Localização de vazamentos em redes de distribuição de água baseada em amostragem e agregação de grafos (GraphSAGE)

Abstract

A rede de distribuição de água (RDA) desempenha um papel essencial na garantia do acesso confiável à água potável em comunidades urbanas e rurais. Contudo, o desperdício de água resultante de vazamentos na infraestrutura representa um desafio significativo, comprometendo a eficiência operacional e gerando impactos ambientais e financeiros. A detecção eficaz de vazamentos é uma tarefa complexa que demanda uma análise adequada dos dados, especialmente considerando as correlações existentes entre eles. Nesse contexto, a modelagem baseada em grafos proporciona uma representação robusta da estrutura das RDAs, enquanto as redes neurais de grafos (Graph Neural Networks GNNs) apresentam o potencial de melhorar a precisão na detecção e localização de vazamentos. Este trabalho busca dar continuidade aos estudos sobre a aplicação de GNNs na localização de vazamentos em RDAs, propondo a utilização do algoritmo de Amostragem e Agregação de Grafos (Graph Sample and Aggregation GraphSAGE) para essa tarefa. Além disso, investiga-se o uso de uma matriz de ponderação baseada nas distâncias físicas entre os nós da rede, em substituição à tradicional matriz de adjacência binária, com o objetivo de representar de forma mais realista as relações estruturais da RDA e aprimorar o aprendizado do modelo. Para a avaliação da proposta, foi utilizado como referência um estudo anterior que demonstrou a viabilidade da modelagem em grafos para essa finalidade, servindo como base comparativa para os resultados obtidos com o GraphSAGE.

The water distribution network (WDN) plays an essential role in ensuring reliable access to potable water in both urban and rural communities. However, water loss caused by infrastructure leaks poses a significant challenge, compromising operational efficiency and generating environmental and financial impacts. Effective leak detection is a complex task that requires proper data analysis, especially considering the correlations among data points. In this context, graph-based modeling offers a robust representation of the structure of WDNs, while Graph Neural Networks (GNNs) have the potential to improve the accuracy of leak detection and localization. This work aims to advance studies on the application of GNNs for leak localization in WDNs by proposing the use of the Graph Sample and Aggregation (GraphSAGE) algorithm for this task. In addition, it investigates the use of a weighting matrix based on the physical distances between network nodes, as an alternative to the traditional binary adjacency matrix, with the goal of more realistically representing the structural relationships within the WDN and enhancing the model's learning process. To evaluate the proposed approach, a previous study that demonstrated the feasibility of graph-based modeling for this purpose was used as a reference, serving as a benchmark for the results obtained with GraphSAGE.