Integrering av maskininlärning och flerfaktors beslutsanalys för hantering av hälsorisker i vattenförsörjningsnät

Varför tryggt kranvatten kräver smart planering

När du vrider på kranen förväntar du dig rent vatten, men under gatan finns en labyrint av åldrande ledningar som kan spricka, läcka och släppa in smittämnen. Denna studie undersöker hur moderna dataverktyg kan hjälpa vattenbolag att se vilka ledningar som sannolikt kommer att gå sönder, hur farliga dessa fel kan vara för hälsan och vilka reparationsstrategier som ger bäst skydd för pengarna. Den erbjuder ett praktiskt sätt för städer att hålla dricksvattnet säkert samtidigt som de hanterar begränsade budgetar och gammal infrastruktur.

Läckande ledningar och dolda hälsorisker

Vattenförsörjningsnät transporterar renat dricksvatten från reningsverk till hushåll och företag. När ledningarna åldras utvecklar de sprickor och brott som slösar stora mängder vatten och kostar pengar att åtgärda. Globalt försvinner hundratals miljoner kubikmeter vatten varje dag, och i Sverige försvinner omkring 15 till 20 procent av kommunalt dricksvatten genom läckor och brister. Dessa defekter är mer än en olägenhet: när trycket i ledningarna sjunker kan smutsigt vatten från omkringliggande jord eller närliggande avlopp sugas in och föra med sig smittämnen som orsakar mag- och tarminfektioner. Eftersom verksamheterna inte kan byta ut alla ledningar på en gång behöver de veta var fel är mest sannolika och vilka som skulle göra mest skada.

Använda data för att hitta svaga länkar i nätet

Forskarna arbetade med ett verkligt vattennät i södra Sverige, med fokus på en 13,5 kilometer lång sträcka med olika ledningsmaterial och åldrar. De använde tre typer av maskininlärningsmodeller för att uppskatta hur sannolikt varje ledning var att gå sönder: logistisk regression, random forest och en metod kallad XGBoost. Dessa modeller tittade på egenskaper som ledningslängd, diameter, ålder, material, jordtyp, tryck och tidigare fel. Den mest precisa modellen, random forest, identifierade korrekt majoriteten av de ledningar som gått sönder under de senaste 20 åren samtidigt som den sällan felaktigt klassade friska ledningar. Ålder, material och längd visade sig vara de starkaste ledtrådarna till framtida fel, vilket bekräftar att grundläggande fysiska uppgifter fortfarande berättar en stor del av historien.

Spåra hur brott påverkar flöde och smittämnen

Att uppskatta risken för ett brott är bara halva riskbilden. Teamet undersökte också vad som skulle hända om varje ledning faktiskt brast. För att göra detta använde de datorbaserade flödesmodeller för att se hur avstängning eller störning av en ledning skulle påverka tryck och leverans i nätet. Ledningar vars fel orsakade stora tryckfall eller avstängning av stora delar av systemet markerades ha hög hydraulisk konsekvens. Parallellt körde de en mikrobiell riskbedömning och simulerade hur smittämnen som Campylobacter, norovirus och Cryptosporidium kunde komma in via ett brott, föras med vattnet och nå konsumenter. För varje ledning uppskattade de den dagliga sannolikheten att en person som dricker vattnet skulle bli infekterad och flaggade ledningar där denna risk ökade över ett vanligt använt säkerhetsmål.

Omvandla komplexa risker till tydliga kartor och val

För att kombinera dessa delar multiplicerade forskarna sannolikheten för ett ledningsbrott med dess sammanlagda hydrauliska och hälso-konsekvenser och kartlade sedan resultaten i ett geografiskt informationssystem. Ledningar grupperades i låga, medel och höga risknivåer så att ingenjörer snabbt kunde identifiera riskhotspots. Men att veta vilka ledningar som är riskfyllda lämnar fortfarande en svår fråga: vilka åtgärder bör prioriteras. För att svara på detta samlade teamet tio vattenexperter och bad dem poängsätta olika strategier, såsom tryckstyrning, reparation av ledningar, utbyte av ledningar, mer läcksökning och ökad allmän medvetenhet, utifrån kriterier som kostnad, genomförbarhet, riskreduktion, social påverkan och tillförlitlighet. De använde sedan ett beslutsverktyg kallat TOPSIS för att rangordna strategierna utifrån hur väl de uppfyllde alla kriterier tillsammans.

Vad detta innebär för säkrare dricksvatten

Analysen visade att tryckstyrning i nätet, följt av riktade reparationer och rehabilitering av ledningar, erbjöd den bästa totala balansen mellan riskreducering, praktik och kostnad. Fullt utbyte av ledningar är fortfarande viktigt, men är mindre effektivt som första steg när pengar och personaltid är begränsade. Genom att koppla samman maskininlärning, flödes- och hälso-riskmodeller, expertbedömning och tydliga visuella kartor hjälper ramverket vattenverksamheter att besluta var de ska agera och vilka verktyg som bör användas. För allmänheten är budskapet enkelt: smartare användning av data kan hjälpa till att hålla kranvattnet säkert genom att fokusera uppmärksamhet och resurser på de ledningar som betyder mest innan allvarliga hälsoproblem uppstår.

Citering: 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

Nyckelord: dricksvattensäkerhet, vattenförsörjningsledningar, maskininlärning, hälso-riskbedömning, läckagehantering