Uczenie maszynowe w przewidywaniu awarii podziemnych sieci wodociągowych dotkniętych wpływami górniczymi

Dlaczego pękające rury wodne mają znaczenie

Większość z nas odkręca kran nie myśląc o labiryncie rur ukrytych pod ulicami. W rejonach górniczych jednak te podziemne rury są narażone na dodatkowe obciążenia, gdy ziemia stopniowo opada i przesuwa się. Kiedy rury pękają lub pękają, dzielnice mogą stracić wodę, ulice mogą zostać zalane, a zakłady użyteczności publicznej muszą wydawać więcej na naprawy — koszty, które ostatecznie ponoszą konsumenci i środowisko. Niniejsze badanie analizuje, jak nowoczesne narzędzia uczenia maszynowego mogą pomóc przewidzieć, które odcinki rur są najbardziej podatne na awarie, aby naprawy mogły zostać przeprowadzone zanim wystąpi katastrofa.

Przesuwająca się ziemia pod naszymi stopami

Intensywna eksploatacja podziemna nie tylko usuwa węgiel czy rudy — także przekształca teren nad nimi. W miarę powstawania pustek głęboko pod ziemią powierzchnia może stopniowo osiadać, przechylać się i odkształcać. Dla stalowych magistrali wodociągowych zakopanych płytko, ruch ten działa jak powolna, silna gra przeciągania liny. Gleba ciągnie za zewnętrzne ścianki rur, rozciągając niektóre odcinki i ściskając inne. Z czasem to tarcie może zdzierać powłoki ochronne i przyspieszać rdzewienie, tworząc drobne ubytki i dziury w metalu. Efektem jest większe prawdopodobieństwo wycieków i pęknięć w obszarach górniczych w porównaniu z bardziej stabilnym gruntem.

Co mierzyli badacze

Autorzy przebadali ponad 100 kilometrów podziemnych przewodów wodociągowych przebiegających przez obszary górnicze na Śląsku w Polsce. Dla każdego odcinka rury zebrali podstawowe informacje, takie jak długość, wiek, średnica i materiał. Opisali też, jak silnie górnictwo wpłynęło na otaczający grunt, używając kategorii rozciągania, ściskania i skrajnych odkształceń. Na koniec policzyli, ile awarii miało miejsce na każdym odcinku i przeliczyli to na wskaźnik awaryjności — jak często dany kilometr rury pęka w ciągu roku. W ten sposób powstał zwięzły, ale bogaty w informacje zbiór danych łączący cechy rur, warunki górnicze i realne uszkodzenia.

Nauczanie komputerów rozpoznawania problemów

Aby przekształcić te dane w przewidywania, zespół przetestował pięć metod uczenia maszynowego powszechnie stosowanych do wykrywania wzorców: sieci neuronowe, maszyny wektorów wspierających, lasy losowe, drzewa gradientowo wzmacniane oraz ulepszoną wersję metody k-najbliższych sąsiadów. Każdej metodzie zadano naukę, jak różne czynniki dotyczące rur i górnictwa łączą się, by generować wyższe lub niższe wskaźniki awaryjności. Część danych wykorzystano do trenowania, a resztę odłożono na testy, by sprawdzić, czy modele potrafią uogólnić wyniki na nowe, niewidziane odcinki rur. Dwie techniki wyraźnie się wyróżniły: podejście z podwyższonymi drzewami decyzyjnymi znane jako XGBoost oraz maszyna wektorów wspierających. Obie dostarczały precyzyjnych prognoz wskaźników awaryjności, mimo że żaden pojedynczy parametr wejściowy nie miał prostego liniowego powiązania z uszkodzeniami.

Co ma największe znaczenie

Ponad samą dokładnością, autorzy chcieli zrozumieć, które cechy naprawdę napędzają ryzyko awarii. Sięgnęli po metodę wyjaśniającą, która przypisuje każdej zmiennej wkład w przewidywania modelu, podobnie jak sprawiedliwy podział rachunku między gości przy kolacji. Analiza wykazała, że najważniejszym czynnikiem jest długość odcinka rury: dłuższe odcinki są po prostu wystawione na większe ruchy gruntu i mają więcej miejsc, gdzie coś może pójść nie tak. Drugim kluczowym czynnikiem był wiek, odzwierciedlający powolne osłabianie stali i powłok na przestrzeni dziesięcioleci. Znaczące role odegrały także miary rozciągania gruntu wzdłuż rury oraz średnica rury, podczas gdy samo ściskanie i kategoria skrajnych odkształceń miały relatywnie niewielki wpływ w tym konkretnym zbiorze danych.

Co to oznacza dla miast i mieszkańców

Mówiąc wprost, badanie pokazuje, że inteligentne algorytmy mogą pomóc zakładom wodociągowym w regionach górniczych przejść od reagowania na pęknięcia rur do ich zapobiegania. Koncentrując inspekcje, wzmacnianie lub wymiany na najdłuższych, najstarszych i najbardziej rozciągniętych odcinkach rur, firmy wodociągowe mogą zmniejszyć liczbę niespodzianek, oszczędzać wodę i chronić społeczności przed nagłymi przerwami w dostawie. Chociaż praca opiera się na jednym okręgu górniczym i ograniczonym okresie monitoringu, podejście można dostosować do innych sieci podziemnych i lokalizacji. W miarę pojawiania się większej ilości danych uczenie maszynowe może stać się standardowym narzędziem do utrzymania bezpiecznego przepływu wody pitnej przez krajobrazy przekształcone przez działalność człowieka.

Cytowanie: Chomacki, L., Rusek, J. & Słowik, L. Machine learning in predicting failures of buried water supply networks affected by mining impacts. Sci Rep 16, 8465 (2026). https://doi.org/10.1038/s41598-026-39874-w

Słowa kluczowe: awarie przewodów wodociągowych, osiadanie gruntu wskutek górnictwa, predykcja za pomocą uczenia maszynowego, ryzyko infrastruktury, podziemne sieci wodociągowe