Koneoppimisen hyödyntäminen vesijohtoverkostojen vuotojen hallinnassa : systemaattinen kirjallisuuskartoitus

Tämä pro gradu -tutkielma vastaa kysymykseen ”Kuinka paljon ja minkälaista tutkimusta on tehty koneoppimisen hyödyntämisestä vesijohtoverkostojen vuotojen hallinnassa?”. Tutkimusmenetelmänä käytettiin systemaattista kirjallisuuskartoitusta, joka sekundäärisenä tutkimusmenetelmänä pyrkii tutkimusalueen jäsentämiseen. Tutkimuksessa tunnistettiin ja luokiteltiin yhteensä 80 koneoppimiseen ja vesijohtoverkostojen vuotojen hallintaan liittyvää tutkimusta ajalta 1/2012- 5/2022. Vuosittaisten julkaisumäärien perusteella aiheen tutkiminen on ollut aktiivista ja kasvanut vuodesta 2017 lähtien. Julkaisufoorumien (ml. julkaisupaikkatyypit ja julkaisijat) hajanaisuudesta päätellen aihetta tutkitaan laajalla rintamalla eri tiedeyhteisöissä. Lähes kaikki luokitellut tutkimukset olivat validointitutkimuksia, mikä viittaa siihen, että tutkimustoiminta on vielä teoreettisella tasolla. Viime vuosina suosituimmat koneoppimismenetelmät pohjautuivat neuroverkkoihin, mikä vastaa koneoppimisen yleistä kehityssuuntaa. Käyttötarkoituksen perusteella koneoppimista hyödynnettiin erityisesti vuotojen tunnistamiseen ja/tai paikantamiseen. Koneoppimismallien lähtötietona käytettiin pääasiassa putkiston painetietoa, mutta myös virtaama-, ääni- ja värinätietoja.This Master’s thesis answers the question ”How much and what kind of research has been done on the utilization of machine learning in the management of leaks in water supply networks?”. Systematic mapping study was used as the research method, which is a secondary research method that aims to structure research areas. A total of 80 studies related to the research topic from the period of 1/2012-5/2022 were identified and classified in the study. Based on the annual number of publications research on the topic has been active and growing since 2017. The scatteredness of the publication venues (incl. venue types and publishers) indicates that the topic is being studied in various scientific communities. Almost all the studies were validation studies, which suggests that the research is still on a theoretical level. In accordance with the general machine learning trends, the most popular machine learning methods were based on neural networks. The reason to use machine learning was mainly to identify and/or locate leaks. Especially pressure, but also flow, sound and vibration data were used as input data for machine learning algorithms