Madencilik etkilerinden etkilenen gömülü su tedarik şebekelerinin arızalarını tahmin etmede makine öğrenmesi

Neden kırılmış su boruları önemlidir

Çoğumuz musluğu açarken sokaklarımızın altındaki boru ağlarını düşünmeyiz. Ancak madencilik bölgelerinde bu gömülü su boruları, zeminin yavaşça çökmesi ve kayması nedeniyle ekstra gerilime maruz kalır. Borular çatladığında veya patladığında mahalleler su kaybedebilir, sokaklar suyla dolabilir ve kamu hizmetleri onarımlar için daha fazla harcamak zorunda kalır—bu maliyetler nihayetinde tüketicilere ve çevreye yansır. Bu çalışma, modern makine öğrenmesi araçlarının hangi boru kesimlerinin arıza riskinin daha yüksek olduğunu tahmin etmeye nasıl yardımcı olabileceğini araştırıyor; böylece felaket gelmeden önce onarımlar yapılabilir.

Ayaklarımızın altındaki kayan zemin

Yoğun yeraltı madenciliği sadece kömür veya cevheri çıkarmaz—aynı zamanda yüzeyi de yeniden şekillendirir. Derinlerde boşluklar oluştuğunda, yüzey kademeli olarak çökmenin, eğilmenin ve deformasyonun etkisiyle değişebilir. Yüzeye yakın gömülü çelik su ana boruları için bu hareket, yavaş ama güçlü bir çekişme gibidir. Toprak boruların dış duvarlarını sürükler, bazı kesimleri gerer ve bazılarını sıkıştırır. Zaman içinde bu sürtünme koruyucu kaplamaları aşındırabilir ve paslanmayı hızlandırarak metalde küçük çukur ve delikler oluşturur. Sonuç olarak, madencilik alanlarında sızıntı ve kırılma olasılığı, daha stabil zeminlere kıyasla daha yüksektir.

Araştırmacıların ölçtükleri

Yazarlar, Polonya’nın Silezya bölgesinde madencilik bölgelerinden geçen 100 kilometreden fazla yeraltı su boru hattını incelediler. Her boru kesimi için uzunluk, yaş, çap ve malzeme gibi temel bilgileri topladılar. Ayrıca çevreleyen zeminin madencilikten ne kadar etkilendiğini, gerilme, sıkışma ve aşırı deformasyon kategorileri kullanarak tanımladılar. Son olarak, her kesimde meydana gelen arıza sayısını saydılar ve bunu bir arıza oranına dönüştürdüler—bir kilometrelik boruda yılda ne sıklıkla kırılma olduğu. Bu, boru özelliklerini, madencilik koşullarını ve gerçek dünya hasarını ilişkilendiren kompakt ama bilgi açısından zengin bir veri seti yarattı.

Bilgisayarlara sorunları tanımayı öğretmek

Bu veriyi tahminlere dönüştürmek için ekip, desen bulmada yaygın olarak kullanılan beş makine öğrenmesi yöntemini test etti: sinir ağları, destek vektör makineleri, rastgele ormanlar, gradyan artırmalı ağaçlar ve geliştirilmiş bir k-en yakın komşu versiyonu. Her yönteme boru ve madencilik faktörlerinin arıza oranlarını nasıl artırıp azaltacağı öğretilmeye çalışıldı. Verinin bir kısmı eğitim için kullanıldı, geri kalan kısmı ise modellerin yeni, görülmemiş boru kesimlerine genelleme yapıp yapamayacağını kontrol etmek üzere ayrıldı. İki teknik belirgin şekilde öne çıktı: XGBoost olarak bilinen gradyan artırmalı karar ağacı yaklaşımı ve bir destek vektör makinesi. Her ikisi de, hiçbir tek girdinin hasarla basit bir doğrusal bağı olmasa bile, arıza oranlarını doğru şekilde tahmin etti.

En çok neyin önemli olduğunu bulmak

Ham doğruluk dışında, yazarlar hangi özelliklerin gerçekten arıza riskini etkilediğini anlamak istedi. Modelin tahminlerine her değişkenin katkısını atayan, hesap paylaşımına benzer bir açıklama yöntemine başvurdular. Bu analiz, en önemli tek faktörün bir boru kesiminin uzunluğu olduğunu gösterdi: daha uzun boru hatları basitçe daha fazla yer hareketine maruz kalır ve hataların çıkabileceği daha fazla noktaya sahiptir. İkinci önemli faktör yaş oldu; bu da çeliğin ve kaplamaların on yıllar içinde yavaşça zayıfladığını yansıtıyor. Boru boyunca zemin gerilmesi ölçümleri ve borunun çapı da anlamlı roller oynadı; buna karşın sıkıştırma ve en aşırı deformasyon kategorisi bu özel veri setinde nispeten az katkı sağladı.

Bu şehirler ve sakinleri için ne anlama geliyor

Düz bir ifadeyle, çalışma akıllı algoritmaların madencilik bölgelerindeki kamu hizmetlerinin boru kırılmalarına tepki vermekten ziyade bunları önlemeye doğru ilerlemesine yardımcı olabileceğini gösteriyor. Denetimleri, takviyeleri veya değişimleri en uzun, en eski ve en fazla gerilmiş boru kesimlerine odaklayarak su şirketleri sürprizleri azaltabilir, suyu koruyabilir ve toplulukları ani kesintilerden koruyabilir. Çalışma tek bir madencilik bölgesine ve sınırlı bir izleme dönemine dayanmakla birlikte, yaklaşım diğer yeraltı ağlarına ve bölgelere uyarlanabilir. Daha fazla veri elde edildikçe, makine öğrenmesi insan faaliyetleriyle yeniden şekillenmiş peyzajlarda içme suyunun güvenli akışını sağlamak için standart bir araç haline gelebilir.

Atıf: 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

Anahtar kelimeler: su borusu arızaları, madencilik çöküntüsü, makine öğrenmesi tahmini, altyapı riski, gömülü su şebekeleri