Back to search

OFFPHD-Offentlig sektor-ph.d.

TRYKKFORVALTNING OG MASKINLÆRING I VANNDISTRIBUSJONSNETTET

Alternative title: PRESSURE MANAGEMENT AND MACHINE LEARNING IN WATER DISTRIBUTION

Awarded: NOK 1.8 mill.

Project Number:

313058

Project Period:

2021 - 2028

Funding received from:

Infusing water distribution operations with Machine learning (ML) and big-data analysis, can contribute to reducing leakages through pressure management (PM). The project aims to study how ML can streamline and optimize water distribution operations, within the public sector. Regarding leakages in the water distribution system, Norway is in a peculiar position. Every third litre is going to waste as leakage, due to need for rehabilitation, imposing serious risk of waterborne disease outbreaks, which is why leakage reduction (LR) must be prioritized, with PM being a principal pillar of LR. Every water distribution system, regardless of size, is comprised of at least one pressure zone, enabling water delivery to the customer with the appropriate pressure level. In traditional water works, this is manually controlled by a pressure control device, which provides static outlet pressure. This entails the zonal pressure to vary as a function of demand variations, therefore usually peaking at night when demand is low. This excess pressure is necessary to remove, with use of PM, reducing water leakages and pipe bursts, minimizing operating expenses and energy consumption. To deploy PM methodology, one must understand the relation between pressure and demand. Demand varies on a daily basis, but is also dependandt on season, holidays, temperature etc. Oslo municipality Water Works aims to understand this dependency, to better manage our water distribution network. Here we need techniques as ML to automate data analysis of historical trends and relations in demand variations affecting network pressure. By extracting knowledge and experience to a ML-model, it can suggest optimal pressure levels, contributing to optimization of zonal pressure. This insight is valuable when contributing to decision making, aiming to improve operations, reduce energy consumption and leakage levels. Models that can predict the future enables VAV to be proactive in regards to PM.

LEKKASJE- OG TRYKKREDUKSJON Hovedutfordringen for norsk drikkevannsforsyning og vannkvalitet er et gammelt ledningsnett med stort vedlikeholdsbehov, som fører til stort lekkasjetap, og kan medføre innsug av smittestoffer. Lekkasjetapet på nasjonalt nivå er 29,8%. Derfor er det nødvendig å vurdere trykkreduserende tiltak for å redusere vannlekkasjene og risikoen for brudd. Trykket i vannledningene skal være slik at vannleveransen til forbruker skjer på en optimal måte. Derfor er vanndistribusjonsnettet delt opp i trykksoner. Per i dag er sett-trykket, ut av trykkregulerende stasjoner, stort sett statisk, og det er konstant i tid, med mindre man gjør manuelle endringer. Det vil si at sonetrykket varierer i forhold til forbruksvariasjoner, og vil dermed være høyest på natten når forbruket er lavest. Enkelte steder er dette nattrykket for høyt. Et såkalt overskuddstrykk er nødvendig å fjerne fra nettet ved hjelp av trykkreduserende tiltak. MASKINLÆRING Digitalisering og maskinlæring er nøkkelen til å lykkes med de komplekse problemstillingene vannbransjen står ovenfor. Maskinlæring benyttes for å gjøre datamaskinen i stand til å trekke erfaring fra store mengder data, samt ta valg eller være beslutningsstøtte basert på denne kunnskapen. Vann- og avløpsetaten i Oslo (VAV) besitter mye data, fra langt tilbake, som høstes i sensorparken. Det er sammenheng mellom trykket og forskjellige faktorer, uten at VAV har klart å beskrive denne sammenhengen. Det er behov for å anvende teknikker som maskinlæring, for å automatisere analyse av historiske trender og sammenhenger, og identifisere relasjoner i dataene knyttet til ulike faktorer, som påvirker trykket. Denne innsikten blir verdifull når den benyttes som beslutningsgrunnlag, hvor VAV kan optimalisere drift, med tanke på energibruk, lekkasjereduksjon, o.l. Modeller som kan forutse fremtiden, basert på maskinlæring, kan gjøre VAV proaktiv med tanke på trykkstyring.

Funding scheme:

OFFPHD-Offentlig sektor-ph.d.

Funding Sources