Detección y localización de fugas en redes de distribución de agua potable en una gran ciudad de Chile mediante un algoritmo de clasificación de redes neuronales

Abstract

Con el fin de enfrentar la crisis hídrica presente en Chile, surge la necesidad de optimizar el uso del recurso, minimizando las pérdidas en sus distintos usos y aplicaciones. Entre ellos, las fugas en las redes de distribución de agua potable pueden significar pérdidas de hasta un 50 % del agua para abastecimiento, en función de la antigüedad de la red. Identificar las fugas presentes en la red tiene un alto costo debido a que la mayoría no se manifiestan a simple vista, requiriendo el uso de equipo especializado para su detección. Este trabajo de título tiene como principal objetivo la aplicación de un algoritmo de aprendizaje automático de redes neuronales, que permita la detección y localización de fugas en la red de distribución de agua potable en una comuna de una gran ciudad de Chile. El trabajo implica desarrollar un modelo hidráulico de la red a estudiar en el software EPANET, con lo cual se generarán conjuntos de datos de entrenamiento y validación, correspondientes a las presiones de la red para distintos estados de operación y ubicación de fugas, lo que permitirá el ajuste del clasificador para la detección de fugas en la red. Los resultados del proceso de entrenamiento y validación muestran que las redes neuronales tienen un buen comportamiento para la detección de fugas en la red de estudio, donde se observa un F1-Score de 99 %, 96 % y 97 % para los 3 casos de estudio propuestos que complejizan el problema progresivamente. También, mediante el análisis de las curvas de entrenamiento de los distintos modelos, se descarta la existencia de un sobreajuste a los datos de entrenamiento y se determina la arquitectura óptima de redes neuronales para cada caso de estudio. Finalmente se valida el algoritmo de redes neuronales para la detección de fugas en una red de estudio y se determina que supone una mejor opción frente a la maquina de vector de apoyo propuesta por Garate(2020), ya que presenta mayores rendimientos y menores tiempos de cómputo para el entrenamiento de los modelos determinados.