Técnicas de aprendizado de máquina aplicadas à predição de vazamentos em ramais de redes de distribuição de água

Detalhes bibliográficos
Autor(a) principal: Gouveia, Cristiano Gonçalves Nascimento
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: https://repositorio.unb.br/handle/10482/43766
Resumo: Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2022.
id UNB_0e11364d5b60600df77a382976b41a03
oai_identifier_str oai:repositorio.unb.br:10482/43766
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Técnicas de aprendizado de máquina aplicadas à predição de vazamentos em ramais de redes de distribuição de águaMachine learning techniques applied to leakage prediction in water distribution network service connectionsSistemas de abastecimento urbanoAbastecimento de águaGestão da infraestruturaDissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2022.As perdas de água em sistemas de abastecimento são um desafio aos prestadores de serviços de saneamento dado que as ações para gestão da infraestrutura e perdas demandam recursos (humanos, financeiros, tecnológicos e materiais) significativos para que investimentos eficientes e assertivos sejam aplicados. No que tange as perdas reais de água, um conceito amplamente aplicado é o Controle Ativo de Vazamentos, que possui em uma de suas componentes a pesquisa de vazamentos não visíveis nas redes de distribuição e em ramais de ligação à unidade consumidora. A pesquisa de vazamentos habitualmente é aplicada extensivamente na infraestrutura, dado que é necessário realizar inspeções para a identificação de vazamentos. Esta condição é dispendiosa por natureza. Portanto, meios para direcionamento das investigações sobre perdas reais têm sido amplamente estudados para direcionar e envidar esforços com maior produtividade e eficiência. No âmbito das pesquisas para proposição de ferramentas nesta temática, técnicas de Aprendizado de Máquina compõem métodos que se mostram interessantes para auxiliar a compreensão do tomador de decisão quanto aos fatores intervenientes ao surgimento de vazamentos, o que tem corroborado, conforme revisão bibliográfica realizada, com o aprimoramento dos processos de gestão da infraestrutura e controle de perdas. Neste contexto, a presente pesquisa aplicou à uma base de dados da Caesb, consistida por 38 variáveis (operacionais, físicas, ambientais e ambientais), 12 modelos de classificação por Aprendizado de Máquina (Linear SVM, Radial SVM, Logistic Regression, KNN, Decision Tree, Naive Bayes, Random Forest, bagged KNN, bagged Decision Tree, AdaBoost, Gradient Boosting, e XGBoost), processados em Python 3.7 e bibliotecas para Aprendizado de Máquina e Ciência de Dados. Os resultados obtidos identificam que modelos do tipo Ensemble Learning performaram melhor, com mais destaque para o AdaBoost, obtendo acurácia final de 59,70% para toda a base de dados após hiperparametrização. O processamento da base de dados incluindo variáveis hidráulicas obtidas por meio de simulação das redes de distribuição incrementou em média 2,03% de acurácia, indicando que tais componentes agregam valor à análise preditiva de vazamentos. A discretização espacial dos dados por área de atendimento de reservatório apoiado permitiu a obtenção de melhores acurácias, obtendo-se acurácias de até 63,6% em algumas regiões. A avaliação da significância das variáveis preditoras (pressões operacionais, material das tubulações, tipo de solo sob os tubos, idade da rede e do ramal de serviço, declividade do solo, e outras variáveis) permite a avaliação da dinâmica da falha (vazamento), fornecendo informações sobre as condições de maior vulnerabilidade, podendo-se priorizar ações para Controle Ativo de Vazamentos (priorização da infraestrutura para ações de Pesquisa de Vazamentos) e Gestão de Ativos/Reabilitação de Infraestrutura (priorização de tubulações para substituição ou reabilitação).Non-Revenue Water in water supply systems is a challenge for sanitation service providers. It requires several actions and resources (human, financial, technological, and material) for efficient and assertive investments to cope with infrastructure deterioration and water leakage. Regarding physical water losses, a widely applied concept is the Active Leakage Control, which demands actions to find non-visible leaks in the distribution networks and water service connections. Leak localization is usually extensively applied to infrastructure to find them, but this process is time-consuming and field inspections are costly. Therefore, means to drive investigations on physical losses have been studied to direct and carry out efforts to enhance productivity and efficiency to find and repair leaks. In the context of research and tool propositions on this agenda, Machine Learning techniques are promising to support the decision maker's comprehension of predictive factors to water leakage. According to the literature review carried out, Machine Learning models can improve infrastructure asset management and water loss control processes. In this setting, this research applied to Caesb’s infrastructure database, consisting of 38 variables (operational, physical, environmental, and environmental), 12 classification models by Machine Learning (Linear SVM, Radial SVM, Logistic Regression, KNN, Decision Tree, Naive Bayes, Random Forest, bagged KNN, bagged Decision Tree, AdaBoost, Gradient Boosting, e XGBoost). Data processing was done through Python 3.7 and libraries for Machine Learning and Data Science. Ensemble Learning models performed better, and AdaBoost obtained 59,70% as final score after hyper-parametrization for the entire database. Hydraulic variables contributed to increase an average of 2.03% of accuracy, indicating that such components add value to the predictive analysis of leaks. Data organized by distribution network area obtained accuracies up to 63.6%. The evaluation of predictor variables (operating pressures, material of the pipes, type of soil under the pipes, age of the network, soil slope, and other variables) can provide information on the most vulnerable conditions, giving priority to actions for Active Leakage Control and Asset Management/Infrastructure Rehabilitation.Soares, Alexandre Keplergouveia.crs@gmail.comGouveia, Cristiano Gonçalves Nascimento2022-05-19T22:01:04Z2022-05-19T22:01:04Z2022-05-192022-02-11info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfGOUVEIA, Cristiano Gonçalves Nascimento. Técnicas de aprendizado de máquina aplicadas à predição de vazamentos em ramais de redes de distribuição de água. 2022. xviii, 116 f., il. Dissertação (Mestrado em Tecnologia Ambiental e Recursos Hídricos)—Universidade de Brasília, Brasília, 2022.https://repositorio.unb.br/handle/10482/43766A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições:Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2023-07-13T19:32:51Zoai:repositorio.unb.br:10482/43766Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2023-07-13T19:32:51Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Técnicas de aprendizado de máquina aplicadas à predição de vazamentos em ramais de redes de distribuição de água
Machine learning techniques applied to leakage prediction in water distribution network service connections
title Técnicas de aprendizado de máquina aplicadas à predição de vazamentos em ramais de redes de distribuição de água
spellingShingle Técnicas de aprendizado de máquina aplicadas à predição de vazamentos em ramais de redes de distribuição de água
Gouveia, Cristiano Gonçalves Nascimento
Sistemas de abastecimento urbano
Abastecimento de água
Gestão da infraestrutura
title_short Técnicas de aprendizado de máquina aplicadas à predição de vazamentos em ramais de redes de distribuição de água
title_full Técnicas de aprendizado de máquina aplicadas à predição de vazamentos em ramais de redes de distribuição de água
title_fullStr Técnicas de aprendizado de máquina aplicadas à predição de vazamentos em ramais de redes de distribuição de água
title_full_unstemmed Técnicas de aprendizado de máquina aplicadas à predição de vazamentos em ramais de redes de distribuição de água
title_sort Técnicas de aprendizado de máquina aplicadas à predição de vazamentos em ramais de redes de distribuição de água
author Gouveia, Cristiano Gonçalves Nascimento
author_facet Gouveia, Cristiano Gonçalves Nascimento
author_role author
dc.contributor.none.fl_str_mv Soares, Alexandre Kepler
gouveia.crs@gmail.com
dc.contributor.author.fl_str_mv Gouveia, Cristiano Gonçalves Nascimento
dc.subject.por.fl_str_mv Sistemas de abastecimento urbano
Abastecimento de água
Gestão da infraestrutura
topic Sistemas de abastecimento urbano
Abastecimento de água
Gestão da infraestrutura
description Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022-05-19T22:01:04Z
2022-05-19T22:01:04Z
2022-05-19
2022-02-11
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv GOUVEIA, Cristiano Gonçalves Nascimento. Técnicas de aprendizado de máquina aplicadas à predição de vazamentos em ramais de redes de distribuição de água. 2022. xviii, 116 f., il. Dissertação (Mestrado em Tecnologia Ambiental e Recursos Hídricos)—Universidade de Brasília, Brasília, 2022.
https://repositorio.unb.br/handle/10482/43766
identifier_str_mv GOUVEIA, Cristiano Gonçalves Nascimento. Técnicas de aprendizado de máquina aplicadas à predição de vazamentos em ramais de redes de distribuição de água. 2022. xviii, 116 f., il. Dissertação (Mestrado em Tecnologia Ambiental e Recursos Hídricos)—Universidade de Brasília, Brasília, 2022.
url https://repositorio.unb.br/handle/10482/43766
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1814508285822238720

Registros relacionados