صمد شهریاری

صمد شهریاری

عنوان پایان‌نامه

مقایسه یادگیری خودکار و هدایت شده برای شبکه های بیزی برای تحلیل خرابی لوله ها در سیستم توزیع آب



    دانشجو صمد شهریاری در تاریخ ۳۱ شهریور ۱۴۰۳ ساعت ۱۲:۰۰ ، به راهنمایی وحید رضایی تبار ، پایان نامه با عنوان "مقایسه یادگیری خودکار و هدایت شده برای شبکه های بیزی برای تحلیل خرابی لوله ها در سیستم توزیع آب" را دفاع نموده است.


    دانشجو
    صمد شهریاری
    استاد راهنما
    وحید رضایی تبار
    استاد مشاور
    رضا پورطاهری
    استاد داور
    فرزاد اسکندری
    رشته تحصیلی
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    علوم ریاضی و رایانه
    شماره ساختمان محل ارائه
    ۸۷
    نام کلاس محل ارائه
    کلاس ۲۱۲[۳۱۲۱۲]
    شماره کلاس محل ارائه
    ۱۱۳
    تاریخ دفاع
    ۳۱ شهریور ۱۴۰۳
    ساعت دفاع
    ۱۲:۰۰

    چکیده

    قابلیت اطمینان سیستم توزیع آب برای حفظ تأمین ایمنی برای جمعیت، صنعت و کشاورزی بسیار مهم است، بنابراین نیاز به تعمیر و نگهداری پیشگیرانه برای کمک به کاهش تلفات و زمان‌های قطعی آب وجود دارد. شبکه‌های بیزی یکی از رویکردهای مدل‌سازی پیچیدگی شبکه‌های آب است تا به شرکت‌های آبرسانی در برنامه‌ریزی نگهداری کمک کند. این پژوهش مقایسه و تجزیه و تحلیل می‌کند که چگونه ساختار شبکه‌بیزی را می‌توان با توجه به مجموعه داده‌های بزرگ استخراج کرد. روش اول شامل استفاده از الگوریتم‌های یادگیری خودکار برای ساخت شبکه‌بیزی بود و روش دوم شامل یک روش هدایت‌شده با استفاده از ترکیبی از داده‌های خرابی تاریخی، دانش قبلی و اکتشاف داده‌های پیش‌مدل‌سازی شبکه آب است. با درک انواع شکست رایج لوله‌ها(محیطی، طولی، سوراخ سوزنی و مفصلی) شبکه‌بیزی یادگیری هدایت‌شده توانست تعاملات محیط خاک اطراف را با خواص فیزیکی لوله‌ها به تصویر بکشد  

    Abstract

      


    The reliability of the water distribution system is very important to maintain the safety supply for the population, industry and agriculture, so there is a need for preventive maintenance to help reduce losses and water outages. Bayesian networks are one of the approaches for modeling the complexity of water networks to help water supply companies in maintenance planning. This paper compares and analyzes how Bayesian network structure can be extracted with respect to large data sets. The first method involved the use of machine learning algorithms to construct the Bayesian network, while the second method involved a guided approach using a combination of historical failure data, prior knowledge, and water network pre-modeling data discovery. By understanding common pipe failure types (circumferential, longitudinal, pinhole, and joint), the guided learning Bayesian network was able to depict the interactions of the surrounding soil environment with the physical properties of the pipes.