Aprendizaje de transferencia con redes neuronales de gráficos para la estimación de la presión en redes de...

Área de la Ciencia:

• Ingeniería ambiental
• Ciencia de los datos
• Gestión de las infraestructuras urbanas

Sus antecedentes:

• Las redes de distribución de agua (RDA) son infraestructuras urbanas críticas que requieren un seguimiento riguroso.
• Los métodos actuales de detección suave para la estimación de la presión WDN a menudo requieren datos de entrenamiento extensos de la red específica.
• Las limitaciones de monitoreo realistas crean una brecha en la estimación precisa de las presiones de WDN.

Objetivo del estudio:

• Proponer un nuevo enfoque de aprendizaje de transferencia semisupervisado basado en redes neuronales gráficas (GASTL, por sus siglas en inglés) para la estimación de la presión de WDN.
• Abordar el desafío de los datos de seguimiento limitados permitiendo la transferencia de conocimientos entre diferentes redes de datos de agua.
• Mejorar la precisión y la escalabilidad de la supervisión de la presión de la red WDN.

Principales métodos:

• Desarrolló un enfoque GASTL que integra una red neuronal de gráficos heterogéneos (HGNN) para la representación de nodos.
• Parámetros de desplazamiento aprendibles empleados para la adaptación del dominio para alinear las distribuciones de datos entre las WDN de origen y de destino.
• Regularización laplaciana del gráfico incorporada para mejorar la consistencia espacial y la precisión de la estimación.

Principales resultados:

• GASTL logró una alta precisión tanto en la misma topología (R2 = 0,911, MAPE = 9,15%) como en las transferencias de topología cruzada (R2 = 0,911, MAPE = 9,43%).
• El número y la ubicación de los sensores se identificaron como factores críticos que influyen en el rendimiento del aprendizaje de transferencia.
• Las variaciones topológicas tuvieron un impacto mínimo, lo que sugiere que los cambios en la distribución de datos son más influyentes que las diferencias estructurales.

Conclusiones:

• GASTL ofrece una solución escalable y eficiente para la estimación de la presión de WDN bajo restricciones de monitoreo realistas.
• El aprendizaje por transferencia tiene un potencial significativo para mejorar la supervisión y la gestión de la red WDN.
• La optimización de la colocación de los sensores es crucial para maximizar la efectividad del aprendizaje de transferencia en las redes WDN.