محققان یک مدل تجربی آزمایشگاهی را با استفاده از سنسورهای وایرلس (برای جمع آوری داده ها در زمان واقعی) با نظارت بر تغییرات فشار و جریان تحت سناریوهای مختلف نشت ابداع کردند. اصلاح مدل آزمایشگاهی با در نظر گرفتن یک شبکه حلقه( بسته) از لوله های توزیع - به جای مدل تجربی ساده انجام شد.

این مدل در نرم افزار EPANET تایید شد.الگوریتم یادگیری ماشینی - همراه با یک روش اعتبارسنجی متقابل به نام K-fold –برای تعیین محل نشتی استفاده شده است و با تعدادی از الگوریتم‌های دیگر مقایسه شده است.

این سیستم قادر بود حتی نشت های کوچک را با نظارت بر فشار و جریان تشخیص دهد. روش K-fold در الگوریتم یادگیری ماشینی، محل نشتی را با اعمال تغییرات مختلف در مدل تجربی از نظر فشار، اندازه نشتی، سطح مقطع لوله و سطح شبکه لوله نشان داد.

محققان همچنین روش اعتبارسنجی متقابل k-fold را از نظر دقت،تخمین اندازه دهانه نشتی، نوع مدل آزمایشی مورد استفاده و متغیرهای در نظر گرفته شده برای تعیین محل نشتی با سایر الگوریتم‌های یادگیری ماشینی مقایسه کردند.

این اولین نوع کار تحقیقاتی است که میانگین دقت 78 % را برای تعیین محل نشتی بر اساس داده‌های آزمایشی در یک شبکه حلقه با استفاده از رویکرد K-fold نشان می‌دهد.

در آینده، محققان می‌خواهند این روش را برای یک مورد واقعی اعمال کنند و به طور بالقوه از الگوریتم‌های یادگیری ماشینی جایگزین برای دستیابی به کارایی بالاتر و عملکرد بهتر استفاده کنند.

این تحقیق در مجله علم و فناوری هند منتشر شده است.