IA para la detección y localización de fugas simultáneas abruptas e incipientes en redes de distribución de agua

Área de la Ciencia:

• Ingeniería Hidráulica
• Ciencia de Datos
• Aprendizaje Automático

Sus antecedentes:

• Las fugas de agua en las redes de distribución causan importantes pérdidas económicas y daños en la infraestructura.
• Los métodos de detección tradicionales suelen ser lentos e inexactos.
• Los enfoques híbridos que combinan modelos hidráulicos y aprendizaje automático muestran ser prometedores.

Objetivo del estudio:

• Desarrollar un novedoso método híbrido para la detección y localización precisa de fugas de agua en redes de distribución de agua (WDN).
• Aprovechar los datos simulados de SCADA y los Graph Transformers para una mejor predicción.
• Abordar escenarios complejos con fugas simultáneas abruptas e incipientes.

Principales métodos:

• Se utilizaron datos simulados de SCADA para entrenar modelos de Graph Transformer.
• Se predijeron las presiones de las uniones basándose en las lecturas observadas y las características hidráulicas.
• Se empleó la señal residual y su pendiente para detectar y localizar las fugas.
• Se introdujo un mecanismo de compensación para escenarios de fugas concurrentes.

Principales resultados:

• Se obtuvieron puntuaciones económicas superiores (€422,660±11,553) en comparación con los métodos del estado del arte.
• Se demostraron tasas de verdaderos positivos más altas y una mayor robustez.
• Se validó con éxito en los conjuntos de datos de referencia BattLeDIM2020.

Conclusiones:

• El marco híbrido propuesto mejora significativamente la precisión de la detección y localización de fugas en las WDN.
• Los métodos híbridos avanzados ofrecen una solución prometedora para la gestión sostenible del agua.
• El método muestra una alta aplicabilidad en condiciones complejas de fugas en el mundo real.