Единая ИИ-платформа надежности трубопроводов

Облачный анализ ваших данных. ГИС-прогнозирование рисков аварий, локализация скрытых утечек с точностью до 1 метра и контроль толщины стенок по звуковому спектру.

Запустить ИИ-анализ

Как это работает

Три шага от сбора данных до ИИ-вердикта

  1. 1. Сбор данных

    Вы собираете статистические данные и результаты фактических измерений

  2. 2. Загрузка в RIVIXI

    Данные загружаются в защищенное облако платформы.

  3. 3. ИИ-анализ

    Кластер нейросетей выдает прогнозы с локализацией дефектов

Модули платформы

Специализированные ИИ-модули для решения каждой задачи неразрушающего контроля и предиктивной аналитики.

RIVIXI Locate — Модуль локализации

Локализация скрытых утечек по звуковым файлам с любых акустических приборов. В основе лежат топологические нейросети (1D-CNN), которые не ищут совпадения по времени, а "слушают" уникальную спектральную сигнатуру шипения воды под давлением.

  • Аппаратная независимость: работает с SebaKMT и аналогами (от 1638 Гц до 48 кГц)
  • Высочайшая точность локализации на дистанциях свыше 150 метров
  • Ноль ложных срабатываний благодаря MLOps-конвейеру непрерывного обучения

RIVIXI Predict — Модуль прогнозирования

Долгосрочное прогнозирование аварийности сегментов сети на 3 месяца вперед для планирования капитальных ремонтов (CAPEX). Инновационное математическое слияние решений (Decision Fusion).

  • Статическая модель (CatBoost): Оценка физических параметров трубы и грунта
  • Динамическая модель (LSTM): Анализ временного ряда прошлых инцидентов
  • Точность прогноза в приоритетных зонах (Precision@20) достигает 90%

RIVIXI Diagnose — Модуль диагностики износа

Вибро-УЗТ диагност для оценки толщины стенки трубы по изменению спектра собственных колебаний конструкции. Турбулентный поток воды вызывает вибрации 1-5 кГц, которые мы переводим в картину износа.

  • Контроль коррозии под землей без необходимости сплошных раскопок
  • Калибровка по точечным замерам ультразвуковой толщинометрии (УЗТ)
  • Расчет остаточного ресурса трубы (RUL) в месяцах

Тарифы

Гибкие условия для управляющих компаний и крупных операторов

Аналитика по запросу (Pay-as-you-go)

Идеально для небольших водоканалов и теплосетей

  • Оплата за ГБ аудиоданных
  • Доступ к модулю RIVIXI Locate
  • Стандартные модели нейросетей
  • Email поддержка

Enterprise Интеграция (Custom)

Для корпоративных клиентов и диспетчерских

  • Безлимитный анализ данных
  • Доступ ко всем модулям (Locate, Predict, Diagnose)
  • Интеграция по API в вашу систему
  • Дообучение ИИ под ваши приборы (MLOps)

Научные публикации

Математический и физический фундамент, на котором построена ИИ-платформа RIVIXI

Преодоление хаоса: Как методы машинного обучения компенсируют неточности эксплуатационных журналов теплосетей и водоканалов

Практический кейс о компенсации пропусков в паспортах объектов, опечаток диспетчеров и пространственного шума ГИС при помощи пространственной агрегации и Target Encoding.

Авторы: А. Иванайский, Е. Иванайский, С. Шипилов. Recall (Охват аварий): 93.88% // Снижение orphaned-записей ГИС с 68% до 7%

Читать исследование

Адаптация нейросетевой платформы к legacy-оборудованию: Динамический реинжиниринг DSP-тракта

Динамический реинжиниринг DSP-тракта для интеграции датчиков SebaKMT с частотой 6.5 кГц в облачный бэкенд платформы.

Авторы: А. Иванайский, Е. Иванайский, С. Шипилов. Welch’s t-test (p < 0.0001)

Читать исследование

Топологический ИИ-анализ против классической кросс-корреляции: преодоление уязвимостей legacy-дефектоскопов

Преодоление уязвимости ложных тревог классических корреляторов на дистанциях свыше 150 м с помощью 1D-CNN.

Авторы: Е. Иванайский, С. Шипилов. Специфичность: 97.7%, Чувствительность: 97.4%

Читать исследование

Компьютерное зрение в ультразвуковом поиске утечек

Применение 2D-CNN для анализа двумерных Мел-спектрограмм звука. Распознавание стабильного гидродинамического шипения.

Авторы: Е. Иванайский, А. Иванайский. Фильтрация ложных срабатываний (кипения воды)

Читать исследование

Повышение точности прогнозирования аварийности трубопроводных сетей методами очистки данных, оптимизации гиперпараметров и блендинга моделей градиентного бустинга

Многомодельный блендинг-ансамбль (XGBoost, CatBoost, LightGBM) с оптимизацией Optuna для предсказания годовых рисков аварийных ситуаций.

Авторы: А. Иванайский, Е. Иванайский, С. Шипилов. ROC-AUC: 0.8879 // Точность в Top-20 (Precision@20): 90.0%

Читать исследование

Применение гибридных моделей машинного обучения для прогнозирования риска аварий на трубопроводных сетях

Двухуровневый гибридный конвейер машинного обучения на базе древовидных ансамблей (Sys-level) и пространственной агрегации (Section-level) для планирования CAPEX.

Авторы: Е. Иванайский, А. Иванайский, И. Назаров, П. Чистяков. Сбалансированная точность (Balanced Accuracy): 0.8222 // ROC-AUC: 0.8539

Читать исследование

Интеллектуальная предиктивная аналитика для безопасной и бесперебойной работы мировой инфраструктуры ЖКХ.

Контакты: [email protected] | +1 954 558 8573

Unified AI Platform for Pipeline Reliability

Cloud-based data analysis. GIS risk forecasting, hidden leak localization with 1m accuracy, and wall thickness control via sound spectrum.

Run AI Analysis

How it works

Three steps from data collection to AI verdict

  1. 1. Data Collection

    You collect statistical data and actual measurement results.

  2. 2. Upload to RIVIXI

    Audio files are uploaded to our secure SaaS cloud.

  3. 3. AI Analysis

    A cluster of neural networks provides an instant verdict and localizes the defect.

AI Modules

Specialized AI modules for every non-destructive testing and predictive analytics task.

RIVIXI Locate — Localization Module

Localization of hidden leaks using sound files from any acoustic devices. It relies on topological neural networks (1D-CNN) that "listen" to the unique spectral signature of pressurized water hiss without relying on time delays.

  • Hardware agnostic: works with SebaKMT and analogs (from 1638 Hz to 48 kHz)
  • Highest localization accuracy at distances over 150 meters
  • Zero false positives thanks to the Continuous Training MLOps pipeline

RIVIXI Predict — Prediction Module

Long-term forecasting of pipeline accident rates 3 months ahead for CAPEX planning. Innovative mathematical Decision Fusion.

  • Static model (CatBoost): Evaluation of physical pipe and soil parameters
  • Dynamic model (LSTM): Time series analysis of past incidents
  • Forecast accuracy in priority zones (Precision@20) reaches 90%

RIVIXI Diagnose — Wear Diagnostics Module

Vibro-UT diagnostics for evaluating pipe wall thickness by detecting shifts in structural resonance spectra. Turbulent water flow causes 1-5 kHz vibrations, which we translate into a wear map.

  • Underground corrosion control without the need for extensive excavation
  • Calibration via ultrasonic thickness (UT) point measurements
  • Calculation of Remaining Useful Life (RUL) in months

Pricing

Flexible conditions for management companies and large operators

On-Demand Analytics (Pay-as-you-go)

Ideal for small water and heating networks

  • Pay per GB of audio data
  • Access to RIVIXI Locate module
  • Standard neural network models
  • Email support

Enterprise Integration (Custom)

For corporate clients and dispatchers

  • Unlimited data analysis
  • Access to all modules (Locate, Predict, Diagnose)
  • API integration into your system
  • AI fine-tuning for your sensors (MLOps)

Scientific & Research Foundation

The mathematical and physical foundation behind the RIVIXI AI Platform

Overcoming Data Chaos: How Machine Learning Compensates for Inaccurate Utility Records

A case study on how the Decision Fusion pipeline processes messy, unstructured maintenance logs, spatial distortions, and missing variables using Target Encoding and Spatial Aggregation.

Authors: A. Ivanaiskii, E. Ivanaiskii, S. Shipilov. Recall rate: 93.88% // Reduced GIS address errors from 68% to 7%

Read Paper

Adapting AI Platforms to Legacy Hardware: Dynamic DSP Pipeline Reengineering

Dynamic DSP pipeline reengineering for integrating 6.5 kHz SebaKMT sensors into the cloud backend.

Authors: A. Ivanayskiy, E. Ivanayskiy, S. Shipilov. Welch’s t-test (p < 0.0001)

Read Paper

Topological AI vs. Classical Cross-Correlation: Overcoming Legacy Defectoscope Vulnerabilities

Overcoming legacy correlator false alarm vulnerabilities at distances over 150m using 1D-CNN.

Authors: E. Ivanayskiy, S. Shipilov. Specificity: 97.7%, Sensitivity: 97.4%

Read Paper

Computer Vision in Ultrasonic Leak Detection

Applying 2D-CNN to 2D Mel-spectrogram analysis to distinguish point leaks from distributed boiling noise.

Authors: E. Ivanayskiy, A. Ivanayskiy. Filters false positives from groundwater boiling

Read Paper

Improving Pipeline Failure Prediction via Data Sanitization, Hyperparameter Optimization, and Boosting Blending Ensembles

A multi-model blending ensemble combining XGBoost, CatBoost, LightGBM, and Gradient Boosting with Optuna tuning and data sanitization.

Authors: A. Ivanaiskii, E. Ivanaiskii, S. Shipilov. ROC-AUC: 0.8879 // Precision at Top-20 (Precision@20): 90.0%

Read Paper

Application of Hybrid Machine Learning Models for Predicting Pipeline Failure Risk in Urban Heat and Water Supply Networks

A two-level hybrid machine learning pipeline using Gradient Boosting and Random Forest with spatial aggregation for asset management.

Authors: E. Ivanaiskii, A. Ivanaiskii, I. Nazarov, P. Chistyakov. Balanced Accuracy: 0.8222 // ROC-AUC: 0.8539

Read Paper