- Investigadores australianos han desarrollado una red neuronal artificial que puede diagnosticar manantiales en tuberías de distribución de agua con un impresionante nivel de precisión.
- Su sistema busca características topológicas en tuberías, como uniones, para localizar y caracterizar fugas con un 95 por ciento de precisión.
- El estudio fue publicado en la edición de junio de 2020 de la Journal of Water Resources Planning and Management (Diario de Planificación y Gestión de Recursos Hídricos).
Estados Unidos tiene un importante problema de infraestructura de agua y alcantarillado. Nuestras tuberías subterráneas abarcan 1,6 millones de millas y han alcanzado una edad promedio de unos 45 años, lo que significa que estos caballos de batalla se remontan a la edad de cintas de 8 pistas, la invención del cubo de Rubik y jarras de 46 centavos de leche. Naturalmente, son propensos a fugas y debido a una gran actualización.
¿El problema? Los enfoques tradicionales utilizados para detectar resortes en tuberías, desde la inspección visual hasta los métodos electromagnéticos y los procesos acústicos y ultrasónicos, son anticuados, lentos y lentos.
Pero una nueva investigación de la Universidad de Adelaida en Australia muestra que la inteligencia artificial es notablemente capaz de diagnosticar tuberías con fugas.
Dirigido por Jessica Bohorquez, candidata al doctorado en la Escuela de Ingeniería Civil, Ambiental y Minera de la universidad, el nuevo trabajo se basa en una red neuronal artificial para identificar elementos topológicos de una red de tuberías, como cruces, para identificar y caracterizar las fugas con precisión casi prístina. El equipo publicó su investigación en la edición de junio de 2020 de la Journal of Water Resources Planning and Management (Diario de Planificación y Gestión de Recursos Hídricos).
Las redes neuronales toman un enfoque biológico para el cálculo, acumulando conexiones entre fragmentos de datos como cómo nuestros propios cerebros forman asociaciones entre las neuronas. El método de Bohorquez está basado en datos y no requiere ningún modelo de simulación detallado de las tuberías para detectar grietas. Más bien, la red neuronal “aprende” a encontrar cruces a lo largo del tiempo, ya que se alimenta cada vez más ejemplos de esquemas existentes o datos históricos.
Para entrenar la red neuronal, los investigadores establecieron dos pruebas: una en la que necesitaba identificar una unión en una tubería, y otro escenario en el que tenía que encontrar fugas.
En la primera prueba, los científicos probaron cuatro tamaños de muestra diferentes: 500, 1.000, 5.000 y 10.000 lecturas de presión de lugares a lo largo de una tubería de 1.000 metros. El resultado: Las pruebas de 5.000 sitios a lo largo de una tubería de 1.000 metros crearon los resultados más precisos con la menor cantidad de cálculo. Tardó poco más de cuatro horas en entrenar la red neuronal para la tarea.
En la segunda tarea, la red neuronal necesitaba un conjunto de datos de entrada más grande para identificar fugas. La red neuronal hizo predicciones mucho más precisas sobre dónde estaban las fugas de la tubería cuando el equipo le dio 25.000 o 50.000 lecturas de presión a lo largo de la tubería. Curiosamente, la red neuronal fue menos precisa en sus predicciones más cerca de los extremos de las tuberías, a diferencia de las partes centrales, porque hay más variación en la presión en esas ubicaciones.
En general, la red neuronal podría predecir con precisión las ubicaciones de unión con un 95 por ciento de precisión, y podría detectar ubicaciones de fugas con un error de menos de 3 milímetros en el 95 por ciento de los casos.
Debido a que esta investigación sólo utilizó datos derivados numéricamente de sistemas hidráulicos, el trabajo futuro se centrará en sistemas más complejos. Además, los investigadores tendrán que probar el sistema en el campo. Bohorquez y sus colegas esperan que la precisión del sistema disminuya cuando se prueba en una tubería real debido a complejidades estructurales.
“Estos resultados demuestran el excelente potencial del uso de técnicas de aprendizaje automático y ondas transitorias fluidas para la ubicación de elementos topológicos y anomalías en tuberías”, señalan los autores en el documento. “El enfoque propuesto es rápido, preciso y está basado en datos”.
Este contenido es creado y mantenido por un tercero, e importado en esta página para ayudar a los usuarios a proporcionar sus direcciones de correo electrónico. Es posible que pueda encontrar más información sobre este contenido y contenido similar en piano.io
Esta sección de comentarios es creada y mantenida por un tercero y importada a esta página. Es posible que pueda encontrar más información en su sitio web.
Source link