Detecção e localização de vazamentos em redes de distribuição de água utilizando aprendizado de máquina em estruturas de grafo

Abstract

As Redes de Distribuição de Água (RDAs) desempenham um papel essencial no abastecimento eficiente de consumidores finais. Contudo, vazamentos nessas infraestruturas resultam em significativos desperdícios hídricos e perdas financeiras. Diante desse cenário, este trabalho tem como objetivo desenvolver e validar uma metodologia baseada em Aprendizado de Máquina (AM) em estruturas de grafo para a identificação e localização de vazamentos em RDAs. O estudo foi conduzido por meio da modelagem e simulação de cenários operacionais da RDA de Hanói, utilizando a integração das ferramentas EPANET e MATLAB. As simulações contemplaram condições normais de operação e sob a incidência de vazamentos, variando sua localização, intensidade e considerando diferentes padrões de consumo. Os dados gerados foram submetidos a uma etapa de pré-processamento baseada em cálculo de resíduos e utilizados para treinar e avaliar 5 diferentes arquiteturas: Gated Graph Neural Network (GGNN), Graph Long Short-Term Memory (G-LSTM) e GraphSAGE (com agregadores Média, Pooling e LSTM). Os experimentos foram conduzidos para analisar os modelos considerando cinco aspectos principais: a avaliação do desempenho em condições ideais, a medição da degradação sob falha progressiva de múltiplos sensores, o mapeamento da importância individual de cada sensor, a identificação dos mais críticos para o aprendizado da rede e a definição do número mínimo de sensores necessários para um treinamento satisfatório. Os resultados demonstram que os modelos GraphSAGE-LSTM e G-LSTM têm ótimo desempenho em condições ideais, contudo, destaca-se a GGNN devido à sua robustez a falhas operacionais.

Water distribution networks (WDNs) play an essential role in the efficient supply to end consumers; however, leaks in these infrastructures result in significant water waste and financial losses. Given this scenario, this work aims to develop and validate a methodology based on the use of Machine Learning (ML) in graph structures for the identification and location of leaks in WDNs. The study was conducted through the modelling and simulation of operational scenarios of the Hanoi WDN, using the integration of EPANET and MATLAB tools. The simulations included normal operating conditions and scenarios with the incidence of leaks, varying their location and intensity, and considering different consumption patterns. The generated data were submitted to a preprocessing stage based on residual calculation and used to train and evaluate 5 different architectures: GGNN, GLSTM, and GraphSAGE (with Mean, Pooling, and LSTM aggregators). Experiments were conducted to analyze the network’s performance under ideal conditions, the degradation due to the progressive failure of multiple sensors, to map the individual importance of the sensors, to discover which sensors are most important for training, and to establish the minimum number of sensors required for effective training. The results demonstrate that the GraphSAGE-LSTM and G-LSTM models show great performance under ideal conditions; however, the GGNN stands out due to its robustness to operational failures.