APPLYING MACHINE LEARNING TECHNIQUES FOR BINARY LEAK DETECTION IN WATER DISTRIBUTION SYSTEMS: A COMPARATIVE

Código

XXVI-SBRH0340

Autores

Elizabeth Pauline Carreño Alvarado, Gilberto Reynoso Meza, Cristovão Vicente Scapulatempo Fernandes, Rafael Ramon Aguiar Rossa

Tema

STE140 - Análise de Sistemas de Abastecimento de Água

Resumo

Saneamento, higiene e acesso à água potável são direitos humanos fundamentais. No entanto, as redes de distribuição de água se deterioram ao longo do tempo devido ao envelhecimento da infraestrutura, falhas e aumento da demanda hídrica impulsionado pelo crescimento populacional. Essa degradação leva a perdas de água e ineficiências operacionais, tornando essencial o gerenciamento eficiente dos recursos e a gestão dos sistemas hídricos cada vez mais complexa. Este estudo compara três técnicas de Aprendizado de Máquina (Machine Learning ? ML) baseadas em Inteligência Artificial (IA) ? K-Nearest Neighbors (KNN), Random Forest e XGBoost ? para a detecção binária de vazamentos em sistemas de distribuição de água. Um modelo hidráulico baseado na rede de Hanói foi utilizado para simular condições normais e com vazamentos. Foram considerados sete cenários (quatro sem vazamentos e três com vazamentos), gerando doze combinações de treino/teste usando uma divisão controlada de 70/30%. Os resultados demonstram que modelos de IA podem classificar dados operacionais para detectar vazamentos, com os métodos de ensemble (Random Forest e XGBoost) geralmente superando o KNN em termos de acurácia e consistência. Esta pesquisa destaca o potencial de ferramentas baseadas em IA para ajudar as operadoras de água a melhorar a eficiência operacional, reduzir perdas não contabilizadas e aumentar a sustentabilidade das redes. Ao integrar aprendizado de máquina com simulação hidráulica, o estudo contribui com soluções práticas para um dos desafios mais urgentes da gestão hídrica.