Detecção de vazamentos no fluxo de água com aplicação de machine learning

Abstract

A perda de água em sistemas de distribuição representa um dos principais desafios para a sustentabilidade ambiental e a eficiência operacional dos serviços de saneamento. Diante desse problema, este estudo propõe o desenvolvimento de um sistema de detecção de vazamentos baseado em técnicas de inteligência artificial, com foco no aprendizado de máquina. O principal objetivo da pesquisa foi aplicar o algoritmo Random Forest para identificar padrões anômalos no fluxo de água, possibilitando a detecção precoce de vazamentos. Para isso, foi construída uma base de dados sintética que simula medições de nível, pressão e vazão de um reservatório, permitindo o treinamento e a validação do modelo. Os resultados obtidos foram expressivos, alcançando acurácia global de 99,65%, com alta precisão (96%) e recall (93%), o que demonstra a capacidade do modelo em identificar de forma confiável as anomalias associadas a possíveis vazamentos. Conclui-se que a integração de aprendizado de máquina em sistemas de monitoramento hídrico é uma alternativa viável para aprimorar a gestão dos recursos e reduzir perdas, além de abrir caminho para futuras aplicações em ambientes reais e integrados com sensores.

Water loss in distribution systems represents one of the main challenges for environmental sustainability and the operational efficiency of sanitation services. To address this issue, this study proposes the development of a leak detection system based on artificial intelligence techniques, with a focus on machine learning. The main objective of the research was to apply the Random Forest algorithm to identify anomalous patterns in water flow, enabling early leak detection. To this end, a synthetic database was constructed that simulates reservoir level, pressure, and flow measurements, enabling model training and validation. The results were highly promising, achieving an overall accuracy of 99.65%, with high precision (96%) and recall (93%), demonstrating the model’s ability to reliably identify anomalies associated with potential leaks. The conclusion is that integrating machine learning into water monitoring systems is a viable alternative for improving resource management and reducing losses, in addition to paving the way for future applications in real-world environments integrated with sensors.