A study on detection and localization of leakages in water distribution systems using a hydraulic model simulator and deep learning

Abstract

Atualmente, a perda de água é um problema sério que afeta todas as cidades do mundo, e como tal, surge a necessidade de deteção de fugas em Sistemas de Distribuição de Água (SDA). O uso de simuladores de modelos hidráulicos em conjunção com Redes Neurais Artificiais (RNA) para deteção e localização de fugas tem-se tornado um tópico de interesse nos últimos anos. Esta tese pretende testar esta técnica de deteção/localização de fugas usando um modelo hidráulico de um SDA real, e ao fazer isso, criar um guião para a construção deste mecanismo de deteção com informação detalhada de todos os instrumentos e formulações que devem ser usados para ter um algoritmo de deteção bem-sucedido.A primeira parte deste processo incluiu a comparação das medições de pressão e caudal do modelo hidráulico (simulado no EPANET) com as medições de sensores instalados no SDA real, o que depois levou à atualização dos parametros do modelo, alguns dos quais foram corrigidos usando um processo que tem como base a calibração de modelos hidráulicos. A segunda parte desta tese focou-se na geração de diferentes conjuntos de dados com situações de fugas de água e sem fugas de água que mais tarde foram usados para treinar uma RNA que foi construída de acordo com o propósito de cada conjunto de dados (deteção ou localização de fugas).Os resultados do algoritmo de deteção apresentam precisões acima de 95\% para um certo intervalo de valores de tamanhos de diâmetro de fugas, abaixo do qual a precisão do algoritmo rapidamente decresce. Os resultados também revelam uma taxa muito baixa de falsos alarmes (Falsos Positivos (FP)) para as fugas maiores, que depois aumenta com a diminuição do tamanho das fugas. No que toca aos algoritmos de localização, os resultados mostram que é possível localizar fugas ao longo do SDA com boa precisão, mas por outro lado, a área com que se obtém uma precisão de localização aceitável vai aumentando com a diminuição do tamanho de fugas, o que significa que o algoritmo tem menos precisão geográfica para fugas menores. Uma explicação aprofundada de todo o processo de deteção/localização de fugas é apresentada simultaneamente com bases teóricas que suportam todas as escolhas que foram feitas. Esta tese tem algumas limitações no que toca à simulação hidráulica, mas diferentes formulações e soluções foram também apresentadas para futuros investigadores poderem escolher diferentes caminhos a percorrer de maneira a evitar alguns destes problemas e melhorar a metodologia usada. O objetivo final do projeto no qual esta tese está inserida é implementar uma metodologia semelhante numa plataforma online para deteção de fugas em tempo real. Esta tese é o primeiro passo em direção a esse objetivo ao criar um framework inicial para deteção e localização de fugas de água num modelo hidráulico.

Nowadays, water loss is a serious problem that affects every city in the world, and as such, the need for leakage detection in Water Distribution Systems (WDS) arises. The use of hydraulic model simulators paired with Artificial Neural Networks (ANN) for leakage detection and localization has become a subject of attention in recent years. This thesis aims to test this approach at leakage detection/localization using a hydraulic model of a real WDS, and in doing so, also create a guide for the setup of this detection mechanism with detailed information on all the tools and formulations that should be used for a successful detection algorithm.The first part of the process included the comparison of the hydraulic model's pressure and flow measurements (simulated in EPANET) with measurements of sensors installed in the real WDS, which then lead to the update of the model parameters, some of them being corrected using a process which is based in hydraulic model calibration. The second part of this thesis focused on the generation of different datasets with leakage and non-leakage situations that were later used for training an ANN that was built in accordance with the purpose of each dataset (leakage detection or localization).The results of the detection algorithm show accuracies above 95% for a range of leakage diameter sizes, below which the accuracy of the algorithm quickly decreases. The results also show a very low rate of false alarms (False Positives) for the bigger leakages, which then increases as the leakage size diminishes. As for the localization algorithms, the results show that it is possible to localize leakages across the WDS with good accuracy, although the area of acceptable localization accuracy will increase as the size of the leakages gets smaller, meaning the algorithm has less geographical precision for smaller leakages. An in-depth explanation of the entire process of leakage detection/localization is presented alongside theoretical basis to support the choices that were made. This thesis has some limitations when it comes to hydraulic simulation, but different formulations and solutions have also been presented for future researchers to choose different paths in order to circumvent some of these problems and improve on the used methodology. The final objective of the project this thesis is inserted in is to implement a similar methodology in an online platform for real-time leakage detection. This thesis marks the first step towards that objective by creating an initial framework for leakage detection and localization in a simulated hydraulic model.