Интеграция машинного обучения и многокритериального анализа принятия решений для управления рисками для здоровья в сетях водоснабжения

Почему для безопасности воды из-под крана нужна продуманная стратегия

Когда вы открываете кран, вы рассчитываете на чистую воду, но под дорогой скрывается сеть стареющих труб, которые могут трескаться, протекать и пропускать патогены. В этом исследовании рассматривается, как современные инструменты работы с данными помогают коммунальным службам увидеть, какие трубы с наибольшей вероятностью выйдут из строя, насколько опасными для здоровья могут быть эти отказы и какие стратегии ремонта дают наилучшую защиту за деньги. Предложен практичный подход для городов, который помогает сохранять безопасность питьевой воды в условиях ограниченного бюджета и стареющей инфраструктуры.

Протекающие трубы и скрытые риски для здоровья

Сети водораспределения доставляют обработанную питьевую воду от очистных сооружений до домов и предприятий. По мере старения трубы образуют трещины и разрывы, что приводит к большим потерям воды и затратам на ремонт. Во всем мире ежедневно теряются сотни миллионов кубометров воды, а в Швеции только около 15–20 процентов муниципальной питьевой воды уходит через утечки и разрывы. Эти дефекты — не просто неудобство: при падении давления в трубах грязная вода из окружающего грунта или близлежащих канализаций может всасываться внутрь, перенося микроорганизмы, вызывающие желудочно-кишечные заболевания. Поскольку коммунальные службы не могут заменить все трубы одновременно, им нужно знать, где отказы наиболее вероятны и какие из них принесут наибольший вред.

Использование данных для поиска слабых звеньев сети

Исследователи работали с реальной сетью водоснабжения на юге Швеции, сосредоточив внимание на участке длиной 13,5 километра с разными материалами и возрастом труб. Они использовали три типа моделей машинного обучения для оценки вероятности выхода каждой трубы из строя: логистическую регрессию, случайный лес и метод XGBoost. Эти модели учитывали такие признаки, как длина трубы, диаметр, возраст, материал, тип грунта, давление и прошлые отказы. Наиболее точной моделью оказался случайный лес: она правильно идентифицировала большинство труб, вышедших из строя за последние 20 лет, и редко ошибочно помечала исправные трубопроводы. Возраст, материал и длина оказались самыми сильными индикаторами будущих отказов, подтверждая, что базовая физическая информация по-прежнему рассказывает большую часть истории.

Прослеживание того, как разрывы влияют на поток и микробы

Оценка вероятности разрыва — лишь половина картины риска. Команда также изучила, что произойдет, если каждая труба действительно выйдет из строя. Для этого они использовали компьютерные модели гидравлики, чтобы увидеть, как закрытие или повреждение трубы нарушит давление и подачу воды по сети. Трубы, отказ которых вызывал значительные падения давления или отключал большие участки системы, были отнесены к категории с высокой гидравлической последствиями. Параллельно они провели оценку микробного риска, моделируя, как такие патогены, как Campylobacter, норовирус и Cryptosporidium, могут проникать через разрыв, перемещаться с водой и достигать потребителей. Для каждой трубы они оценили ежедневную вероятность того, что человек, выпивший воду, заразится, отмечая трубы, где этот риск превышал обычно используемый целевой уровень безопасности.

Преобразование сложных рисков в понятные карты и решения

Чтобы объединить эти элементы, исследователи умножили вероятность разрыва трубы на ее совокупные гидравлические и санитарные последствия, затем сопоставили результаты в системе географической информации. Трубы были сгруппированы по уровням риска: низкий, средний и высокий, чтобы инженеры могли быстро обнаруживать очаги проблем. Но знание того, какие трубы опасны, не отвечает на сложный вопрос: какие действия следует выполнять в первую очередь. Чтобы решить это, команда привлекла десять водных экспертов и попросила их оценить различные стратегии, такие как управление давлением, ремонт труб, замена труб, улучшение обнаружения утечек и повышение информированности населения, по критериям затрат, простоты исполнения, снижения риска, социального воздействия и надежности. Затем они использовали инструмент принятия решений TOPSIS для ранжирования стратегий на основе их соответствия всем критериям одновременно.

Что это значит для более безопасной питьевой воды

Анализ показал, что управление давлением в сети, за которым следуют целевой ремонт и восстановление труб, предлагают наилучшее общее сочетание снижения риска, практичности и стоимости. Полная замена труб остается важной, но менее эффективна как первый шаг при ограниченных финансах и ресурсах персонала. Связав вместе машинное обучение, модели потоков и санитарного риска, экспертные суждения и понятные визуальные карты, предлагаемая методика помогает коммунальным службам решать, где действовать и какими инструментами пользоваться. Для широкой публики вывод прост: более разумное использование данных помогает сохранять безопасность воды из-под крана, концентрируя внимание и ресурсы на тех трубах, которые имеют наибольшее значение, до возникновения серьезных проблем со здоровьем.

Цитирование: 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

Ключевые слова: безопасность питьевой воды, трубопроводы водораспределения, машинное обучение, оценка риска для здоровья, управление утечками