Detecção e localização de vazamentos utilizando Internet das Coisas e Aprendizado de Máquina

Abstract

A gestão dos recursos hídricos é uma das grandes preocupações ambientais do Século XXI, sendo tema de iniciativas globais como os Objetivos de Desenvolvimento Sustentável das Nações Unidas. O paradigma tecnológico da Internet das Coisas (IoT) traz consigo o potencial de colaborar para a criação de cidades inteligentes, marcadas pelo consumo racional e pela contenção do desperdício. Esta pesquisa aborda o problema do monitoramento distribuído das redes de distribuição de água (RDA), usando redes de comunicação sem fio de longa distância e baixa frequência de transmissão de informações (LPWAN), com foco na detecção e localização de vazamentos. O trabalho é baseado em três partes principais, sendo infraestrutura aderente à IoT, simulação computacional de RDA e técnicas de aprendizado de máquina para detecção e localização de vazamentos. Na parte relacionada à IoT, foi desenvolvido um protótipo de dispositivo remoto de medição de variáveis de interesse, como a pressão na tubulação, com conectividade LoRaWAN. Esses dispositivos de medição transmitem dados numa baixa frequência (dezena de minutos) para uma infraestrutura computacional em nuvem para análise de dados, detecção e localização de vazamentos. A técnica de Aprendizado de Máquina desenvolvida é baseada em Redes Neurais de Grafo (GNN), que são estruturas que consideram não apenas os valores das variáveis medidas pelos dispositivos de medição (pressão), mas também a disposição espacial dos pontos da rede. Através de uma correlação entre a topologia da GNN e da RDA torna-se possível estimar a localização dos vazamentos. Modelos de RDA em ambiente de simulação computacional foram criados para viabilizar a coleta de dados em diversos cenários de operação, especialmente situações de vazamentos em diferentes localidades. Duas RDAs hipotéticas de tamanhos distintos foram criadas como casos de estudo, para estudo e avaliação da capacidade de localização do vazamento pela técnica desenvolvida. Os testes realizados contemplaram variações no tamanho da rede (distância dos canos), intervalo de aquisição de dados e diâmetro da tubulação. Também foi apresentada uma proposta para estimação das medições de pressão nos pontos de junção, visando reduzir o número de sensores instalados. Os resultados mostram que a técnica baseada em GNN é viável para a detecção e estimativa da localização de vazamentos, considerando as restrições de taxa de transmissão de dados de medição das aplicações de IoT usando redes LPWAN.

Management of water resources is one of the biggest environmental concerns in the 21st century, drawing the attention of global initiatives such as the Sustainable Development Objectives of the United Nations. The technological paradigm of the Internet of Things (IoT) provides the potential to enable smart cities, which emphasize rational consumption and waste reduction. This research approaches the problem of the distributed monitoring of water distribution networks (WDN) using low-power, long-range wireless communication with low data throughput (LPWAN) while focusing on the detection and localization of leakage points. The research is based on three main parts: IoT-compliant infrastructure, WDN computer simulation, and machine learning techniques for leakage detection and localization. In the IoT domain, a prototype of the remote measurement device was devel oped for measuring interest variables, such as pressure, with LoRaWAN connectivity. Such devices transmit data at a low rate (tens of minutes) to a cloud-based computational infras tructure for data analysis and additional processing for leakage detection and localization. The developed Machine Learning technique is based on Graph Neural Networks (GNN), which are structures that process not only the acquired data from measurement devices (pressure) but also the spatial displacement of the network. The topology correlation between the GNN and the WDN itself enables the algorithm to estimate the leakage locations. WDN models in computational environments were developed to provide data in various operation scenarios, especially leakage in different locations. Two hypothetical WDNs were created as a case study for analysis and assessment of the leak location capability of the developed technique. The tests included variations in the network size (pipe length), data acquisition intervals and pipe diameter. Also, a method was proposed to estimate pressure values in junction nodes to reduce the number of sensors. The results revealed that the GNN-based technique is viable for leakage detection and localization, considering the restricted data transmission rates in IoT applications that operate in LPWAN networks