Моделирование давления в системах водоснабжения с применением LSTM-рекуррентных нейросетей

Abstract

В статье представлен метод прогнозирования гидравлического давления в системах водоснабжения с использованием рекуррентных нейронных сетей, в частности модели с долгой краткосрочной памятью (LSTM). Основываясь на данных, получаемых с пьезоэлектрических датчиков давления, интегрированных в сеть через протокол MQTT, исследование демонстрирует значительное превосходство LSTM- модели над традиционными моделями. Это подчеркивает не только высокую точность прогноза, но и возможность более эффективного управления системами водоснабжения. Преимущество данной архитектуры заключается в ее гибкости и способности адаптироваться к изменяющимся условиям эксплуатации, благодаря обработке новых данных, поступающих на сервер в реальном времени. Базовые принципы построения и настройки модели LSTM могут быть легко модифицированы для прогнозирования различных параметров, что расширяет перспективы использования рекуррентных нейросетей в управлении инженерными системами.

The method for forecasting hydraulic pressure in water supply systems using recurrent neural networks, specifically the long short-term memory (LSTM) model is presented. Based on data obtained from piezoelectric pressure sensors integrated into the network via the MQTT protocol, the study demonstrates a significant superiority of the LSTM model over traditional models. This fact highlights not only the high accuracy of the forecast but also the potential for more efficient water supply system management. The advantage of this architecture lies in its flexibility and ability to adapt to changing operational conditions through real-time processing of new data sent to the server. The basic principles of constructing and configuring the LSTM model can be easily modified to forecast various system parameters, expanding the prospects for using recurrent neural networks in managing engineering systems.