Please enable JavaScript.
Coggle requires JavaScript to display documents.
INTELIGENCIA ARTIFICIAL PARA EL ABASTECIMIENTO DE AGUA, Detectando -…
INTELIGENCIA ARTIFICIAL PARA EL ABASTECIMIENTO DE AGUA
Toscana recurre a los Satélites para encontrar perdidas e identificar fallas.
a travez de la IA GEOESPACIAL
Quien lo hace?
Acquedotto del Fiora SpA (AdF)
Detección de fugas
IMPLEMENTACION
PIPELINE RISK de REZATEC
herramienta de evaluación de riesgos de oleoductos combina datos satelitales con algoritmos de inteligencia artificial para producir mapas de riesgos.
Administración de MO eficiente
Otra compañia
HERA Group SpA.
Gestiona de 35.000 km de red y más de 400 PTA
Observan que: La edad del tubo, material de la tubería, Ph del suelo, elevación de suelo y temperatura son otros factores que influyen en las fallas de tuberias.
ISOIL Industria S.p.A Y Rezatec
Usan software de control de fugas de agua basado en teledetección e inteligencia artificial.
OTRA HERRAMIENTA
LOF
identifica la probabilidad de falla
COF
Identifica la consecuencia de la falla
Número y tipo de clientes afectados por un fallo, Responsabilidad de terceros.
Gestiona presupuesto de reparación y reemplazo al 20 por ciento superior del riesgo de falla que es 2/3 de fallas reales de tuberia.
comenzó con un análisis retrospectivo de los datos de 2016-2018 para 490 km del sistema de agua de HERA para encontrar el 70 por ciento de las fallas.
HERA cubre toda la provincia de Rímini y 400 km de la red en la provincia de
Forlì-Cesena.
BRUNETI dice
HERA presupuesta más de más de 30 millones de euros al año, para renovaciones o para la detección activa de fugas", "con el algoritmo predictivo pudimos centrar nuestras inversiones y actividades".
El aprendizaje automático permite identificar las áreas con más probabilidades de fallar, las como HERA y AdF pueden orientar de manera más efectiva sus programas de RENOVACIÓN y el despliegue de sus ESCASOS RECURSOS
Se explora nuevas formas de prevención
El gobierno demanda a las empresas reducir fugas
Se pierde el 40% costando 4000 millones de Euros
Detección acústica de fugas basada en IA en sistemas de distribución de agua
Sistema de detección de fugas MWA con gestión de
información en la nube
Diseño general del sistema
Método de detección de fugas basado en IA
teléfono inteligente
micrófono
servidor en la nube
servidor local
tareas de clasificación del sonido de fuga y recopilación de datos se coordinan mediante el uso de una aplicación móvil
Intercambio de datos con el télefono y servidores
tareas de clasificación del sonido de fuga y recopilación de datos se coordinan mediante el uso de una aplicación web
Método de detección de fugas basado en IA
Fase de Captación y Detección
Algoritmos de aprendizaje automático
Máquinas de vectores soporte
método de clasificación y regresión bien conocido que es adecuado para conjuntos de datos pequeños y medianos
Red neuronal artificial
Principio básico de RNA
Las RNA se pueden definir como un modelo de razonamiento basado en el cerebro humano, que se entrena con datos históricos para realizar una función deseada ajustando los pesos (w) y el sesgo (b) de las conexiones de modo que las salidas coincidan con las salidas de la conexión deseada
Red neuronal profunda
DNN es una ANN con múltiples capas ocultas. En las capas ocultas, cada unidad de la capa anterior se conecta completamente con cada unidad en la siguiente capa. Por tanto, esta estructura puede denominarse “capas totalmente conectadas. Estas múltiples capas ocultas mejoran el rendimiento en muchas áreas de investigación, como el reconocimiento de voz, el reconocimiento de imágenes y la detección de objetos
Red neuronal convolucional
La CNN tiene capas adicionales llamadas "capas convolucionales" que pueden generar características representativas de los datos de entrada. En cada capa convolucional, las entradas se convolucionan mediante filtros para generar las características. Después de eso, CNN utiliza la red completamente conectada para aprender las características representativas.
.
.
La adopción de la Inteligencia Artificial (IA) en el sector del agua en los EE. UU.
Introducción a la IA
Definición
Procesamiento dinámico de grandes cantidades de información y reconocimiento de patrones.
Aplicaciones
Evaluación del estado de las tuberías y .
Detección de fugas
Diagnóstico de la calidad del agua
Control de procesos
Modelado de Contaminantes
La complejidad
La complejidad de las decisiones operativas crece tanto con el tamaño del sistema como con el número de variables que se consideran.
Preparación de la encuesta
Diseñaron una encuesta de aproximadamente 15 preguntas dirigidas a los objetivos.
Investigar objetivos
Encuestaron a una muestra de grandes empresas de agua de EE. UU. sobre su uso (o no uso) de la IA, buscando aprender algo sobre su comprensión, motivaciones, métodos y resultados al hacerlo.
Recopilación de datos
Uso del software web Qualtrics
Diseño de muestra
Sistema de Información sobre Agua Potable Segura que prestan servicio a 100.000 personas o más
Una lista de 493 empresas de agua
Invitarion a 366 sistemas de agua a completar la encuesta
Resultados y discusión
De 366 empresas contactadas, recibieron 49 respuestas válidas, lo que representa una tasa de respuesta del 13 %.
37 de 49 no han utilizado IA o no estaban seguros de si lo habían hecho
25 de 37 planea usar IA
Entre los 12 usuarios de IA
Las aplicaciones
Etapas iniciales
La experimentación con predicciones
Modelos de entrenamiento
El uso manual de modelos de IA para análisis
La integración parcial de IA en sus sistemas de agua
Motivaciones
Ahorrar dinero
Detectar fugas
Mejorar la calidad del agua
Beneficios
Ahorro de dinero
La mejora de la hidráulica
La mejora de la calidad del agua
El ahorro de tiempo y mano de obra
Necesidad continua de operadores humanos
Decisiones críticas a los humanos
la IA pueda impedir que las personas aprendan y puedan realizar su trabajo en caso de emergencia si el sistema de IA falla
Un sistema de agua nunca debe 'ponerse en modo automático' y siempre debe ser monitoreado y operado por personal experimentado
Conclusiones
Las operaciones de los servicios públicos de agua se están volviendo más complejas a medida que los sistemas de agua crecen y abordan más variables operativas.
La adopción real entre las empresas de agua es limitada.
La motivación en gran medida por el potencial de la IA para la detección de fugas y la calidad del agua, y las preocupaciones sobre encontrar experiencia en IA y el retorno de la inversión fueron las barreras mencionadas con más frecuencia.
La IA tiene el potencial de ayudar a los operadores de agua a gestionar sistemas cada vez más complejos, pero la tecnología aún no es común en la industria.
En LATINOAMÉRICA
Perú se ubica en el puesto número 7 en la región del índice Latinoamericano de Inteligencia Artificial,
Factores habilitantes
Investigación, desarrollo y adopción
Gobernanza
SEDAPAL a través de su Equipo Investigación, Innovación y Normalización (EIIN) de la Gerencia de Investigación y Desarrollo (GDI), abordó el problema del agua no facturada utilizando la IA.
Plataforma digital TaKaDú Central Event Management
En 137 sectores hidráulicos de las redes de agua potable para 2.5 millones de habitantes.
Se usa
Big Data e IA
SCADA (acrónimo de Supervisory Control and Data Acquisition)
Detectando
Fugas
Otras incidencias que puedan afectar la presión y continuidad del servicio
Distribución adecuada de caudal entre sectores colindantes
Cambios anómalos de presión
Incremento del caudal mínimo nocturno
Fallas en la telemetría
Se ahorró 2,4 millones de m³ equivalente a $/. 2.25 millones al año.
