Usando aprendizado de máquina para otimizar a detecção de hidrômetros com mau funcionamento [Digital]
Dissertação
Português
004.85
Fortaleza, 2024.
73f.
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...
Ver mais
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. Ver menos
Palavras-chave: Perdas de água, Perdas aparentes, Substituição de hidrômetro e Aprendizado de máquina. Ver menos
Water is essential for life and one of the greatest human needs. However, ensuring access to potable water involves high costs. To efficiently deliver water to consumers, supply companies need, among other things, to charge their customers fairly. To achieve this, they need to periodically replace...
Ver mais
Water is essential for life and one of the greatest human needs. However, ensuring access to potable water involves high costs. To efficiently deliver water to consumers, supply companies need, among other things, to charge their customers fairly. To achieve this, they need to periodically replace malfunctioning water meters. However, there are challenges in detecting the need for replacing these devices. In this context, this work addresses the use of machine learning techniques to optimize the identification of these malfunctioning devices. For this purpose, cadastral data and water meter consumption history, as well as past replacement data, were used for training and evaluation of classic machine learning models. Among the results obtained, we highlight the impact of using the "consumption pattern" variable on the models’ f1-score and Accuracy metrics. According to the tests conducted, the AdaBoost model with a 12-month consumption pattern showed the best results, with f1-score and Accuracy values of 0.5313 and 0.8170, respectively. Additionally, there were gains of 0.0111 and 0.0397 points in f1-score and Accuracy, respectively, when compared to the model that does not use the "consumption pattern". Furthermore, efficiency gain estimates (7.53% gain) in terms of volume per replacement and financial return were made if the proposed approach were incorporated into the water meter replacement strategy of a company.
Keywords: Water Losses, Apparent losses, Water Meter Replacement and Machine Learning Ver menos
Keywords: Water Losses, Apparent losses, Water Meter Replacement and Machine Learning Ver menos
Furtado, João José Vasco Peixoto
Orientador
Pires, Rilder de Sousa
Coorientador
Caminha Neto, Carlos Oliveira de
Banca examinadora
Cavalcante, Alexandre Silva
Banca examinadora
Universidade de Fortaleza. Programa de Pós-Graduação em Informática Aplicada
Dissertação (mestrado)