Detecção de vazamentos em dados de fluxo de água com seleção e otimização automática de modelos

• Ano de defesa: 2021
• Autor(a) principal: Nascimento, Willian Muniz do
• Orientador(a): Gomes Junior, Luiz Celso
• Banca de defesa: Gomes Junior, Luiz Celso , Depexe, Marcelo Dalcul , Delgado, Myriam Regattieri de Biase da Silva , Riella, Rodrigo Jardim
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Curitiba
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• País: Brasil
• Palavras-chave em Português: Água - Desperdício; Água - Distribuição - Curitiba (PR); Sistemas de controle supervisório; Algorítmos; Controle de perdas - Abastecimento de água; Water - Waste; Water - Distribution - Curitiba (PR); Supervisory control systems; Algorithms; Loss control - Water-supply
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/26307

O gerenciamento adequado dos recursos hídricos é uma questão prioritária no mundo moderno. Um importante aspecto desta questão é a minimização de perdas na distribuição urbana de água. O monitoramento em tempo real do sistema de distribuição seguido da aplicação de técnicas para detecção de outliers no fluxo de água vem sendo uma alternativa efetiva para a redução desse índice. A identificação dos melhores modelos e parâmetros otimizados para a detecção é um desafio neste cenário complexo. Portanto, a área pode se beneficiar dos desenvolvimentos recentes de estratégias para seleção e ajuste de modelos, área também conhecida por Aprendizagem de Máquina Automatizada, do inglês Automated Machine Learning (AutoML). Este trabalho apresenta uma proposta de aplicação de técnicas de detecção de outliers e recursos de AutoML em dados de fluxo de água em 16 Zonas de Pressão do sistema de distribuição de água de Curitiba, estado do Paraná, Brasil. É aplicada uma ferramenta “off-the-shelf”de AutoML e realizada uma otimização automática de algoritmos específicos de detecção de outliers. Os experimentos conduzidos indicam que a combinação de AutoML com técnicas tradicionais de detecção de outliers é o direcionamento mais efetivo.