta en un buen ajuste. Por otro lado, la función gaussiana se basa en la distribución normal y se usa comúnmente para modelar datos simétricos con un pico. Si la relación entre presión y tasa de fallas sigue un patrón en forma de campana, la función gaussiana es una opción apropiada, ya que puede representar con precisión la distribución y capturar la tendencia central de los datos. La curva en forma de campana permite variaciones alrededor del pico, lo que permite que el modelo tenga en cuenta valores tanto más altos como más bajos de presión y tasa de falla alrededor de la media. Al considerar las funciones de Fourier y Gauss, el estudio tiene en cuenta diferentes características y patrones que pueden estar presentes en los datos. La función de Fourier aborda la periodicidad, capturando cualquier variación cíclica en la relación de presión y tasa de falla. Por otro lado, la función gaussiana se centra en patrones simétricos con un pico, proporcionando una representación precisa cuando la relación presenta una distribución en forma de campana. Es importante señalar que la selección de los modelos que mejor se ajustan depende de las características específicas y el comportamiento de los datos. La elección de las funciones de Fourier y Gauss sugiere que las relaciones de presión y tasa de falla pueden exhibir patrones periódicos y simétricos, respectivamente. Estas funciones pueden capturar estos patrones mejor que otras funciones probadas, como las funciones exponenciales o de potencia. Sin embargo, la idoneidad de las funciones seleccionadas debe interpretarse dentro del contexto del problema específico y los supuestos y limitaciones subyacentes asociados con cada función28,59,60.

La investigación de las tasas de falla en la zona B de la WDN de Birjand muestra que las tuberías de PE tienen tasas de falla claramente más altas en comparación con las tuberías de CA. Aunque las tuberías de aire acondicionado son relativamente antiguas, lo que suele aumentar las posibilidades de fallo.

Los resultados del presente estudio, centrado en Birjand WDN, Irán, contrastan con los resultados de estudios realizados en el Reino Unido28 y Rusia17. En el estudio de caso del Reino Unido, los materiales frágiles como el hierro fundido y el aire acondicionado tienen la mayor probabilidad de fallar, mientras que el PE, como material flexible, tiene la menor probabilidad28. La evaluación de los datos de fallas en el estudio de caso ruso muestra que el acero tiene el mayor número de fallas, igual a 250, seguido por el hierro fundido, el amianto y el plástico con 150, 50 y 10 números de falla, respectivamente17.

La alta tasa de fallas de las tuberías de PE en Birjand WDN en comparación con las tuberías de CA podría ser el resultado de diferentes factores. En primer lugar, las tuberías de PE en Birjand WDN tienen tamaños más pequeños que las tuberías de CA. En segundo lugar, la calidad del material del PE es inferior a la clase C de las tuberías de aire acondicionado; Las condiciones inadecuadas de almacenamiento, luz solar e instalación también podrían degradar aún más la calidad del PE. Cabe señalar que el coeficiente de expansión para AC es casi cero, mientras que para PE es de 0,17 mm m−1 k−1. Por lo tanto, una instalación inadecuada y, en particular, una soldadura inadecuada, afectan significativamente el funcionamiento de la tubería de PE. La exposición a agentes desinfectantes del agua, suelos agresivos, fluctuaciones de temperatura y actividad de microorganismos hace que las tuberías de PE sean vulnerables a la degradación tanto interna como externa61,62,63,64,65.

El efecto del envejecimiento de las tuberías es demasiado complicado de investigar debido a la consideración de la producción de materiales, la fabricación de las tuberías y la instalación de la red al calcular la edad de las tuberías28,66. Este parámetro no se analiza cuantitativamente en este estudio para Birjand WDN, pero los resultados muestran que las nuevas tuberías tienen mayores tasas de falla a pesar de la opinión general. Estudios similares también han demostrado que el envejecimiento de las tuberías no contribuye sustancialmente al fallo18,28,67,68. Por ejemplo, en un estudio de caso del Reino Unido realizado por28, el número de fallas en tuberías con una antigüedad de 1 a 5 años es casi 2000. Sin embargo, este número aumenta con la edad de la tubería; por ejemplo, para tuberías con una antigüedad de 40 a 45 años, llega a más de 8000; luego, a medida que aumenta la edad del ducto, el número de fallas disminuye y tiende a cero para tuberías de 85 a 90 años.

La observación de tasas de falla más altas en tuberías nuevas, a pesar de la opinión general de que las tuberías más antiguas tienden a tener tasas de falla más altas, puede parecer inicialmente contraintuitiva. Sin embargo, este fenómeno puede explicarse por varios factores. En primer lugar, los posibles problemas de construcción e instalación hacen que las tuberías nuevas sean más vulnerables a fallas. Las conexiones de juntas inadecuadas, el lecho y relleno inadecuados y los daños relacionados con la construcción durante la instalación contribuyen a estos problemas, lo que resulta en un aumento significativo en las tasas de falla de tuberías nuevas. En segundo lugar, las tasas de fallo están influenciadas por la calidad de los materiales utilizados en las tuberías nuevas67. En algunos casos, se utilizan materiales de menor calidad o de calidad inferior, lo que hace que las tuberías nuevas sean más susceptibles a fallas en comparación con las tuberías más antiguas construidas con materiales de mayor calidad. Por último, las tuberías nuevas pueden experimentar mayores tensiones operativas durante el período inicial de uso, lo que genera una tensión adicional en el material de la tubería. Los eventos transitorios, las fluctuaciones de presión o los cambios en los patrones de flujo pueden imponer estas tensiones operativas, lo que podría provocar fallas. Es importante señalar que el estudio se centró principalmente en investigar varios factores que influyen en la tasa de fallas, incluido el diámetro de la tubería, el material de la tubería y la presión del agua66. Aunque no se analizó específicamente la correlación entre fallas y edad de las tuberías, las mayores tasas de fallas observadas en tuberías nuevas pueden atribuirse a los factores antes mencionados. Investigaciones futuras deberían realizar un análisis más completo para explorar la relación entre falla y edad de la tubería63. Esto implicaría realizar un estudio específico que examine específicamente la correlación entre la edad de las tuberías y las tasas de falla, considerando factores como la degradación del material, la corrosión y el deterioro con el tiempo. Un análisis de este tipo contribuiría a una comprensión más profunda de los factores que influyen en las tasas de fallos en las redes de distribución de agua.

Generalmente, la tensión axial es predominante para tuberías con diámetros pequeños, mientras que la tensión circunferencial es determinante para tuberías más grandes32. Sin embargo, las tuberías más grandes tienen espesores mayores, lo que conduce a una mayor resistencia mecánica y resistencia a la corrosión; tienden a fallar con menos frecuencia que las tuberías de menor diámetro28,69. Por lo tanto, las tuberías más grandes evidentemente tienen menores tasas de falla, y viceversa70.

La evaluación de Birjand WDN en cuanto al diámetro de las tuberías y los materiales mostró que la tasa de fallos era extremadamente alta para las tuberías de PE con un diámetro de 160 mm. La investigación del mapa de densidad de fallas muestra que esta tasa extrema de fallas se limita solo a un área específica con tuberías fabricadas de baja calidad. Dado que este oleoducto fue rehabilitado, en los resultados se consideró cero la tasa de falla para este tipo de tubería. En consecuencia, la mayor tasa de fallos corresponde a los tubos de PE de 32 mm de diámetro, con 0,037 fallos por kilómetro de tubo al año. La Tabla 3 muestra los valores de tasa de falla del diámetro y el material de la tubería que se han utilizado en Birjand WDN de la siguiente manera.

Este resultado de Birjand WDN coincide con los resultados de estudios realizados en el Reino Unido28, Canadá32, Ucrania18 y Países Bajos19. Los resultados generales muestran que las tuberías con diámetros superiores a 150 mm tienen aproximadamente 200 fallas por cada 100 km de longitud de tubería. Entonces, la tasa de falla disminuye a medida que aumenta el diámetro de la tubería; por ejemplo, para un diámetro de tubería igual a 600 mm, la cantidad de fallas disminuye a menos de 40. In32 calculó la probabilidad de falla para una WDN en Canadá y los resultados mostraron que la probabilidad de falla es inversamente proporcional al diámetro de la tubería. Además, el coeficiente de correlación y el nivel de confianza se calcularon como + 0,4 y 90%, respectivamente. Este punto también ha sido mencionado en un estudio de18, que calculó el número de fallas por km de tubería por año con respecto al diámetro para tres materiales de tubería en una WDN ubicada en Ucrania; Según el estudio mencionado, cuando el diámetro de la tubería es de 10 mm, las cantidades de falla son 3.5, 1.5 y 0.5 para fundición, acero y fundición dúctil con nodular, respectivamente; sin embargo, la tasa de falla es inversamente proporcional al diámetro de la tubería y tiende a cero para tuberías con más de 700 mm de diámetro.

Se aplicaron diferentes modelos matemáticos para encontrar el mejor patrón para la predicción de la tasa de falla en términos de diámetro para diferentes materiales por separado. Las tablas 4 y 5 muestran las funciones elegidas para cada modelo matemático y las medidas estadísticas que representan el nivel de aptitud para las tuberías de AC y PE, respectivamente. Donde N es la tasa de fallas (número de fallas por km de tubería por año), D es la tasa de amianto -El diámetro de la tubería de cemento (mm) y otros parámetros son las constantes basadas en su modelo matemático. Donde N es la tasa de fallas (número de fallas por km de tubería por año), D es el diámetro de la tubería de polietileno (mm) y otros Los parámetros son las constantes basadas en su modelo matemático.

Como se mencionó, el mejor modelo tiene los valores R cuadrado más altos y SSE y RMSE más bajos (con SSE inferiores a 1). Por lo tanto, se elige la función gaussiana para predecir la tasa de falla en términos de diámetro tanto para tuberías de CA como de PE.

En el análisis hidrológico de las WDN, se investigó la relación entre el diámetro de la tubería y la tasa de fallas para las tuberías de PE. Entre los diversos modelos matemáticos considerados, la función gaussiana surgió como el modelo seleccionado para analizar la relación entre el diámetro del PE y la tasa de falla. Al seleccionar la función gaussiana como modelo preferido, el análisis reconoce el potencial de una relación simétrica y en forma de campana entre el diámetro del PE y la tasa de falla. Esta elección permite que el modelo capture la tendencia central y la variación de las tasas de falla en diferentes diámetros de tuberías de PE. La función gaussiana proporciona un ajuste adecuado para los datos observados, alineándose con las características inherentes de la relación bajo estudio. El uso de la función gaussiana como modelo seleccionado para analizar la relación entre el diámetro del PE y la tasa de falla proporciona varias ventajas. En primer lugar, la función proporciona una representación clara e interpretable de los datos, lo que permite una mejor comprensión y conocimientos. La curva en forma de campana facilita la identificación de la tasa máxima de fallas y la distribución de las tasas de fallas a su alrededor. Además, la función gaussiana ofrece flexibilidad para capturar desviaciones tanto positivas como negativas de la tasa máxima de fallas, acomodando variaciones en los datos. Puede manejar eficazmente situaciones en las que las tasas de falla pueden aumentar o disminuir desde el valor máximo a medida que cambia el diámetro del PE. Esta flexibilidad permite una representación más precisa de la compleja relación entre el diámetro y la tasa de falla18,70.

En la etapa inicial del análisis integrado de datos de la tasa de fallas, se realizó un análisis de sensibilidad utilizando el método ANOVA en el software Design Expert 7.0.0. Vale la pena señalar que, antes del análisis, entre las ecuaciones lineales, 2FI (interacción de dos factores), cuadrática y cúbica, la ecuación cúbica exhibía el coeficiente de correlación más alto, como se indica en la Tabla 6. Sin embargo, las ecuaciones de regresión no no demostrar suficiente validez para predecir la tasa de fracaso debido a valores insatisfactorios de R cuadrado y R cuadrado predicho. Por lo tanto, la utilización de técnicas de aprendizaje automático para mejorar el rendimiento de la predicción se ha vuelto más evidente. Según la Tabla 7, el valor P asociado con los diámetros de tubería es inferior a 0,0001, superando al de otros factores. Esto sugiere que el diámetro de la tubería es el factor que más influye en la tasa de fallas. Además, mediante la aplicación de ANOVA se puede concluir que los siguientes factores en términos de importancia son la presión y el tipo de tubería, respectivamente. Esta conclusión está respaldada por los diagramas de superficie que representan la comparación de parámetros duales (consulte la Fig. 11), donde el orden de importancia de las características es el siguiente: diámetro de la tubería > presión > tipo de tubería. A continuación, el análisis sensible será evaluado por los resultados de los cálculos de ANFIS.

Los resultados del análisis sensible entre las características efectivas y la tasa de falla (a – c), PE = 1 y AC = 2.

Según la Fig. 11a (conjunto de datos más reciente), se puede encontrar que tanto a presiones bajas como altas, en materiales de tubería de PE y en los diámetros más altos de tubería, la tasa de falla aumenta. Si bien cabe mencionar que es el comportamiento de las tuberías de PE, además, según la Fig. 11c, está claro que el comportamiento de las tuberías de AC (= 2) es inverso para PE (= 1). Mientras que, en las tuberías de aire acondicionado, al aumentar el diámetro, la tasa de fallas disminuye, como se explica en el conjunto de datos anterior. Sin embargo, en las tuberías de PE, a medida que aumenta el diámetro de la tubería, aumentan las tasas de falla. Asimismo, la Fig. 11b confirma nuevamente este hecho.

Se pueden aplicar algoritmos de aprendizaje automático, como ANFIS, para analizar las tasas de falla en las WDN. ANFIS es un modelo híbrido que combina las capacidades adaptativas de las redes neuronales con la interpretabilidad de los sistemas de lógica difusa. Se ha utilizado con éxito en varios dominios de ingeniería, incluido el análisis WDN. La Figura 12a muestra la estructura del proceso de fuzzificación que ocurre cuando se utilizan funciones de membresía gaussianas para crear bancos de datos adimensionales. Asimismo, el plano esquemático del modelo ANFIS en el presente estudio se menciona en la Fig. 12b.

La estructura de los detalles de ANFIS se basa en (a) la funcionalización de la membresía y (b) la disposición de los datos.

Según la Fig. 13, se puede concluir que las curvas amarillas están relacionadas con la mayoría de las señales de diferentes entradas en sus valores medios. Este esquema es solo un ejemplo para mostrar las diversas fluctuaciones de las señales recibidas de salida (tasa de falla) según las entradas.

Las reglas en el modelo ANFIS del presente estudio.

En este estudio, utilizamos un modelo ANFIS para evaluar los efectos combinados del tipo, diámetro y presión de la tubería en el rendimiento de la WDN. La estructura del modelo ANFIS se muestra en la Fig. 14. Como se muestra en la Fig. 15a, los valores de error durante las primeras 30 épocas no fluctuaron significativamente, lo que indica que el valor de error final es aceptable. La Figura 15b muestra que las tasas de falla de WDN reales y previstas convergen a ciertos valores cuando se utiliza el modelo ANFIS, lo que muestra qué tan bien funciona. La Figura 16 también muestra que el modelo ANFIS hizo un gran trabajo al predecir las tasas de falla en función de características clave, con un coeficiente de correlación de 0,99. Esto demuestra que el modelo es fuerte y confiable en el proceso de capacitación. Mientras que, con base en la Tabla 8, el coeficiente de correlación de las prácticas de prueba es igual a 0,83.

La estructura del algoritmo ANFIS para la predicción de la tasa de fallas en este estudio.

Los resultados del modelo ANFIS se basan en (a) el proceso de reducción de errores y (b) los resultados de las pruebas.

Los resultados del ajuste de la curva de regresión entre la tasa de fracaso real y prevista.

En este estudio, el coeficiente de regresión general, que sirve como medida de la bondad de ajuste general del modelo, se calculó a partir de los datos de entrenamiento y prueba. Los datos de entrenamiento, que representan el 70 % del conjunto de datos, arrojaron un valor R2 de entrenamiento del 99 %. Por otro lado, los datos de prueba, que representan el 30% del conjunto de datos, produjeron un valor R2 de prueba del 83%. Para calcular el coeficiente de regresión general, se empleó un enfoque de promedio ponderado, teniendo en cuenta la proporción de datos utilizados para el entrenamiento y las pruebas. Se encontró que el valor R2 global resultante era 0,94.

Además, según la Fig. 17, que demuestra el análisis sensible de los parámetros efectivos (diámetro de tubería, tipo de tubería y presión) sobre la tasa de falla en el algoritmo ANFIS, se puede concluir que la tasa de falla como función está más relacionada con la tubería. diámetro en comparación con otros dos factores (tipo de tubería y presión). Mientras que, entre el tipo de tubería y la presión, la tasa de falla es más sensible a la presión en comparación con el diámetro de la tubería. El criterio para comprobar la sensibilidad de las variables se determina en función de la gravedad de los cambios en la pendiente de la línea en comparación con la función principal (tasa de fallas). Es importante señalar que el éxito de ANFIS o de cualquier modelo de aprendizaje automático depende de la calidad y representatividad de los datos, la selección de funciones y el entrenamiento adecuado del modelo. La actualización y el refinamiento periódicos del modelo utilizando nuevos datos de fallas pueden mejorar su precisión y aplicabilidad con el tiempo. Al aprovechar ANFIS y las técnicas de aprendizaje automático, las empresas de agua pueden obtener información valiosa sobre las tasas de falla en las WDN, lo que permite un mantenimiento proactivo y una gestión eficiente de los sistemas de distribución de agua.

El análisis sensible de parámetros efectivos sobre la tasa de fallas en el algoritmo ANFIS.

En el primer paso del análisis de riesgos, cabe señalar que todos los valores asignados en la Fig. 18 son opiniones promedio de expertos. Considerando esta figura, se puede observar que la gestión de la presión en línea en las redes de abastecimiento de agua urbanas es el factor de control de fallas más importante porque este riesgo tiene una alta severidad de ocurrencia y un número significativo de deterioros. En el siguiente paso, el mal funcionamiento de las válvulas limitadoras de presión puede provocar una mala gestión de la presión y consecuencias irreparables. En el tercer paso, la mayoría de las fallas ocurren durante la modificación de la red, lo que tiene una alta probabilidad de ocurrir y conduce a daños.

Resultados del análisis FMEA para la gestión de fallas en la presente investigación, S: Calificación de gravedad, O: Calificación de ocurrencia, D: Calificación de detectabilidad y RPN: Número de prioridad de riesgo.

Según la Fig. 18, exceder el umbral de presión recomendado de 55 m de columna de agua en una red de distribución de agua presenta varios riesgos y consecuencias potenciales. Estos riesgos deben analizarse y abordarse cuidadosamente para garantizar el correcto funcionamiento de la red y minimizar la probabilidad de fallas. Una de las principales preocupaciones asociadas con la alta presión es la posibilidad de fugas o fallas en las tuberías. Cuando la presión excede el límite, las tuberías experimentan una tensión excesiva, lo que puede provocar grietas, fugas o incluso roturas de tuberías. La tensión continua sobre el material de la tubería lo debilita con el tiempo, haciéndolo más susceptible a fallas catastróficas. Se deben implementar inspecciones periódicas y programas de mantenimiento para detectar cualquier signo de deterioro y abordar posibles puntos débiles en la red. Otra consecuencia de la alta presión son los daños que puede provocar en válvulas y accesorios dentro de la red. La tensión excesiva ejercida sobre estos componentes puede provocar mal funcionamiento o desgaste prematuro, provocando fugas o fallas totales. Es esencial seleccionar válvulas y accesorios que puedan soportar presiones más altas y monitorear periódicamente su desempeño para identificar cualquier signo de degradación. Operar la red a niveles de presión más altos de lo necesario también conduce a un mayor consumo de energía. La energía adicional necesaria para mantener niveles de presión elevados puede afectar significativamente los costos operativos y la eficiencia energética. La implementación de estrategias de gestión de la presión, como válvulas de regulación de presión y optimización de las operaciones de las bombas, puede ayudar a reducir el consumo de energía y mejorar la eficiencia general de la red. Para evaluar el riesgo asociado con el escenario de exceder el umbral de presión, el Número de Prioridad de Riesgo (RPN) de 384 indica un nivel de preocupación relativamente alto. La RPN considera la gravedad, ocurrencia y detectabilidad del modo de falla. En este caso, un RPN alto sugiere que las consecuencias de la alta presión, como fallas en las tuberías y daños en las válvulas, son significativas. Además, la ocurrencia moderada indica una posibilidad realista de que tales escenarios ocurran dentro de la red. Sin embargo, el factor de detectabilidad implica que se pueden implementar medidas preventivas y mecanismos de detección temprana para mitigar los riesgos asociados a una presión excesiva18,19.

La posibilidad de un funcionamiento inadecuado de las válvulas de alivio de presión y la ocurrencia de roturas de tuberías aguas abajo presentan una preocupación importante en las redes de distribución de agua. Las válvulas de alivio de presión desempeñan un papel vital en la prevención de una acumulación excesiva de presión, pero si funcionan mal o se atascan, las consecuencias pueden ser graves. Cuando las válvulas de alivio de presión no funcionan correctamente, la sección aguas abajo de la red corre el riesgo de experimentar mayores niveles de presión. Este aumento de presión puede provocar la explosión de tuberías y otras formas de falla, lo que podría causar daños importantes a la red. Además, el fallo de las válvulas de alivio de presión puede provocar fallos en cascada. Si una sección de la red experimenta una explosión de tubería debido a la incapacidad de liberar el exceso de presión, la liberación repentina de agua y presión puede afectar las tuberías y componentes cercanos. Esta reacción en cadena puede provocar más fallos y exacerbar el daño general a la red. Además de los daños a la infraestructura, la rotura de tuberías puede provocar importantes pérdidas de agua e interrupciones en el servicio. La escasez de agua y las interrupciones en el suministro pueden tener efectos adversos en los consumidores y la comunidad circundante. Además, las fugas de agua resultantes de la rotura de tuberías pueden causar daños a la infraestructura o propiedades circundantes. El RPN de 240 asociado con este escenario indica un nivel de riesgo moderado. La gravedad de las consecuencias se considera significativa, ya que implica la rotura de tuberías y posibles interrupciones del servicio. Sin embargo, la ocurrencia de este modo de falla es relativamente baja en comparación con otros escenarios. Sin embargo, el factor de detectabilidad sugiere que se pueden tomar medidas para detectar el funcionamiento inadecuado de la válvula de alivio de presión y la rotura de tuberías, permitiendo acciones preventivas o detección temprana19,20.

La posibilidad de que las tuberías de polietileno (PE) revienten durante las modificaciones de la red plantea una preocupación importante. Las modificaciones de la red son esenciales para adaptarse a la evolución de las demandas de agua, mejorar la infraestructura y ampliar el sistema. Sin embargo, estas modificaciones pueden introducir desafíos y riesgos específicos que pueden afectar la integridad de las tuberías de PE. Durante las modificaciones de la red, varios factores pueden contribuir a la posible rotura de las tuberías de PE. Estos factores incluyen cambios en los patrones de flujo de agua, aumento de los aumentos repentinos de presión y tensiones mecánicas inducidas por las actividades de construcción. Las tuberías de PE, aunque conocidas por su flexibilidad y durabilidad, tienen limitaciones y vulnerabilidades que deben gestionarse cuidadosamente durante las modificaciones de la red. Los cambios en los patrones de flujo de agua resultantes de modificaciones de la red pueden someter las tuberías de PE a condiciones hidráulicas diferentes a las que fueron diseñadas inicialmente. Las variaciones repentinas en los caudales o los efectos del golpe de ariete pueden crear aumentos repentinos de presión que exceden la capacidad de las tuberías y provocan su explosión. Las actividades de construcción asociadas con modificaciones de la red, como excavación, corte o unión de tuberías, pueden introducir tensiones mecánicas en las tuberías de PE. Una manipulación inadecuada o técnicas de instalación inadecuadas pueden debilitar las tuberías y hacerlas más susceptibles a estallar en condiciones normales de funcionamiento. Para evaluar el riesgo asociado con la rotura de tuberías de PE durante las modificaciones de la red, el RPN de 168 sugiere un nivel moderado de preocupación. La RPN considera la gravedad, ocurrencia y detectabilidad del modo de falla. Si bien la rotura de tuberías de PE puede tener consecuencias importantes (gravedad moderada), su incidencia puede ser relativamente baja, dependiendo de la naturaleza específica y la escala de las modificaciones de la red (ocurrencia moderada). La detectabilidad se refiere a la capacidad de identificar posibles debilidades o puntos de tensión en las tuberías durante el proceso de modificación, lo que permite tomar medidas preventivas o una detección temprana. Para mitigar el riesgo de rotura de las tuberías de PE durante las modificaciones de la red, se pueden implementar varias medidas. Estos incluyen realizar análisis y simulaciones hidráulicos exhaustivos para anticipar y gestionar los aumentos repentinos de presión, garantizar técnicas de manipulación e instalación adecuadas para minimizar las tensiones mecánicas y utilizar medidas sólidas de control de calidad durante el proceso de modificación. La inspección y el seguimiento periódicos de las tuberías de PE después de las modificaciones también son cruciales para identificar cualquier signo de degradación o debilidad que pueda provocar una explosión20,28.

La visión gerencial de la gestión inteligente de fallas en las WDN basada en los resultados de la presente investigación se demuestra en la Fig. 19. El primer paso en la implementación a gran escala del sistema inteligente presentado en esta investigación es el paso de Evaluación y Mejoras de la Infraestructura (IAU). . Antes de implementar los resultados de la investigación a gran escala, es necesaria una evaluación exhaustiva de la infraestructura de la red de distribución de agua existente. Esto implica realizar una inspección exhaustiva de tuberías, válvulas, bombas y otros componentes para identificar áreas que requieren reparaciones, reemplazos o actualizaciones. La infraestructura debe ser resiliente para manejar los factores de falla previstos identificados en la investigación, como el diámetro de la tubería, el material de la tubería y la presión del agua. El siguiente paso es la integración de sistemas de seguimiento avanzados (IAMS), que deberían establecerse en WDNS. Para permitir el monitoreo y la recopilación de datos en tiempo real, se deben integrar sistemas de monitoreo avanzados en la red de distribución de agua. Esto incluye la instalación de sensores, medidores y dispositivos IoT en ubicaciones estratégicas de toda la red. Estos sistemas recopilarán continuamente datos sobre factores como caudales, niveles de presión y calidad del agua, proporcionando información valiosa sobre el rendimiento de la red y sus posibles vulnerabilidades. A continuación, debido a las actividades de gestión y análisis de datos (DMA), se debe establecer un sistema de gestión de datos sólido para manejar y analizar de manera eficiente los datos recopilados. Esto implica desarrollar una base de datos centralizada donde se pueda almacenar y acceder a todos los datos operativos, incluidas las lecturas de los sensores y los registros de mantenimiento. Se pueden emplear herramientas de análisis avanzadas para procesar los datos y generar información útil para la gestión de redes, la evaluación de riesgos y el modelado predictivo. Luego, como mantenimiento predictivo y mitigación de riesgos (PMRM), utilizando los modelos predictivos desarrollados mediante la técnica ANFIS, se puede implementar un enfoque de mantenimiento predictivo. Esto implica aprovechar datos en tiempo real y análisis predictivos para identificar posibles puntos de falla y tomar medidas proactivas para prevenirlos. Las actividades de mantenimiento se pueden programar en función de las tasas de falla previstas, lo que permite intervenciones específicas y minimiza el tiempo de inactividad. A continuación, para permitir una gestión eficiente y remota de la red de distribución de agua, se puede implementar un sistema de supervisión, control y adquisición de datos (SCADA). Los sistemas SCADA permiten a los operadores monitorear y controlar la red desde una sala de control central, lo que les permite tomar decisiones oportunas y responder rápidamente a anomalías o emergencias. Las capacidades de control remoto mejoran la eficiencia operativa y reducen los tiempos de respuesta. Del mismo modo, la implementación exitosa de los hallazgos de la investigación requiere la colaboración entre varias partes interesadas, incluidas las empresas de agua, los municipios, los proveedores de tecnología y las instituciones de investigación. Se pueden establecer asociaciones para compartir recursos, conocimientos y mejores prácticas. La colaboración con proveedores de tecnología puede garantizar el acceso a las últimas innovaciones en sistemas de monitoreo, herramientas de análisis e integración de ciudades inteligentes. Para garantizar la implementación efectiva de los resultados de la investigación, se deben llevar a cabo programas de capacitación y capacitación para el personal involucrado en la gestión de la red de distribución de agua. La capacitación puede centrarse en operar y mantener los sistemas de monitoreo avanzados, utilizar los modelos predictivos y comprender las estrategias de mitigación de riesgos. Los programas de formación continua mantendrán a la fuerza laboral actualizada con las últimas técnicas y tecnologías. Finalmente, como esfuerzo de monitoreo y optimización continuos (CMO), una vez que los hallazgos de la investigación se implementen a gran escala, los esfuerzos de monitoreo y optimización continuos son cruciales. Se deben realizar periódicamente recopilación de datos, análisis y evaluaciones de desempeño para identificar áreas de mejora y afinar las estrategias operativas. Este proceso iterativo garantiza que la red de distribución de agua se optimice continuamente para mejorar la eficiencia y reducir las tasas de falla19,20,34.

Los conocimientos gerenciales de la gestión inteligente de fallas en la WDN.

La red de distribución de agua tiene un papel esencial en la vida urbana, y de ella dependen directamente la mayoría de actividades en toda la ciudad. Cualquier falla en el desempeño de esta infraestructura, por ejemplo fallas y fugas en la red, puede amenazar la salud del cliente y generar costos y pérdidas de agua. Como resultado, se requiere un estudio integral de cada red con características físicas, ambientales y operativas específicas para mantener la red en óptimas condiciones. La tasa de fallos es un criterio práctico para evaluar el estado de la red y buscar puntos débiles críticos. Además, se puede evaluar la correlación entre la tasa de fallas y las características de la red para priorizar los factores contribuyentes. El presente estudio tuvo como objetivo proporcionar una técnica para investigar el efecto de estos factores en la tasa de fracaso de una ciudad de estudio de caso, con la posibilidad de extenderlo a otras ciudades similares.

Los resultados mostraron que el material de la tubería, el diámetro de la tubería y la presión tienen el mayor impacto en la tasa de fallas. La evaluación de la tasa de falla para cada diámetro y material de tubería y su correlación con la presión mostró que las tuberías de PE con diámetros más pequeños tienen tasas de falla más altas que las tuberías de CA más grandes. Además, la tasa de fracaso aumenta considerablemente con la presión. Los cálculos de aprendizaje automático en este estudio demostraron que la falla podría estimarse con un coeficiente de correlación superior a 0,9. Finalmente, con base en la evaluación FMEA, se puede concluir que la gestión de la presión es la principal estrategia clave para reducir el riesgo de falla en la WDN. La principal limitación de esta investigación incluye la falta de datos adicionales sobre otros aspectos de la WDN, como el envejecimiento de las tuberías y la pendiente, que puedan utilizarse para completar el modelo. mientras que la debilidad más significativa de esta investigación fue la falta de un sistema dinámico debido a la evaluación del riesgo de falla en tiempo real en la WDN.

Los datos que respaldan los hallazgos de este estudio están disponibles a pedido del autor correspondiente.

Abd Ellah, RG Los recursos hídricos en Egipto y sus desafíos, estudio de caso del lago Nasser. Egipto. J. Aquat. Res. 46(1), 1–12. https://doi.org/10.1016/j.ejar.2020.03.001 (2020).

Artículo MathSciNet Google Scholar

P. Aghapoor Khameneh, SM Miri Lavasani, R. Nabizadeh Nodehi y R. Arjmandi, Análisis de fallas de la red de distribución de agua en condiciones de incertidumbre. En t. J. Medio Ambiente. Ciencia. Tecnología, vol. 17, núm. 1, págs. 421–432. (2020), https://doi.org/10.1007/s13762-019-02362-y.

Tang, K., Parsons, DJ & Jude, S. Comparación de aprendizaje automático y guiado para redes bayesianas para analizar fallas de tuberías en el sistema de distribución de agua. Confiable. Ing. Sistema. Seguro. 186, 24–36. https://doi.org/10.1016/j.ress.2019.02.001 (2019).

Artículo de Google Scholar

Nikoloudi, E., Romano, M., Memon, FA y Kapelan, Z. Metodología interactiva de apoyo a la toma de decisiones para una respuesta casi en tiempo real a eventos de falla en una red de distribución de agua. J. Hidroinf. 23(3), 483–499 (2021).

Artículo de Google Scholar

Hernandez Hernandez, E. & Ormsbee, L. Evaluación basada en segmentos de las consecuencias de fallas en los sistemas de distribución de agua. J. Recursos hídricos. Gestión de planes. https://doi.org/10.1061/(ASCE)WR.1943-5452.0001340 (2021).

Artículo de Google Scholar

Schurer, R., Hijnen, WAM y Van Der Wal, A. La importancia de la subfracción de biomasa del carbono orgánico de alto MW para el crecimiento microbiano y el potencial de mantenimiento del agua potable sin desinfectantes producida a partir de aguas superficiales. Agua Res 209, 117898. https://doi.org/10.1016/j.watres.2021.117898 (2022).

Artículo CAS Google Scholar

Sangroula, U., Han, K.-H., Koo, K.-M., Gnawali, K. y Yum, K.-T. Optimización de redes de distribución de agua mediante el programa SOP-WDN basado en algoritmo genético. Agua (Basilea) 14(6), 851. https://doi.org/10.3390/w14060851 (2022).

Artículo CAS Google Scholar

ORD US EPA, EPANET 2.2.0: Una colaboración entre la EPA y la comunidad del agua. (2020). [En línea]. Disponible: https://www.epa.gov/sciencematters/epanet-220-epa-and-water-community-collaboration

Wéber, R., Huzsvár, T. & Hős, C. Análisis de vulnerabilidad de las redes de distribución de agua ante roturas accidentales de tuberías. Agua Res. 184, 116178. https://doi.org/10.1016/j.watres.2020.116178 (2020).

Artículo CAS PubMed Google Scholar

Sun, J., Wang, R., Wang, X., Yang, H. y Ping, J. Análisis de conglomerados espaciales de tuberías rotas en redes de suministro de agua. Procedia Ing. 70, 1610-1618. https://doi.org/10.1016/j.proeng.2014.02.178 (2014).

Artículo de Google Scholar

Gheisi, A. y Naser, Gh. Análisis de desempeño de múltiples aspectos de sistemas de distribución de agua en caso de falla de tubería. Procedia Ing. 119, 158–167. https://doi.org/10.1016/j.proeng.2015.08.867 (2015).

Artículo de Google Scholar

Piratla, KR et al. Análisis empírico de las consecuencias de las fallas en las tuberías de agua. Procedia Ing. Apocalipsis 118, 727–734. https://doi.org/10.1016/j.proeng.2015.08.507 (2015).

Artículo de Google Scholar

Sousa, J., Ribeiro, L., Muranho, J. & Marques, AS Localización de fugas en redes de distribución de agua con recocido simulado y teoría de grafos. Procedia Ing. 119, 63–71. https://doi.org/10.1016/j.proeng.2015.08.854 (2015).

Artículo de Google Scholar

Jafari, SM, Zahiri, AR, Bozorg Hadad, O. y Mohammad Rezapour Tabari, M. Un híbrido de seis modelos blandos basados ​​en ANFIS para el pronóstico de la tasa de fallas de tuberías y el análisis de incertidumbre: un estudio de caso de la red de distribución de agua de la ciudad de Gorgan. Suave. Computadora. 25(11), 7459–7478. https://doi.org/10.1007/s00500-021-05706-4 (2021).

Artículo de Google Scholar

Zohra, HF, Mahmouda, B. & Luc, D. Evaluación de vulnerabilidad de la red de suministro de agua. Proceso de energía. 18, 772–783. https://doi.org/10.1016/j.egypro.2012.05.093 (2012).

Artículo de Google Scholar

Tuhovčák, L., Tauš, M. & Míka, P. Evaluación indirecta del estado de las redes de agua. Proc. Ing. 70, 1669–1678. https://doi.org/10.1016/j.proeng.2014.02.184 (2014).

Artículo de Google Scholar

Khramenkov, SV & Primin, OG Garantizar la confiabilidad de las tuberías de agua del sistema de suministro de agua de Moscú. J. Res. de suministro de agua. Tecnología. AGUA 54(2), 127–132. https://doi.org/10.2166/aqua.2005.0012 (2005).

Artículo de Google Scholar

Maslak, V. y col. Evaluación del estado técnico de las redes de abastecimiento de agua en territorios debilitados. Proc. Ing. 117, 980–989. https://doi.org/10.1016/j.proeng.2015.08.206 (2015).

Artículo de Google Scholar

Trietsch, EA & Vreeburg, JHG Fiabilidad de válvulas y aislamiento de secciones. Suministro de agua. 5(2), 47–51. https://doi.org/10.2166/ws.2005.0021 (2005).

Artículo de Google Scholar

Kwon, HJ y Kwon, H.-K. Estimaciones del grado de seguridad del sistema de distribución de agua. Proc. Ing. 154, 398–402. https://doi.org/10.1016/j.proeng.2016.07.500 (2016).

Artículo de Google Scholar

Peabody, AW, Bianchetti, RL & Peabody, AW Control de la corrosión de tuberías por parte de Peabody, 2ª ed. (NACE Internacional, La Sociedad de la Corrosión, 2001).

Google Académico

Sargaonkar, A., Kamble, S. & Rao, R. Estudio modelo para la planificación de la rehabilitación de la red de suministro de agua. Computadora. Reinar. Sistema urbano 39, 172–181. https://doi.org/10.1016/j.compenvurbsys.2012.08.002 (2013).

Artículo de Google Scholar

Marzouk, M., Hamid, SA y El-Said, M. Una metodología para priorizar la rehabilitación de redes de agua en Egipto. HBRC J. 11(1), 114–128. https://doi.org/10.1016/j.hbrcj.2014.03.002 (2015).

Artículo de Google Scholar

SEJMM McDonald R. Desnoyers, Modos y mecanismos de falla en tuberías de fundición gris. En: Investigación de infraestructura subterránea, CRC Press, (2001).

AB Paradkar, Evaluación de modos de falla para tuberías de agua de hierro fundido y hierro dúctil. (2013), [en línea]. Disponible: https://rc.library.uta.edu/uta-ir/handle/10106/11660

Larry, W. Mays, Análisis de confiabilidad de los sistemas de distribución de agua (ASCE, 1989).

Google Académico

Kleiner, Y. & Rajani, B. Revisión integral del deterioro estructural de las redes de agua: modelos estadísticos. Agua urbana 3(3), 131–150. https://doi.org/10.1016/S1462-0758(01)00033-4 (2001).

Artículo de Google Scholar

Rezaei, H., Ryan, B. & Stoianov, I. Análisis de fallas de tuberías e impacto de las condiciones hidráulicas dinámicas en las redes de suministro de agua. Proc. Ing. 119, 253–262. https://doi.org/10.1016/j.proeng.2015.08.883 (2015).

Artículo de Google Scholar

Tabesh, M., Soltani, J., Farmani, R. y Savic, D. Evaluación de la tasa de fallas de tuberías y la confiabilidad mecánica de las redes de distribución de agua mediante modelos basados ​​en datos. J. Hidroinf. 11(1), 1–17. https://doi.org/10.2166/hidro.2009.008 (2009).

Artículo de Google Scholar

Seo, J., Koo, M., Kim, K. & Koo, J. Un estudio sobre el modelo de probabilidad de falla basado en el factor de seguridad para la evaluación de riesgos en una red de suministro de agua. Proc. Ing. 119, 206–215. https://doi.org/10.1016/j.proeng.2015.08.877 (2015).

Artículo de Google Scholar

Giudicianni, C. et al. Gestión de energía neta cero para el monitoreo y control de sistemas de agua inteligentes con particiones dinámicas. J Clean Prod 252, 119745. https://doi.org/10.1016/j.jclepro.2019.119745 (2020).

Artículo de Google Scholar

Wilson, D., Filion, YR y Moore, ID Identificación de factores que influyen en el factor de seguridad y la probabilidad de falla de tuberías principales de agua de hierro fundido de gran diámetro con un modelo estocástico mecanicista: un estudio de caso en la ciudad de Hamilton. Proc. Ing. 119, 130-138. https://doi.org/10.1016/j.proeng.2015.08.863 (2015).

Artículo CAS Google Scholar

RStudio Team, RStudio: entorno de desarrollo integrado para R. Boston, MA, (2015). [En línea]. Disponible: http://www.rstudio.com/

A. Kiyan, M. Gheibi, M. Akrami, R. Moezzi, K. Behzadian y H. Taghavian, El funcionamiento de plantas de tratamiento de agua urbanas: una revisión de los marcos de paneles de control inteligentes. Reinar. Ind. Lett., (2023) https://doi.org/10.15157/EIL.2023.1.1.28-45.

M. Gheibi, B. Chahkandi, K. Behzadian, M. Akrami y R. Moezzi, Evaluación del rendimiento de los filtros de agua cerámicos y análisis de conocimientos de gestión mediante matriz FODA. Reinar. Ind. Lett., (2023), https://doi.org/10.15157/EIL.2023.1.1.1-9.

Rego, FC & Rocha, MS Patrones climáticos en la región mediterránea. Ecológico. Medicina. 40(1), 49–59. https://doi.org/10.3406/ecmed.2014.1269 (2014).

Artículo de Google Scholar

Żywiec, J., Piegdoń, I. & Tchórzewska-Cieślak, B. Análisis de fallas de la red de suministro de agua en el aspecto de los cambios climáticos en el ejemplo de la región de Europa central y oriental. Sostenibilidad 11(24), 6886. https://doi.org/10.3390/su11246886 (2019).

Artículo de Google Scholar

M. Nakhaei, M. Akrami, M. Gheibi, P. Daniel Urbina Coronado, M. Hajiaghaei-Keshteli y J. Mahlknecht, Un marco novedoso para la evaluación del desempeño técnico de las redes de distribución de agua basado en el concepto del nexo agua-energía. Conv. de energía Gestionar, vol. 273, pág. 116422, (2022) https://doi.org/10.1016/j.enconman.2022.116422

Microsoft Excel. Londres: SAGE Publications, Ltd., (2021).

W. Bajjali, Arcgis para cuestiones medioambientales y hídricas. Nueva York, NY: Springer Science+Business Media, (2017).

Shahsavar, MM et al. Construcción de un marco inteligente para suministrar energía de biogás en edificios ecológicos mediante una integración de metodología de superficie de respuesta, inteligencia artificial y modelado de redes de Petri. Conv. de energía Gestionar. 248, 114794. https://doi.org/10.1016/j.enconman.2021.114794 (2021).

Artículo de Google Scholar

Árabe, M. et al. Un sensor blando para el funcionamiento sostenible de unidades de coagulación y floculación. Ing. Aplica. Artif. Intel. 115, 105315. https://doi.org/10.1016/j.engappai.2022.105315 (2022).

Artículo de Google Scholar

Gheibi, M., Karrabi, M. & Eftekhari, M. Diseño de un método de análisis de riesgos inteligente para unidades de cloración de gas de plantas de tratamiento de agua con una combinación de análisis de efectos del modo de falla, entropía de Shannon y modelado de redes de Petri. Ecotoxicol. Reinar. Seguro. 171, 600–608. https://doi.org/10.1016/j.ecoenv.2019.01.032 (2019).

Artículo CAS PubMed Google Scholar

Akbarian, H. y col. Un sistema sostenible de apoyo a las decisiones para la biorremediación del suelo con tolueno que incorpora los objetivos de desarrollo sostenible de las Naciones Unidas. Reinar. Contaminación. 307, 119587. https://doi.org/10.1016/j.envpol.2022.119587 (2022).

Artículo CAS PubMed Google Scholar

Zabihi, O., Siamaki, M., Gheibi, M., Akrami, M. & Hajiaghaei-Keshteli, M. Un sistema inteligente y sostenible para la gestión de daños por inundaciones con la aplicación de inteligencia artificial y cálculos de toma de decisiones multicriterio. En t. J. Reducción del riesgo de desastres. 84, 103470. https://doi.org/10.1016/j.ijdrr.2022.103470 (2023).

Artículo de Google Scholar

Sadeghioon, AM, Metje, N., Chapman, D. y Anthony, C. Detección de fallas en tuberías de agua mediante mediciones distribuidas de presión y temperatura relativas y algoritmos de detección de anomalías. Agua urbana J 15(4), 287–295. https://doi.org/10.1080/1573062X.2018.1424213 (2018).

Artículo de Google Scholar

Bakker, M. y col. Detección de roturas de tuberías mediante métodos heurísticos y CUSUM. Proc. Ing. 70, 85–92. https://doi.org/10.1016/j.proeng.2014.02.011 (2014).

Artículo de Google Scholar

Gamboa-Medina, MM, Reis, LFR & Guido, RC presentan extracción en señales de presión para detección de fugas en redes de agua. Proc. Ing. 70, 688–697. https://doi.org/10.1016/j.proeng.2014.02.075 (2014).

Artículo de Google Scholar

Sala, D. & Kołakowski, P. Detección de fugas en una red de distribución de agua a pequeña escala basada en datos de presión: verificación experimental. Proc. Ing. 70, 1460-1469. https://doi.org/10.1016/j.proeng.2014.02.161 (2014).

Artículo de Google Scholar

Aldaghi, A., Gheibi, M., Akrami, M. & Hajiaghaei-Keshteli, M. Un marco inteligente de simulación y optimización para sistemas de desalinización con energía solar. Terreno. Sostener. Desarrollo. 19, 100861 (2022).

Artículo de Google Scholar

Hazewinkel M., Enciclopedia de matemáticas. Dordrecht: Springer Países Bajos, (1994). https://doi.org/10.1007/978-94-009-5983-5.

H. Omori, Y. Maeda, N. Miyazaki y A. Yoshioka, Sistemas singulares de funciones exponenciales. En: Geometría diferencial no conmutativa y sus aplicaciones a la física, Y. Maeda, H. Moriyoshi, H. Omori, D. Sternheimer, T. Tate y S. Watamura, Eds., Dordrecht: Springer Holanda, (2001), págs. 169 –186, https://doi.org/10.1007/978-94-010-0704-7_11.

M. Salo, Distribuciones y transformada de Fourier. En: Enciclopedia de Matemáticas Aplicadas y Computacionales, B. Engquist, Ed., Berlín, Heidelberg: Springer Berlin Heidelberg, (2015), págs. https://doi.org/10.1007/978-3-540-70529-1_156.

X. Zhang et al., distribución gaussiana en: Encyclopedia of Machine Learning, C. Sammut y GI Webb, Eds., Boston, MA: Springer US, (2011), págs. https://doi.org/10.1007/978-0-387-30164-8_323.

P. Suganya, G. Swaminathan, B. Anoop, SPS Prabhakaran y M. Kavitha, Modelo de predicción para evaluar los parámetros de calidad del agua cruda y su importancia en fallas de tuberías de centrales nucleares. En Cambio climático y seguridad del agua, S. Kolathayar, A. Mondal y SC Chian, Eds., Singapur: Springer Singapore, (2022), págs. https://doi.org/10.1007/978-981-16-5501-2_27.

G. Herrera y P. Morillo, Benchmarking de algoritmos de aprendizaje automático supervisados ​​en la predicción temprana de fallos de un sistema de bombeo de agua. En: Comunicación, Tecnologías Inteligentes e Innovación para la Sociedad, Á. Rocha, PC López-López y JP Salgado-Guerrero, Eds., Singapur: Springer Singapore, (2022), págs. https://doi.org/10.1007/978-981-16-4126-8_48.

Assad, A. & Bouferguene, A. Algoritmos de extracción de datos para la predicción del estado del agua principal: análisis comparativo. J. Recursos hídricos. Gestión de planes. 148(2), 4021101. https://doi.org/10.1061/(ASCE)WR.1943-5452.0001512 (2022).

Artículo de Google Scholar

Fan, X., Wang, X., Zhang, X. & (Bill) Yu, X. Predicción de fallas en tuberías de agua basada en aprendizaje automático: los efectos de la ingeniería, la geología, el clima y los factores socioeconómicos. Confiable. Ing. Sistema. Seguro. 219, 108185. https://doi.org/10.1016/j.ress.2021.108185 (2022).

Artículo de Google Scholar

TA Severini, Métodos de verosimilitud en estadística, núm. 22. En: Serie de ciencia estadística de Oxford. Oxford; Nueva York: Oxford University Press, (2000).

Cassa, AM y Van Zyl, JE Predicción de los exponentes de fuga de grietas elásticamente deformantes en tuberías. Proc. Inglés 70, 302–310. https://doi.org/10.1016/j.proeng.2014.02.034 (2014).

Artículo de Google Scholar

Schouwenaars, R., Jacobo, VH, Ramos, E. & Ortiz, A. Crecimiento lento de grietas y fallas inducidas por defectos de fabricación en tubos de HDPE. Ing. Fallar. Anal. 14(6), 1124-1134. https://doi.org/10.1016/j.engfailanal.2006.11.066 (2007).

Artículo CAS Google Scholar

Barton, NA, Farewell, TS, Hallett, SH y Acland, TF Mejora de las predicciones de fallas de tuberías: factores que afectan las fallas de tuberías en redes de agua potable. Agua Res 164, 114926. https://doi.org/10.1016/j.watres.2019.114926 (2019).

Artículo CAS PubMed Google Scholar

S. Rehab-Bekkouche, W. Ghabeche, M. Kaddeche, N. Kiass y K. Chaoui, Comportamiento mecánico de filamentos de polietileno mecanizados sujetos a entornos químicos agresivos. Mecánica, vol. 77, núm. 3, págs. 40–46, junio de 2009, [en línea]. Disponible: https://mechanika.ktu.lt/index.php/Mech/article/view/15233

Alimi, L., Chaoui, K., Ghabeche, W. y Chaoui, W. Degradación a corto plazo de las tuberías de HDPE tras la exposición a entornos agresivos. Matér. Tecnología. 101(7), 701. https://doi.org/10.1051/mattech/2013083 (2013).

Artículo CAS Google Scholar

Ghabeche, W., Alimi, L. y Chaoui, K. Degradación de las superficies de tuberías de plástico en contacto con un ambiente ácido agresivo. Proceso de energía. 74, 351–364. https://doi.org/10.1016/j.egypro.2015.07.625 (2015).

Artículo CAS Google Scholar

Giraldo-González, MM & Rodríguez, JP Comparación de modelos estadísticos y de aprendizaje automático para el modelado de fallas de tuberías en redes de distribución de agua. Agua (Basilea) 12(4), 1153. https://doi.org/10.3390/w12041153 (2020).

Artículo de Google Scholar

Barton, NA, Farewell, TS y Hallett, SH Uso de modelos aditivos generalizados para investigar los efectos ambientales sobre fallas de tuberías en redes de agua limpia. NPJ Agua Limpia 3(1), 31. https://doi.org/10.1038/s41545-020-0077-3 (2020).

Artículo de Google Scholar

Boxall, JB, O'Hagan, A., Pooladsaz, S., Saul, AJ y Unwin, DM Estimación de tasas de rotura en redes de distribución de agua. Proc. Inst. Ing. Civil. Gestión del agua. 160(2), 73–82. https://doi.org/10.1680/wama.2007.160.2.73 (2007).

Artículo de Google Scholar

Hekmati, N., Rahman, MM, Gorjian, N., Rameezdeen, R. & Chow, CWK Relación entre factores ambientales y fallas de las tuberías de agua: un estudio de datos de acceso abierto. Aplica SN Ciencia. 2(11), 1806. https://doi.org/10.1007/s42452-020-03581-6 (2020).

Artículo de Google Scholar

Robles-Velasco, A., Cortés, P., Muñuzuri, J. & Onieva, L. Predicción de fallas en tuberías en redes de abastecimiento de agua mediante regresión logística y clasificación de vectores de soporte. Ing. confiable. Sistema. https://doi.org/10.1016/j.ress.2019.106754 (2020).

Artículo de Google Scholar

Descargar referencias

Los autores desean agradecer a la Universidad Técnica de Liberec a través del proyecto SGS-2022-3037 del Programa de becas para estudiantes. Los autores agradecen la asistencia brindada por la Infraestructura de Investigación NanoEnviCz, apoyada por el Ministerio de Educación, Juventud y Deportes de la República Checa en el marco del Proyecto No. LM2023066.

Instituto de Nanomateriales, Tecnologías Avanzadas e Innovación, Universidad Técnica de Liberec, Liberec, República Checa

Mohammad Gheibi, Reza Moezzi, Hadi Taghavian, Stanisław Wacławek, Masoud Khaleghiabbasabadi, Jan Koci, Cheryl SY Yeap y Jindrich Cyrus

Asociación de Talento Bajo Libertad en Tecnología (TULTECH), Tallin, Estonia

Mohammad Gheibi y Reza Moezzi

Departamento de Ingeniería Civil, Universidad Ferdowsi de Mashhad, Mashhad, Irán

¿Qué es Emrani?

Departamento de Ingeniería del Agua, Universidad de Ciencias Agrícolas y Recursos Naturales de Gorgan, Gorgan, Irán

Mohsen Mohtasham

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Todos los autores contribuyeron al desarrollo de este trabajo; En concreto, sus aportes son los siguientes: MG y NE Conceptualización; Metodología MG y MM; Software JC; Validación MG y HT; Redacción de MG y NE: preparación del borrador original; RM, MG y MK, redacción: revisión y edición; Revisión y mejoras de SW y CY; Supervisión JK. Todos los autores revisaron el manuscrito.

Correspondencia a Reza Moezzi.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Gheibi, M., Moezzi, R., Taghavian, H. et al. Un sensor blando basado en riesgos para el monitoreo de la tasa de fallas en la red de distribución de agua a través de sistemas adaptativos de interferencia neurodifusa. Representante científico 13, 12200 (2023). https://doi.org/10.1038/s41598-023-38620-w

Descargar cita

Recibido: 24 de marzo de 2023

Aceptado: 11 de julio de 2023

Publicado: 27 de julio de 2023

DOI: https://doi.org/10.1038/s41598-023-38620-w

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.