Машинное обучение для прогнозирования отказов подземных водопроводных сетей, подвергающихся воздействию горных работ

Почему повреждения водопроводов важны

Большинство из нас открывает кран, не задумываясь о лабиринте труб, скрытых под улицами. В районах, где ведётся добыча полезных ископаемых, эти подземные водопроводы испытывают дополнительные нагрузки по мере того, как грунт медленно проседает и смещается. Когда трубы трескаются или рвутся, жители остаются без воды, улицы могут затопить, а коммунальные службы вынуждены тратить больше средств на ремонт — затраты, которые в конце концов ложатся на потребителей и окружающую среду. В этом исследовании рассматривается, как современные инструменты машинного обучения могут помочь прогнозировать участки труб, наиболее подверженные отказам, чтобы проводить ремонты превентивно.

Движущийся грунт под нашими ногами

Интенсивная подземная добыча не просто удаляет уголь или руду — она также преобразует поверхность над шахтой. По мере образования полостей в глубине поверхность может постепенно проседать, наклоняться и деформироваться. Для стальных магистралей, заложенных неглубоко, такое движение действует как медная, но мощная перетяжка. Грунт тащит за собой внешние стенки труб, растягивая одни участки и сжимая другие. Со временем это трение может снимать защитные покрытия и ускорять коррозию, образуя мелкие раковины и отверстия в металле. В результате вероятность утечек и разрывов в районах разработки полезных ископаемых выше, чем на более стабильных грунтах.

Что измеряли исследователи

Авторы проанализировали более 100 километров подземных водопроводных труб, проходящих через горные зоны в Силезии, Польша. Для каждого участка трубы они собрали базовую информацию, такую как длина, возраст, диаметр и материал. Также они описали степень влияния горных работ на окружающий грунт, используя категории для растяжения, сжатия и экстремальной деформации. Наконец, посчитали число отказов на каждом участке и перевели это в показатель отказов — как часто ломается километр трубы в год. Так получилась компактная, но информативная база данных, связывающая характеристики труб, условия горных работ и реальный ущерб.

Обучение компьютеров замечать проблемы

Чтобы превратить эти данные в прогнозы, команда протестировала пять методов машинного обучения, широко применяющихся для поиска закономерностей: нейронные сети, опорные векторы (SVM), случайные леса, градиентный бустинг деревьев и усовершенствованная версия k‑ближайших соседей. Каждому методу предстояло научиться тому, как разные параметры труб и условия горных работ сочетаются, чтобы давать более высокие или низкие показатели отказов. Часть данных использовалась для обучения, остальная — для проверки способности моделей обобщать на новые, невидимые участки. Два подхода выделились: бустинг на деревьях решений XGBoost и метод опорных векторов. Оба дали точные предсказания частоты отказов, хотя ни одна входная переменная не имела простой линейной связи с повреждениями.

Выявление ключевых факторов

Помимо чистой точности, авторы хотели понять, какие признаки действительно определяют риск отказа. Для этого они использовали метод объяснения, который распределяет вклад каждой переменной в прогноз модели, подобно справедливому разделу счёта между гостями за обедом. Анализ показал, что самым важным фактором была длина участка трубы: длинные участки больше подвержены движению грунта и имеют больше мест, где может произойти неисправность. Вторым по значимости фактором оказался возраст, отражающий постепенное ослабление стали и покрытий на протяжении десятилетий. Также значимыми оказались показатели растяжения грунта вдоль трубы и диаметр, тогда как чистое сжатие и категория экстремальной деформации в этой выборке внесли относительно небольшой вклад.

Что это означает для городов и жителей

Проще говоря, исследование показывает, что «умные» алгоритмы могут помочь коммунальным службам в районах добычи перейти от реагирования на разрывы к их предотвращению. Сосредоточив инспекции, укрепления и замены на самых длинных, старых и наиболее растянутых участках, водоканалы могут уменьшить число сюрпризов, сэкономить воду и защитить сообщества от внезапных перебоев. Несмотря на то, что работа основана на одном горном районе и ограниченном периоде мониторинга, подход может быть адаптирован к другим подземным сетям и местностям. По мере накопления данных машинное обучение может стать стандартным инструментом для обеспечения безопасного водоснабжения в ландшафтах, преобразованных деятельностью человека.

Цитирование: 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

Ключевые слова: аварии водопроводных труб, проседание грунта из‑за горных работ, прогнозирование с помощью машинного обучения, риск для инфраструктуры, подземные водопроводные сети