Integration von Machine Learning und Multi-Kriterien-Entscheidungsanalyse für das Gesundheitsrisikomanagement in Wasserverteilungsnetzen

Warum sicheres Leitungswasser kluge Planung braucht

Wenn Sie den Wasserhahn aufdrehen, erwarten Sie sauberes Wasser. Unter der Straße verbirgt sich jedoch ein Geflecht alter Leitungen, die Risse bekommen, undicht werden und Krankheitserreger eindringen lassen können. Diese Studie untersucht, wie moderne Datentools Versorgungsbetrieben helfen können zu erkennen, welche Leitungen am ehesten ausfallen, wie gefährlich diese Ausfälle für die Gesundheit wären und welche Reparaturstrategien das beste Schutz‑Kosten‑Verhältnis bieten. Sie bietet eine praxisnahe Methode für Städte, Trinkwasser sicher zu halten, während begrenzte Budgets und alte Infrastruktur berücksichtigt werden.

Undichte Leitungen und verborgene Gesundheitsrisiken

Wasserverteilungsnetze transportieren aufbereitetes Trinkwasser von Aufbereitungsanlagen zu Haushalten und Betrieben. Mit zunehmendem Alter entwickeln Leitungen Risse und Brüche, die große Mengen Wasser verschwenden und hohe Reparaturkosten verursachen. Weltweit gehen jeden Tag hunderte Millionen Kubikmeter Wasser verloren, und allein in Schweden gehen schätzungsweise 15 bis 20 Prozent des kommunalen Trinkwassers durch Lecks und Brüche verloren. Diese Defekte sind mehr als nur lästig: Fällt der Druck in den Leitungen ab, kann verschmutztes Wasser aus dem umliegenden Boden oder aus Abwasserkanälen eingesaugt werden und Krankheitserreger einschleppen, die Magen‑Darm‑Erkrankungen verursachen. Da Versorger nicht alle Leitungen auf einmal ersetzen können, müssen sie wissen, wo Ausfälle am wahrscheinlichsten sind und welche am meisten Schaden anrichten würden.

Daten nutzen, um Schwachstellen im Netz zu finden

Die Forschenden arbeiteten mit einem realen Wassernetz im Süden Schwedens und konzentrierten sich auf einen 13,5 Kilometer langen Abschnitt mit unterschiedlichen Rohrmaterialien und Altersstrukturen. Sie setzten drei Arten von Machine‑Learning‑Modellen ein, um die Bruchwahrscheinlichkeit jeder Leitung abzuschätzen: logistische Regression, Random Forest und ein Verfahren namens XGBoost. Diese Modelle betrachteten Merkmale wie Rohrlänge, Durchmesser, Alter, Material, Bodentyp, Druck und frühere Ausfälle. Das genaueste Modell, Random Forest, identifizierte die meisten Leitungen, die in den letzten 20 Jahren ausgefallen waren, und klassifizierte gesunde Leitungen nur selten fälschlich als fehlerhaft. Alter, Material und Länge erwiesen sich als die stärksten Hinweise auf zukünftige Ausfälle und bestätigten, dass grundlegende physikalische Informationen noch immer einen großen Teil der Erklärung liefern.

Nachvollziehen, wie Brüche Fluss und Erreger beeinflussen

Die Abschätzung der Bruchwahrscheinlichkeit ist nur die halbe Risikobetrachtung. Das Team fragte außerdem, was passieren würde, wenn jede Leitung tatsächlich versagt. Dazu nutzten sie Computermodelle der Wasserströmung, um zu sehen, wie das Ausfallen einer Leitung Druck und Versorgung im Netz stören würde. Leitungen, deren Ausfall zu großen Druckabfällen oder zur Abschaltung großer Teile des Systems führte, wurden als hydraulisch folgenschwer eingestuft. Parallel dazu führten sie eine mikrobiologische Risikobewertung durch und simulierten, wie Erreger wie Campylobacter, Norovirus und Cryptosporidium durch einen Bruch eindringen, sich mit dem Wasser ausbreiten und Verbraucher erreichen könnten. Für jede Leitung schätzten sie die tägliche Wahrscheinlichkeit, dass eine Person, die das Wasser trinkt, infiziert wird, und markierten Leitungen, bei denen dieses Risiko über ein übliches Sicherheitsziel hinaus anstieg.

Komplexe Risiken in klare Karten und Entscheidungen übersetzen

Um diese Bausteine zu kombinieren, multiplizierten die Forschenden die Wahrscheinlichkeit eines Leitungsbruchs mit seinen kombinierten hydraulischen und gesundheitlichen Folgen und kartierten die Ergebnisse in einem geografischen Informationssystem. Leitungen wurden in Niedrig‑, Mittel‑ und Hochrisiko‑Kategorien gruppiert, sodass Ingenieurinnen und Ingenieure Hotspots schnell erkennen konnten. Doch die Kenntnis riskanter Leitungen beantwortet noch nicht die schwierige Frage: Welche Maßnahmen sollten zuerst ergriffen werden? Um das zu klären, versammelte das Team zehn Wasserexpertinnen und -experten und bat sie, verschiedene Strategien wie Druckmanagement, Rohrreparatur, Rohrersatz, verstärkte Leckerkennung und Öffentlichkeitsarbeit nach Kriterien wie Kosten, Umsetzbarkeit, Risiko‑Reduktion, sozialer Wirkung und Zuverlässigkeit zu bewerten. Anschließend nutzten sie ein Entscheidungswerkzeug namens TOPSIS, um die Strategien danach zu ordnen, wie gut sie alle Kriterien zusammen erfüllten.

Was das für sichereres Trinkwasser bedeutet

Die Analyse zeigte, dass das Druckmanagement im Netz, gefolgt von gezielten Rohrreparaturen und -sanierungen, die beste Gesamtbalance aus Risikoreduzierung, Praktikabilität und Kosten bietet. Vollständiger Rohrersatz bleibt wichtig, ist aber als erster Schritt weniger effizient, wenn Geld und Personal begrenzt sind. Durch die Verknüpfung von Machine Learning, Strömungs‑ und Gesundheitsrisikomodellen, Expertenurteil und klaren visuellen Karten hilft das Rahmenwerk Versorgern zu entscheiden, wo gehandelt werden sollte und welche Maßnahmen am besten geeignet sind. Für die Öffentlichkeit ist die Botschaft klar: Der kluge Einsatz von Daten kann helfen, Leitungswasser sicher zu halten, indem Aufmerksamkeit und Ressourcen auf die Leitungen konzentriert werden, die am wichtigsten sind, bevor ernsthafte Gesundheitsprobleme auftreten.

Zitation: Sangroula, U., Viñas, V., Odhiambo, M. et al. Integrating machine learning and multi-criteria decision analysis for health risk management in water distribution networks. Sci Rep 16, 15718 (2026). https://doi.org/10.1038/s41598-026-52465-z

Schlüsselwörter: Trinkwassersicherheit, Wasserverteilungsleitungen, Machine Learning, Gesundheitsrisikobewertung, Leckmanagement