Usando aprendizado de máquina para otimizar a detecção de hidrômetros com mau funcionamento

• Ano de defesa: 2024
• Autor(a) principal: Morais, Mirko Antônio Nunes de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Aprendizagem de máquina; Abastecimento de água; Água - Controle de qualidade
• Link de acesso: https://biblioteca.sophia.com.br/terminalri/9575/acervo/detalhe/590713

A água é essencial à vida e uma das maiores necessidades humanas. No entanto, garantir o acesso à água potável envolve custos elevados. Para fornecer água de forma eficiente aos consumidores, as empresas fornecedoras precisam, entre outras coisas, cobrar seus clientes de forma justa. Para conseguir isso, elas precisam substituir periodicamente hidrômetros com defeitos. No entanto, existem desafios na detecção da necessidade de substituição desses equipamentos. Neste contexto, este trabalho aborda o uso de técnicas de aprendizado de máquina para otimizar a identificação desses medidores com defeito. Para tanto, dados cadastrais, o histórico de consumo e de substituições foram utilizados para o treinamento e avaliação da aplicação de modelos clássicos de aprendizado de máquina. Entre os resultados obtidos, destacamos o impacto da utilização da variável "padrão de consumo" nas métricas de pontuação f1-score e acurácia dos modelos. De acordo com os testes realizados, o modelo Gradient Boosting com os padrões de consumos de 12 e 60 meses apresentou os melhores resultados, com pontuação f1-score e valores de precisão de 0,6569 e 0,7945, respectivamente. Além disso, houve ganhos de 0,0296 e 0,0531 pontos na pontuação f1-score e Precisão, respectivamente, quando comparado ao modelo que não utiliza o "padrão de consumo". Além disso, as estimativas de ganho de eficiência, 14,55% de ganho, em termos de volume por substituição e retorno financeiro seriam obtidos se a abordagem proposta fosse incorporada à estratégia de substituição de hidrômetros da empresa. Palavras-chave: Perdas de água, Perdas aparentes, Substituição de hidrômetro e Aprendizado de máquina.