Modelación estocástica de la confiabilidad en sistemas de distribución de agua urbana
Cargando...
Autores
Director
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La investigación aborda la problemática de las altas pérdidas de agua y la dificultad para detectar fugas en sistemas de distribución de agua urbana, especialmente en contextos donde la operación está sujeta a variabilidad hidráulica, racionamientos y condiciones de incertidumbre. Los métodos tradicionales de análisis determinístico presentan limitaciones para representar adecuadamente estos escenarios, lo que motiva la necesidad de enfoques más robustos que incorporen
la incertidumbre inherente al sistema.
Para abordar esta problemática, se desarrolló una metodología fundamentada en modelación estocástica, que integra simulaciones hidráulicas realizadas en EPANET mediante el uso del EPANET Toolkit en MATLAB, junto con la aplicación de técnicas de Monte Carlo para la propagación de la incertidumbre asociada a las condiciones de operación de la red. Las series temporales de presión y caudal fueron previamente sometidas a procesos de depuración, estimación de datos faltantes
y suavizado mediante modelos ARIMA, con el fin de obtener señales hidráulicas consistentes y representativas del comportamiento real del sistema. Posteriormente, estas variables procesadas se emplearon como insumos para el entrenamiento de un modelo predictivo basado en redes neuronales artificiales, orientado a la estimación y detección de fugas en la red de distribución.
Los resultados obtenidos demuestran que la metodología propuesta permite identificar de manera efectiva la presencia y localización de fugas, incluso bajo escenarios de alta variabilidad operativa. En las pruebas de validación realizadas, el modelo predictivo basado en redes neuronales artificiales logró pronosticar con una precisión del 100 % los tramos de la red donde efectivamente se presentaron fugas, evidenciando una alta capacidad de discriminación entre el comportamiento
hidráulico normal y condiciones anómalas asociadas a fallas. Adicionalmente, a partir del modelo de pronóstico de fugas se identificaron cinco tramos de tubería con una probabilidad de ocurrencia de fuga comprendida entre el 54 % y el 60 %, lo cual permitió priorizar sectores críticos de la red bajo un enfoque probabilístico. (Texto tomado de la fuente)
Abstract
The research addresses the problem of high water losses and the difficulty of leak detection in urban water distribution systems, particularly in contexts where system operation is subject to hydraulic variability, water rationing, and uncertainty conditions. Traditional deterministic analysis methods present limitations in adequately representing these scenarios, which motivates the need for more robust approaches that explicitly incorporate the inherent uncertainty of the system.
To address this problem, a methodology based on stochastic modeling was developed, integrating hydraulic simulations carried out in EPANET through the use of the EPANET Toolkit in MATLAB, together with the application of Monte Carlo techniques to propagate the uncertainty associated with the network’s operating conditions. The pressure and flow time series were previously subjected to data cleaning, missing data estimation, and smoothing processes using ARIMA models, in order to obtain hydraulic signals that are consistent and representative of the system’s real behavior. Subsequently, these processed variables were used as inputs for training a predictive model based on artificial neural networks, aimed at the estimation and detection of leaks in the water distribution network.
The results obtained demonstrate that the proposed methodology is able to effectively identify the presence and location of leaks, even under scenarios of high operational variability. In the validation tests conducted, the predictive model based on artificial neural networks achieved a 100 % accuracy in forecasting the network sections where leaks actually occurred, demonstrating a strong ability to distinguish between normal hydraulic behavior and anomalous conditions associated with failures. Additionally, the leak prediction model identified five pipeline sections with a probability of leak occurrence
ranging between 54 % and 60 %, which enabled the prioritization of critical areas within the network under a probabilistic decision-making framework.
Descripción
ilustraciones, diagramas, mapas, tablas
Términos Normalizados
000 - Ciencias de la computación, información y obras generales::006 - Métodos especiales de computación; 510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas; 620 - Ingeniería y operaciones afines::628 - Ingeniería sanitaria; Abastecimiento de agua; Water supply; Modelo matemático; Mathematical models; Análisis estadístico; Statistical analysis; Inteligencia artificial; Artificial intelligence