EP4182654A1 - Procede de caracterisation de fuite - Google Patents

Procede de caracterisation de fuite

Info

Publication number
EP4182654A1
EP4182654A1 EP21754814.8A EP21754814A EP4182654A1 EP 4182654 A1 EP4182654 A1 EP 4182654A1 EP 21754814 A EP21754814 A EP 21754814A EP 4182654 A1 EP4182654 A1 EP 4182654A1
Authority
EP
European Patent Office
Prior art keywords
vibro
leak
acoustic
fluid network
sensors
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP21754814.8A
Other languages
German (de)
English (en)
Inventor
Yves-Marie BATANY
Damien CHENU
Nicolas Roux
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Veolia Environnement SA
Original Assignee
Veolia Environnement SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Veolia Environnement SA filed Critical Veolia Environnement SA
Publication of EP4182654A1 publication Critical patent/EP4182654A1/fr
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00Investigating fluid-tightness of structures
    • G01M3/02Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/04Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
    • G01M3/24Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
    • G01M3/243Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations for pipes
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00Investigating fluid-tightness of structures
    • G01M3/02Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/26Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
    • G01M3/28Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds
    • G01M3/2807Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Definitions

  • This presentation relates to a method for characterizing a leak in a fluid network, making it possible to characterize the seriousness of a leak in a fluid network by determining its type and/or its flow rate.
  • Such a method can in particular be used to characterize leaks within a water distribution network. However, it could also be used for gas, fuel or any other type of fluid, liquid or gaseous networks. Such a method can also be applied to different sizes of networks.
  • the vibro-acoustic listening methods aim to listen locally, using a microphone for example, the signals emitted by the leaks within the pipes.
  • a technique is quite effective but it requires a large number of listening points, i.e. a large number of sensors or, in the case of a mobile configuration, a full-time expert operator moving the along the network, in order to cover the entire network.
  • they are highly subject to acoustic disturbances from the environment of pipelines, for example road traffic.
  • these methods make it possible to locate the leaks but they do not make it possible to characterize them.
  • the sectorization methods aim to sectorize the network into small isolated areas and to compare the inlet and outlet flows of each zone in order to detect the presence of a leak flow.
  • a method is not sufficient on its own since it does not make it possible to locate the location of the leak precisely enough, in particular on a mesh network which would require too many sensors.
  • the sectorization does not make it possible to discriminate the seriousness of each leak when several leaks are present in the same sector. In any case, when an estimate of the severity is possible, this estimate can only be obtained a posteriori, after the repair of the leak, which prevents any prioritized maintenance.
  • This presentation relates to a method for training a statistical learning model intended for the characterization of leaks in a fluid network, in which the fluid network is equipped with a plurality of vibro-acoustic sensors configured to provide vibro-acoustic signals, comprising the construction of a database associating, at least for one plurality of documented leaks, at least one leak characterization datum actually determined from among the type of leak and the leak rate with at least one vibro-acoustic signal obtained directly or indirectly from at least one vibro-acoustic sensor, and comprising training the statistical learning model on the database thus constructed.
  • the term "vibro-acoustic sensor” means a sensor coupled to any type of liquid or solid medium and capable of recording a displacement, a speed, an acceleration or even a time derivative of higher order in one or more directions, and in particular in the three directions of space. It may therefore in particular be an accelerometer, a seismometer, a geophone, a microphone, or even a hydrophone, to cite only these examples. These may be permanently mounted sensors and/or mobile sensors temporarily applied by an operator.
  • the fluid network is provided with digital mapping comprising at least the geometry of the fluid network and the location of said vibro-acoustic sensors.
  • This digital cartography can conform to the real cartography or even include simulated cartographic elements. These simulated cartographic elements make it possible to complete the digital cartography when certain elements of the real cartography are unknown. These simulated cartographic elements can also make it possible to simulate alternative scenarios by substituting a real cartographic element by a simulated cartographic element, for example by virtually modifying the diameter of a pipeline, or by simulating fictitious pipelines in the extension of the existing network.
  • the training method comprises, for at least one documented leak, a step of measuring the leak rate.
  • this leak rate can be obtained by a direct measurement at the level of the leak. Such a measurement can in particular be carried out by an operator just before repairing the leak.
  • the fluid network is equipped with at least one flow sensor providing sectorization data.
  • These sectorization data can also comprise pressure measurements taken by at least one pressure sensor. The location of these sectorization sensors can be recorded in the digital map of the network.
  • the training method comprises, for at least one documented leak, a step of determining the leak rate using the sectorization data. For some leaks, depending on their number, their location and the number of nearby flowmeters, this determination can be made directly, while the leak exists. For other leaks, if this direct determination is not possible, the determination can be made indirectly, for example by comparing the sectorization data before and after the repair of the leak. Such a determination step renders the direct measurement of the leak rate by an operator at the level of the leak superfluous. Consequently, it is possible to include minor leaks in the database for which a repair is not considered a priority.
  • the determination step is carried out automatically by comparing the sectorization data before and after the repair of the leak in question.
  • the database comprises, for at least one documented leak, vibro-acoustic signals recorded by at least certain vibro-acoustic sensors of the fluid network.
  • each signal is recorded in the database in association with the identification and/or location of the vibro-acoustic sensor at the origin of the signal.
  • a documented leak a plurality of signals are thus associated in the database, which increases the size of the database and therefore reinforces the training of the statistical learning model.
  • signals that have undergone attenuation and/or alterations during their propagation along the fluid network are associated, which helps the statistical learning model to characterize a leak even in the event of attenuation and/or alteration. alteration of vibro-acoustic signals. Indeed, any physical element constituting a pipe network can have an impact on wave propagation and thus cause signal alterations.
  • the training method comprises, for at least one documented leak, a step of simulating at least one virtual vibro-acoustic sensor having a virtual location recorded in the digital mapping of the fluid network and a vibro-acoustic signal simulated from the vibro-acoustic signals actually measured by real vibro-acoustic sensors and geometric data from the digital mapping of the fluid network. Thanks to such a simulation step, one can artificially increase the number of signals available for training the statistical learning model while keeping a reasonable number of real sensors within the fluid network. This reinforces the training of the statistical learning model without the additional cost of additional equipment.
  • Such a simulated vibro-acoustic signal can in particular be obtained by digital simulation. In particular, such a simulation can be based on the use of transfer functions, associated with each element of the fluid network.
  • the step of simulating at least one virtual vibro-acoustic sensor is based on the real mapping of the network.
  • the step of simulating at least one virtual vibro-acoustic sensor is based on a simulated cartography comprising at least one simulated cartographic element.
  • this simulated mapping may comprise at least one fictitious pipeline.
  • the number of virtual vibro-acoustic sensors is at least 2 times greater than the number of real vibro-acoustic sensors.
  • the training method comprises a step of locating the leak based on the vibro-acoustic signals from the vibro-acoustic sensors and geometric data from the digital mapping of the fluid network. We thus obtain information concerning the location of the leak, which makes it possible, if necessary, to send a maintenance agent directly to the right address in order to characterize and/or repair the leak.
  • the database comprises, for at least one documented leak, the vibro-acoustic signal actually recorded near the leak.
  • the vibro-acoustic signal recorded with the leak that is to say before any attenuation or any alteration due to its propagation along the fluid network: such a signal thus constitutes a signature primary of the leak, particularly useful for training the statistical learning model.
  • This leak signal can in particular be recorded by a maintenance agent just before repairing the leak. Depending on the accessibility of the leak, this signal will be measured within 50 m of the leak, preferably within 10 m of the leak, preferably within 1 m of the leak.
  • the training method comprises, for at least one documented leak, a step of reconstructing the vibro-acoustic signal at the level of the leak from the vibro-acoustic signals of the vibro-acoustic sensors and geometric data from the digital mapping of the fluid network.
  • This is another method for obtaining an approximation of the vibro-acoustic signal at the leak, especially when it is not possible, or desirable, to record the true signal directly at the leak.
  • Such a signal thus constitutes a primary signature of the leak, particularly useful for training the model statistical learning.
  • Such a signal reconstructed at the leak can in particular be obtained by simulating a virtual sensor at or near the leak.
  • the training method comprises at least one leak generation step during which a leak is artificially caused within the fluid network.
  • a leak is artificially caused within the fluid network.
  • the training method comprises, for at least one documented leak, a noise step during which noise is added to at least one vibro-acoustic signal actually measured.
  • a noise step during which noise is added to at least one vibro-acoustic signal actually measured.
  • the added noise may in particular include conventional colored noises, white or pink for example, and/or noises specific to water networks, such as the noise of a car passing by, a mechanical meter rotating or even people talking nearby, to name but a few examples.
  • the database includes, for at least one documented leak, structural data of the pipe at the level of the leak. These structural data may in particular include the material of the pipe, its nominal diameter, its thickness, its depth or even the material of the surrounding soil or the type of backfill. This data is useful to help the statistical learning model take into account the signal variations that may appear for a leak of a given type and flow rate depending on the physical properties of the pipe carrying the leak. In this way, the statistical learning model will have an easier time characterizing the leaks if these additional contextual variables are given to it. [0030] In certain embodiments, the database comprises, for at least one documented leak, contextual repair data among the type of backfill used, the flooding state around the leak and/or a photograph of the the escape. These data can in particular be used for training the statistical learning model.
  • the database includes data from documented leaks from a single fluid network.
  • the statistical learning model is then specialized in the characterization of the leaks of this particular fluid network; it nevertheless remains capable of characterizing leaks from other fluid networks if necessary, with lower precision.
  • the database includes data from documented leaks from multiple fluid networks. This increases the size of the database, which strengthens the training of the statistical learning model. Greater weight may however be given to documented leaks from a particular fluid network when the statistical learning model is intended to be applied to that particular fluid network.
  • At least certain vibro-acoustic sensors are correlating sensors directly or indirectly sharing a common clock. Such sensors make it possible to follow the propagation of a sound wave, or a vibration signal, along the fluid network. Thus, thanks to such sensors it is possible to estimate the distance separating the sensor from the leak and therefore, using several sensors, to determine the position of the leak.
  • At least one vibro-acoustic sensor is provided at least every 200 m, preferably at least every 100 m, more preferably at least every 50 m, along the fluid network .
  • the finer the mesh the greater the probability of having a large number of sensors close to the leak, and therefore of having a large number of usable signals. Consequently, the finer the mesh, the more different signals the database contains for a given leak and therefore the more efficient the training of the statistical learning model.
  • the distance between sensors can be modulated according to the type of material making up the pipe; in particular a finer mesh is preferable for plastic networks.
  • At least one sensor is installed at a keyhole of the fluid network.
  • the sensor may in particular comprise a measuring head located at the bottom of the extension tube, in contact with the pipe.
  • the sensors can be mounted on or within any element of the network.
  • the training method includes a normalization step resulting in converting the raw vibro-acoustic signal from at least one vibro-acoustic sensor into a standardized vibro-acoustic signal having a predetermined format.
  • a normalization step resulting in converting the raw vibro-acoustic signal from at least one vibro-acoustic sensor into a standardized vibro-acoustic signal having a predetermined format.
  • This normalization step can use transfer functions, determined theoretically or empirically, for each type or model of sensor used. This step can also artificially introduce a loss of quality with respect to the raw vibro-acoustic signal.
  • This normalization of the signal can be, in particular, a compression, a spectral folding, or other signal processing techniques.
  • the predetermined common format of the standardized vibro-acoustic signals is a sound format, for example of the WAVE type.
  • the training method includes a pre-processing step resulting in qualifying and cleaning the vibro-acoustic signal from at least one vibro-acoustic sensor. This step makes it possible in particular to check whether the signal is not corrupted or polluted by noise. covering the signal, such as a passing vehicle for example, and therefore whether the signal can be used by the statistical learning model. It also makes it possible to clean the signal of any interference using one or more filters.
  • the training method includes a step of transforming the representation of the vibro-acoustic signals into other mathematical spaces.
  • the training method comprises a decomposition step resulting in decomposing the vibro-acoustic signal from at least one vibro-acoustic sensor.
  • This may in particular be a Fourier decomposition.
  • the result of this decomposition can be saved in the database and can be used for training the statistical learning model.
  • the digital mapping of the fluid network includes location data for valves and/or other equipment. In this way, it is possible to predict and take into account the alterations of the vibro-acoustic signals during their propagation through this equipment. This increases the accuracy of the simulations and/or signal reconstructions.
  • a transfer function can be associated with each type of equipment.
  • the digital map of the fluid network includes structural data of the fluid network.
  • These structural data may in particular include the material of each pipe, its nominal diameter, its thickness, its depth or even the material of the surrounding soil or the type of backfill. This data is useful for increasing the accuracy of simulations and/or reconstructions of signals within the fluid network. They can also be used to help the statistical learning model to take into account the signal variations that may appear for a leak of a given type and flow rate depending on the physical properties of the pipe carrying a given vibro-acoustic sensor. . In this way, the statistical learning model will have an easier time characterizing the leaks if these additional contextual variables are given to it.
  • the type of leak is determined at least from three different types, preferably at least from five different types.
  • the type of leak can be determined from among the following types: pipe leak, pipe break, pipe branch leak, connection leak, collar leak, fire hydrant leak, meter leak, joint leak, leak on the valve, leak on the suction cup, leak on the flange, leak on the stuffing box, leak on another nearby network (eg sanitation, gas, etc.), to name but a few examples.
  • the database also includes data, in particular vibro-acoustic signals, corresponding to leak-free scenarios. Thanks to such leak-free scenarios, we introduce the possibility for the statistical learning model, once trained, to conclude that there is no leakage when no leakage is present in the network.
  • the statistical learning model is of the classifier type.
  • the leak flow rate is determined from among predetermined flow rate ranges. These ranges can have constant or variable widths. Preferably, the width of each range is less than or equal to 10 m3/h, more preferably less than or equal to 5 m3/h.
  • the statistical learning model is of the regressor type.
  • the leak rate is determined as accurately as possible, with a certain margin of error.
  • this margin of error is less than or equal to 10% or even less than or equal to 10 m3/h or 5 m3/h.
  • the fluid network is a water network. It is preferably a water distribution network, drinking water, in charge.
  • the statistical learning model is a neural network.
  • the neural network is of the convolutional type with preferably at least two convolutional layers of temporal filter applied to the vibration signals and at least two layers not convolutional.
  • Non-convolutional layers can be applied to results from convolutional layers and/or contextual data.
  • the convolutional layers of the neural network contain temporal filters of size between 25 and 100 ms applied to the vibration signals. Convolutional layers are organized such that the number of filters increases with each layer. The simple layers are organized in such a way that the number of neurons can decrease until the final estimate. To avoid overlearning, the dropout technique can be used between 30 and 70%. To obtain an estimate of uncertainty, a Bayesian network can be used.
  • the statistical learning model is a forest of decision trees, a vector support machine, or else a nonlinear regression.
  • This presentation also relates to a method for characterizing leaks in a fluid network, in which the fluid network is equipped with a plurality of vibro-acoustic sensors configured to supply vibro-acoustic signals, and in which a statistical learning model receives as input at least one vibro-acoustic signal obtained directly or indirectly from at least one vibro-acoustic sensor and provides as output at least one leak characterization datum among the type of leak and the leak rate.
  • the statistical learning model receives as input the vibro-acoustic signals from several vibro-acoustic sensors. acoustics.
  • the statistical learning model can receive the signals from all the vibro-acoustic sensors of the fluid network, or from only some of them, for example the sensors closest to the leak or those providing a signal with a level and/or quality above a certain threshold.
  • the fluid network is provided with digital mapping comprising at least the geometry of the fluid network and the location of said vibro-acoustic sensors.
  • This digital cartography can conform to the real cartography or even include simulated cartographic elements. These simulated cartographic elements make it possible to complete the digital cartography when certain elements of the real cartography are unknown. These simulated cartographic elements can also make it possible to simulate alternative scenarios by substituting a real cartographic element with a simulated cartographic element, for example by virtually modifying the diameter of a pipe, or even by simulating fictitious pipes in the extension of the existing network.
  • the characterization method comprises a step of simulating at least one virtual vibro-acoustic sensor having a virtual location recorded in the digital mapping of the fluid network and a simulated vibro-acoustic signal from vibro-acoustic signals from the real vibro-acoustic sensors and geometric data from the digital mapping of the fluid network.
  • a simulated vibro-acoustic signal can in particular be obtained by digital simulation of acoustic propagation.
  • such a resolution can be based on the use of transfer functions, determined for example using laboratory tests or in real conditions, associated with each element of the fluid network.
  • the neural network receives at least one simulated vibro-acoustic signal as input.
  • the step of simulating at least one virtual vibro-acoustic sensor is based on the actual mapping of the network. In certain embodiments, the step of simulating at least one virtual vibro-acoustic sensor is based on a simulated cartography comprising at least one simulated cartographic element. In particular, this simulated mapping may comprise at least one fictitious pipeline. In some embodiments, the number of virtual vibro-acoustic sensors is at least twice the number of real vibro-acoustic sensors.
  • the characterization method comprises a step of locating the leak from the vibro-acoustic signals from the vibro-acoustic sensors and geometric data from the digital mapping of the fluid network. This provides information about the location of the leak, which makes it possible, if necessary, to send a maintenance agent directly to the right address in order to repair the leak. The location of the leak can also be taken into account in the evaluation of the priority of repairing this leak.
  • the characterization method comprises a step of reconstructing the vibro-acoustic signal at the level of the leak from the vibro-acoustic signals of the vibro-acoustic sensors and the geometric data of the digital mapping of the network of fluid.
  • An approximation of the vibro-acoustic signal generated at the level of the leak is thus obtained, that is to say before any attenuation or any alteration due to its propagation along the fluid network: such a signal, constituting a primary signature of the leak, brings a significant amount of information to the statistical learning model, which facilitates characterization.
  • Such a signal at the source can in particular be obtained by digital simulation of the acoustic propagation.
  • such a resolution can be based on the use of transfer functions associated with each element of the fluid network.
  • a signal reconstructed at the leak can in particular be obtained by simulating a virtual sensor at or near the leak.
  • the statistical learning model receives as input at least the vibro-acoustic signal reconstructed at the level of the leak.
  • at least some vibro-acoustic sensors are correlating sensors directly or indirectly sharing a common clock. Such sensors make it possible to follow the propagation of a sound wave, or of a vibration signal, along the fluid network. Thus, thanks to such sensors it is possible to estimate the distance separating the sensor from the leak and therefore, using several sensors, to determine the position of the leak.
  • At least one vibro-acoustic sensor is provided at least every 200 m, preferably at least every 100 m, more preferably at least every 50 m, along the fluid network .
  • the finer the mesh the greater the probability of having a large number of sensors near the leak, and therefore of having a large number of usable signals. Consequently, the finer the mesh, the more different signals the database contains for a given leak and therefore the more efficient the training of the statistical learning model.
  • the distance between sensors can be modulated according to the type of material making up the pipe; in particular a finer mesh is preferable for plastic networks.
  • At least one sensor is installed at a keyhole of the fluid network.
  • the sensor may in particular comprise a measuring head located at the bottom of the extension tube, in contact with the pipe.
  • the sensors can be mounted on or within any element of the network.
  • the characterization method comprises a normalization step resulting in converting the raw vibro-acoustic signal from at least one vibro-acoustic sensor into a normalized vibro-acoustic signal having a predetermined format.
  • a normalization step resulting in converting the raw vibro-acoustic signal from at least one vibro-acoustic sensor into a normalized vibro-acoustic signal having a predetermined format.
  • the predetermined common format of the standardized vibro-acoustic signals is a sound format, for example of the WAVE type.
  • the characterization method includes a pre-processing step resulting in qualifying and cleaning the vibro-acoustic signal from at least one vibro-acoustic sensor. This step makes it possible in particular to check whether the signal is not corrupted or polluted by a noise covering the signal, such as a passing vehicle for example, and therefore whether the signal can be exploited by the statistical learning model. It also cleans the signal of any interference using one or more filters.
  • the characterization method comprises a step of transforming the representation of the vibro-acoustic signals into other mathematical spaces.
  • the characterization method comprises a decomposition step resulting in decomposing the vibro-acoustic signal from at least one vibro-acoustic sensor.
  • This may in particular be a Fourier decomposition.
  • the result of this decomposition can be provided as input to the statistical learning model, instead of or in addition to the original signal. This can facilitate the characterization by the statistical learning model.
  • the digital mapping of the fluid network includes location data for valves and/or other equipment. In this way, it is possible to predict and take into account the alterations of the vibro-acoustic signals during their propagation through this equipment. This increases the accuracy of the simulations and/or signal reconstructions.
  • a transfer function can be associated with each type of equipment.
  • the digital map of the fluid network includes structural data of the fluid network.
  • These structural data may include, but are not limited to, the material of the pipe, its nominal diameter, its thickness, its depth or even the surrounding material. This data is useful to help the statistical learning model take into account the signal variations that may appear for a leak of a given type and flow rate depending on the physical properties of the pipe carrying the leak. In this way, the statistical learning model has an easier time characterizing leaks, regardless of the size or material of the pipes involved.
  • the type of leak is determined at least from 3 different types, preferably at least from 5 different types.
  • the type of leak can be determined from among the following types: pipe leak, pipe break, pipe branch leak, connection leak, collar leak, fire hydrant leak, meter leak, joint leak, leak on the valve, leak on the suction cup, leak on the flange, leak on the stuffing box, leak on another nearby network (eg sanitation, gas, etc.), to name but a few examples.
  • the statistical learning model is of the classifier type.
  • the leak flow rate is determined from among predetermined flow rate ranges. These ranges can have constant or variable widths. Preferably, the width of each range is less than or equal to 10 m3/h, more preferably less than or equal to 5 m3/h.
  • the statistical learning model is of the regressor type.
  • the leak rate is determined as accurately as possible, with a certain margin of error.
  • this margin of error is less than or equal to 10% or even less than or equal to 10 m3/h or 5 m3/h.
  • the fluid network is a water network. It is preferably a water distribution network, drinking water, in charge.
  • the neural network is of the convolutional type with preferably at least two convolutional layers of temporal filter applied to the vibration signals and at least two non-convolutional layers.
  • Non-convolutional layers can be applied to results from convolutional layers and/or contextual data.
  • the convolutional layers of the neural network contain temporal filters of size between 25 and 100 ms applied to the vibration signals. Convolutional layers are organized such that the number of filters increases with each layer. The simple layers are organized in such a way that the number of neurons can decrease until the final estimate.
  • the dropout technique can be used between 30 and 70%.
  • a Bayesian network can be used.
  • the statistical learning model is a forest of decision trees, a vector support machine, or else a nonlinear regression.
  • the statistical learning model has been trained using a training method according to any of the embodiments described above.
  • the characterization method comprises a verification step during which the type and/or the flow rate of the leak characterized by the statistical learning model is actually verified and then recorded in the database. to complete the training of the statistical learning model.
  • This presentation also relates to a module for characterizing leaks in a fluid network, the fluid network being equipped with a plurality of vibro-acoustic sensors configured to supply vibro-acoustic signals comprising a statistical learning model configured to receive as input at least one vibro-acoustic signal obtained directly or indirectly from at least one vibro-acoustic sensor and to supply as output at least one leak characterization data from among the type of leak and the flow rate leak.
  • this characterization module stems from the advantages described above for the characterization method. Moreover, this characterization module can present all or part of the additional characterizations described above with regard to the training method and/or the characterization method. This presentation also relates to a fluid network, comprising a plurality of vibro-acoustic sensors configured to supply vibro-acoustic signals, and a characterization module according to any one of the preceding embodiments.
  • This presentation also relates to a computer program comprising instructions for executing the steps of the training method or of the characterization method described above when the program is executed by a computer.
  • Figure 1 is an overall diagram of a fluid network equipped with a leak characterization module.
  • Figure 2 is an overview diagram of a leak characterization module.
  • Figure 3 illustrates the detection of a leak within the fluid network of Figure 1.
  • Figure 4 illustrates obtaining the vibro-acoustic signal at the leak.
  • Figure 5 illustrates a first example of training a neural network.
  • Figure 6 illustrates a first example of leak characterization using this neural network.
  • Figure 7 illustrates the simulation of virtual vibro-acoustic sensors.
  • Figure 8 illustrates a second example of training a neural network.
  • Figure 9 illustrates a second example of leak characterization using this neural network.
  • Figure 1 shows a fluid network diagram 1, in this case a drinking water distribution network.
  • This fluid network 1 has a plurality of pipes 2 on which are mounted a plurality of vibro-acoustic sensors 3, here acoustic sensors of the accelerometer type.
  • the fluid network also has a leak characterization module 10 which can be hosted within a computer of the control of the fluid network 1 or within a remote server.
  • the fluid network 1 further comprises sectorization sensors, and in particular flow meters and pressure gauges.
  • FIG. 2 illustrates the main elements of this leak characterization module 10. It thus comprises a digital map 11 of the fluid network 1, a leak database 12, a neural network 13 (forming a model of statistical learning), a calculation unit 14 and a memory 15; it also includes all the electronic elements making it possible to operate such an electronic module: power supply, user interfaces, etc.
  • the digital map 11 includes the geometry of the fluid network 1, that is to say the position, orientation and length of all the pipes 2, as well as the position of all the network equipment, c i.e. valves, junction collars, connections, key boxes etc.
  • the digital map 11 also includes the location of all the vibro-acoustic sensors 3 but also of the sectorization sensors.
  • the digital map 11 also includes the most complete structural data possible for the entire network 1, and in particular, as far as possible, the material of each pipe, its nominal diameter, its thickness, its depth or even the material of the surrounding ground.
  • the database 12 for its part compiles as much data as possible concerning the leaks identified and characterized in the past within the fluid network 1. Its construction will be described in more detail below.
  • the neural network 13 is a convolutional network of the regressor type comprising two convolutional layers of temporal filters and two non-convolutional layers.
  • the layers of the neural network 13 contain temporal filters of size between 25 and 100 ms.
  • Convolutional layers are organized such that the number of filters increases with each layer.
  • the single layers are organized in such a way that the number of neurons decreases until the final estimate.
  • the dropout technique is used between 30 and 70%.
  • a Bayesian network is used to obtain an uncertainty estimate.
  • the calculation unit 14 can in particular take the form of a processor: it is in particular programmed to be able to solve digital problems of propagation of a sound wave along the fluid network 1, on the basis of the geometric and structural data from digital cartography 11.
  • the memory 15 can take any form of data storage. It includes in particular the theoretical equations for the propagation of sound waves along a pipeline. It also includes a library of transfer functions, established theoretically or empirically using tests in the laboratory or on site, making it possible to simulate the deformation undergone by a vibro-acoustic signal during its passage through a particular piece of equipment of the fluid network 1 , in particular a valve, an elbow, a connection, or even a collar . This library also includes transfer functions making it possible to convert the raw signal from a vibro-acoustic sensor of a given type and model into a common reference format of the sound wave type, for example in the form of a WAVE type sound file.
  • any leak generates a characteristic noise which propagates along the pipes 2 and which can therefore be detected and recorded by vibro-acoustic sensors 3 such as microphones, geophones, hydrophones or accelerometers.
  • vibro-acoustic sensors 3 such as microphones, geophones, hydrophones or accelerometers.
  • the vibro-acoustic sensors 3 of the network 1 each record a signal 21 revealing the presence of the leak 20.
  • each sensor 3 records a slightly different signal 21: in particular, the level of the signal is all the more attenuated the further the sensor 3 is from the leak 20; in addition, the shape of the signal may also be altered during propagation, in particular when passing through certain equipment on network 1.
  • the leak 20 Once the leak 20 has been located in this way, it is possible to go to the site to excavate and repair it. On this occasion, it is also possible to determine its type Tf, i.e. to determine whether it is a leak caused by a crack, a puncture or even a defective seal, for example at the level of a collar or branch. Once the leak 20 has been repaired in this way, the calculation unit 14 is capable of automatically determining the flow rate Qf that this leak 20 exhibited by comparing the sectorization data before and after the repair.
  • the training of the neural network 13 is then represented in FIG. 5.
  • all the data relating to this leak 20 is recorded in the database 12: in In particular, the characterization, including the type of leak Tf and the leak rate Qf, is recorded in association with the vibro-acoustic signal at leak 22.
  • Structural data of the pipe 2 carrying the leak 20 are also recorded in the database 12: these structural data include the material of the pipe, its nominal diameter, its thickness, its depth as well as the material of the surrounding soil.
  • Contextual repair data such as the type of backfill used, the state of flooding around the leak or even a photograph of the leak, can also be recorded in the database 12.
  • the neural network 13 is applied to the database 12 in order to carry out its initial training. Once the initial training is complete, the neural network13 can then be used to automatically characterize new leaks20.
  • the leak characterization module 10 permanently receives the signals 21 recorded by the vibro-acoustic sensors 3.
  • the fluid network 1 can comprise different types or models of vibro-acoustic sensors 3, all the signals 21 thus recorded are converted, during a normalization step, into a common format using the transfer functions stored in memory 15.
  • each signal 21 undergoes a qualification step during which it is verified that the signal 21 is not corrupted and has not been rendered unusable by excessive parasitic noise such as the passage of a vehicle for example.
  • the signals 21 thus qualified then undergo a cleaning step during which they are filtered in order to remove most of the interference.
  • the leak characterization module 10 detects the appearance of a signal representative of a leak in the vibro-acoustic signal 21 of one or several vibro-acoustic sensors 3. The characterization module 10 then carries out the location of the leak 20 then the reconstruction of the vibro-acoustic signal at the leak 22 as described above.
  • the vibro-acoustic signal at the leak 22 is then transmitted as input to the neural network 13: thanks to its training, the neural network 13 is then capable of outputting the characterization of the leak 20, that is to say its type Tf and/or its flow rate Qf.
  • the structural data of the pipe 2 carrying the leak 20, resulting from the digital map 11, can also be transmitted as input to the neural network 13 in order to facilitate the characterization and, if necessary, increase the precision of the latter. .
  • FIGS. 7 to 9 illustrate another method making it possible to further increase the ease and precision of characterization.
  • the fluid network 101 comprises the same vibro-acoustic sensors 103 as in the first example. However, in addition to these real sensors 103, the fluid network 101 now also includes virtual vibro-acoustic sensors 104.
  • These virtual vibro-acoustic sensors 104 are positioned in the digital map 11 so as to reduce the distance separating two sensors, real or virtual.
  • two virtual sensors 104 can be simulated between two real sensors 103 consecutive.
  • the calculation unit 14 is then capable, for each virtual sensor 104, of simulating the vibro-acoustic signal 123 which would actually be recorded if a real sensor were provided at this location.
  • This simulation is possible from the vibro-acoustic signals 121 of the real sensors 103 provided near the virtual sensor 104 considered, by solving the digital simulation of acoustic propagation using propagation equations and transfer functions stored in the memory. 15 of characterization module 10.
  • each signal 121, 122, 123 recorded in the database can undergo a noise stage during which noise is added to the signal 121, 122, 123 .
  • the neural network 113 is able to characterize the new leak 120 more easily and with greater precision, even by supplying it as input only with the vibro signals. -real acoustics 121 for example.

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

Procédé de caractérisation de fuite dans un réseau de fluide, permettant de déterminer le type et/ou le débit d'une fuite dans un réseau de fluide, dans lequel le réseau de fluide est équipé d'une pluralité de capteurs vibro-acoustiques configurés pour fournir des signaux vibro-acoustiques (22), et dans lequel un modèle d'apprentissage statistique (13) reçoit en entrée au moins un signal vibro-acoustique (22) obtenu directement ou indirectement à partir d'au moins un capteur vibro- acoustique et fournit en sortie au moins une donnée de caractérisation de la fuite parmi le type de fuite (Tf) et le débit de fuite (Qf).

Description

Procédé de caractérisation de fuite
Domaine Technique
[0001] Le présent exposé concerne un procédé de caractérisation de fuite dans un réseau de fluide, permettant de caractériser la gravité d’une fuite dans un réseau de fluide en déterminant son type et/ou son débit.
[0002] Un tel procédé peut notamment être utilisé pour caractériser des fuites au sein d’un réseau de distribution d’eau. Toutefois, il pourrait également être utilisé pour des réseaux de gaz, de carburant ou de tout autre type de fluide, liquide ou gazeux. Un tel procédé peut également s’appliquer à différentes tailles de réseaux.
Technique antérieure
[0003] En France, les réseaux de distribution d’eau potable présentent des pertes d’environ 20% sur le territoire national avec parfois des pertes pouvant atteindre localement près de 40%. D’autres pays connaissent des situations encore plus préoccupantes avec des pertes pouvant monter localement jusqu’à 60%.
[0004] Il est donc primordial de pouvoir détecter et caractériser les fuites présentes dans un réseau de distribution d’eau afin de pouvoir prioriser les interventions et réparer les fuites ainsi détectées.
[0005] Plusieurs techniques existent à ce jour afin de réaliser une telle détection. Parmi ces dernières, les méthodes d’écoute vibro-acoustique et de sectorisation sont les plus utilisées.
[0006] Les méthodes d’écoute vibro-acoustique visent à écouter localement, à l’aide d’un microphone par exemple, les signaux émis par les fuites au sein des canalisations. Une telle technique est assez efficace mais elle requiert un grand nombre de points d’écoute, c’est-à-dire un grand nombre de capteurs ou, dans le cas d’une configuration mobile, un opérateur expert à temps plein se déplaçant le long du réseau, pour parvenir à couvrir tout le réseau. De plus, elles sont fortement soumises aux perturbations acoustiques de l’environnement des canalisations, par exemple le trafic routier. Enfin, et surtout, ces méthodes permettent de localiser les fuites mais elles ne permettent pas de caractériser ces dernières.
[0007] Les méthodes de sectorisation visent quant à elles à sectoriser le réseau en de petites zones isolées et à comparer les débits en entrée et en sortie de chaque zone afin de détecter la présence d’un débit de fuite. Toutefois, une telle méthode n’est pas suffisante à elle-seule puisqu’elle ne permet pas de localiser assez précisément l’emplacement de la fuite, en particulier sur un réseau maillé qui nécessiterait un nombre trop important de capteurs. De plus, la sectorisation ne permet pas de discriminer la gravité de chaque fuite lorsque plusieurs fuites sont présentes dans un même secteur. En tout état de cause, lorsqu’une estimation de la gravité est possible, cette estimation ne peut être obtenue qu’a posteriori, après la réparation de la fuite, ce qui empêche toute maintenance priorisée.
[0008] De plus, un tel réseau de distribution d’eau présente fréquemment de multiples fuites, de types et de gravités variés. En particulier, la réparation de certaines fuites de gravité minime n’est pas toujours rentable, ou tout du moins n’est pas toujours prioritaire. Or, les méthodes de détection actuelles, et en particulier les méthodes d’écoute acoustique, ne permettent pas d’obtenir une information précise quant à la gravité de la fuite détectée, ce qui rend difficile la mise en place d’une maintenance priorisée.
[0009] Il existe donc un réel besoin d’un procédé de caractérisation de fuite dans un réseau de fluide, permettant de déterminer le type et/ou le débit d’une fuite, avant sa réparation, et qui soit dépourvu, au moins en partie, des inconvénients inhérents aux méthodes connues précitées.
Exposé de l’invention
[0010] Le présent exposé concerne un procédé d’entraînement d’un modèle d’apprentissage statistique destiné à la caractérisation de fuite dans un réseau de fluide, dans lequel le réseau de fluide est équipé d’une pluralité de capteurs vibro-acoustiques configurés pour fournir des signaux vibro-acoustiques, comprenant la construction d’une base de données associant, au moins pour une pluralité de fuites documentées, au moins une donnée de caractérisation de la fuite effectivement déterminée parmi le type de fuite et le débit de fuite avec au moins un signal vibro-acoustique obtenu directement ou indirectement à partir d’au moins un capteur vibro-acoustique, et comprenant l’entraînement du modèle d’apprentissage statistique sur la base de données ainsi construite.
[0011] Grâce à un tel procédé, il est possible de construire une base de données qui permettra au modèle d’apprentissage statistique, une fois entraîné sur cette base de données, de caractériser une fuite dans un réseau de fluide sur la base d’un ou plusieurs signaux vibro-acoustiques obtenus sur le réseau de fluide en question.
[0012] Naturellement, plus la base contient un nombre de fuites documentées important, plus l’entraînement du modèle d'apprentissage statistique sera poussé et plus ce modèle d’apprentissage statistique sera capable de caractériser les fuites détectées avec précision.
[0013] Dans le présent exposé, on entend par « capteur vibro-acoustique », un capteur couplé à n'importe quel type de support liquide ou solide et capable d'enregistrer un déplacement, une vitesse, une accélération ou encore une dérivée temporelle d'ordre supérieure dans une ou plusieurs directions, et notamment dans les trois directions de l’espace. Il peut donc notamment s'agir d'un accéléromètre, d'un sismomètre, d'un géophone, d'un microphone, ou encore d'un hydrophone, pour ne citer que ces exemples. Il peut s’agir de capteurs montés à demeure et/ou de capteurs mobiles appliqués temporairement par un opérateur.
[0014] Dans certains modes de réalisation, le réseau de fluide est doté d’une cartographie numérique comprenant au moins la géométrie du réseau de fluide et la localisation desdits capteurs vibro-acoustiques. Cette cartographie numérique peut être conforme à la cartographie réelle ou bien comprendre des éléments cartographiques simulés. Ces éléments cartographiques simulés permettent de compléter la cartographie numérique lorsque certains éléments de la cartographie réelle sont inconnus. Ces éléments cartographiques simulés peuvent également permettre de simuler des scénarios alternatifs en substituant un élément cartographique réel par un élément cartographie simulé, par exemple en modifiant virtuellement le diamètre d’une canalisation, ou encore en simulant des canalisations fictives dans le prolongement du réseau existant.
[0015] Dans certains modes de réalisation, le procédé d’entraînement comprend, pour au moins une fuite documentée, une étape de mesure du débit de fuite. En particulier, ce débit de fuite peut être obtenu par une mesure directe au niveau de la fuite. Une telle mesure peut notamment être réalisée par un opérateur juste avant la réparation de la fuite.
[0016] Dans certains modes de réalisation, le réseau de fluide est équipé d’au moins un capteur de débit fournissant des données de sectorisation. Ces données de sectorisation peuvent également comprendre des mesures de pression réalisées par au moins un capteur de pression. La localisation de ces capteurs de sectorisation peut être enregistrée dans la cartographie numérique du réseau.
[0017] Dans certains modes de réalisation, le procédé d’entraînement comprend, pour au moins une fuite documentée, une étape de détermination du débit de fuite à l’aide des données de sectorisation. Pour certaines fuites, en fonction de leur nombre, de leur localisation et du nombre de débitmètres à proximité, cette détermination peut se faire directement, pendant l’existence de la fuite. Pour d’autres fuites, si cette détermination directe n’est pas possible, la détermination peut se faire indirectement, par exemple en comparant les données de sectorisation avant et après la réparation de la fuite. Une telle étape de détermination rend superflu la mesure directe du débit de fuite par un opérateur au niveau de la fuite. En conséquence, il est possible d’inclure dans la base de données des fuites de gravité mineure pour lesquelles une réparation n’est pas jugée prioritaire.
[0018] Dans certains modes de réalisation, pour au moins une fuite documentée, l’étape de détermination est réalisée de manière automatique par comparaison des données de sectorisation avant et après la réparation de la fuite en question.
[0019] Dans certains modes de réalisation, la base de données comprend, pour au moins une fuite documentée, des signaux vibro-acoustiques enregistrés par au moins certains capteurs vibro-acoustiques du réseau de fluide. De préférence, chaque signal est enregistré dans la base en association avec l’identification et/ou la localisation du capteur vibro-acoustique à l’origine du signal. Pour une fuite documentée, on associe ainsi dans la base de données une pluralité de signaux, ce qui augmente la taille de la base et renforce donc l’entraînement du modèle d’apprentissage statistique. De plus, on associe des signaux ayant subi des atténuations et/ou des altérations lors de leur propagation le long du réseau de fluide, ce qui aide le modèle d’apprentissage statistique à caractériser une fuite même en cas d’atténuation et/ou d’altération des signaux vibro-acoustiques. En effet, tout élément physique constitutif d'un réseau de canalisation peut avoir une incidence sur la propagation des ondes et ainsi provoquer des altérations des signaux.
[0020] Dans certains modes de réalisation, le procédé d’entraînement comprend, pour au moins une fuite documentée, une étape de simulation d’au moins un capteur vibro-acoustique virtuel possédant une localisation virtuelle enregistrée dans la cartographie numérique du réseau de fluide et un signal vibro-acoustique simulé à partir des signaux vibro-acoustiques effectivement mesurés par des capteurs vibro-acoustiques réels et des données géométriques de la cartographie numérique du réseau de fluide. Grâce à une telle étape de simulation, on peut augmenter artificiellement le nombre de signaux disponibles pour l’entraînement du modèle d’apprentissage statistique tout en gardant un nombre raisonnable de capteurs réels au sein du réseau de fluide. On renforce ainsi l’entraînement du modèle d’apprentissage statistique sans surcoût d’équipement supplémentaire. Un tel signal vibro-acoustique simulé peut notamment être obtenu par simulation numérique. En particulier, une telle simulation peut s’appuyer sur l’utilisation de fonctions de transfert, associées à chaque élément du réseau de fluide.
[0021] Dans certains modes de réalisation, l’étape de simulation d’au moins un capteur vibro-acoustique virtuel se fonde sur la véritable cartographie du réseau.
[0022] Dans certains modes de réalisation, l’étape de simulation d’au moins un capteur vibro-acoustique virtuel se fonde sur une cartographie simulée comprenant au moins un élément cartographique simulé. En particulier, cette cartographie simulée peut comprendre au moins une canalisation fictive. De cette manière, il est par exemple possible de continuer à propager un signal vibro- acoustique dans un réseau de canalisations fictives s’étendant au-delà du réseau existant et donc de simuler un nombre encore plus important de capteurs vibro- acoustiques virtuels, à des distances encore plus importantes de la fuite documentée. On augmente ainsi encore la taille de la base de données, ce qui renforce encore l’entraînement du modèle d’apprentissage statistique.
[0023] Dans certains modes de réalisation, le nombre de capteurs vibro-acoustiques virtuels est au moins 2 fois supérieur au nombre de capteurs vibro-acoustiques réels.
[0024] Dans certains modes de réalisation, le procédé d’entraînement comprend une étape de localisation de la fuite à partir des signaux vibro-acoustiques des capteurs vibro-acoustiques et des données géométriques de la cartographie numérique du réseau de fluide. On obtient ainsi l’information concernant la localisation de la fuite, ce qui permet d’envoyer le cas échéant un agent de maintenance directement à la bonne adresse afin de caractériser et/ou réparer la fuite.
[0025] Dans certains modes de réalisation, la base de données comprend, pour au moins une fuite documentée, le signal vibro-acoustique effectivement enregistré à proximité de la fuite. On associe ainsi, pour chaque fuite documentée, le signal vibro-acoustique enregistré à la fuite, c’est-à-dire avant toute atténuation ou toute altération due à sa propagation le long du réseau de fluide : un tel signal constitue ainsi une signature primaire de la fuite, particulièrement utile à l’entraînement du modèle d’apprentissage statistique. Ce signal à la fuite peut notamment être enregistré par un agent de maintenance juste avant la réparation de la fuite. Selon l’accessibilité de la fuite, ce signal sera mesuré à moins de 50 m de la fuite, de préférence à moins de 10 m de la fuite, de préférence à moins d’1 m de la fuite.
[0026] Dans certains modes de réalisation, le procédé d’entraînement comprend, pour au moins une fuite documentée, une étape de reconstruction du signal vibro-acoustique au niveau de la fuite à partir des signaux vibro-acoustiques des capteurs vibro-acoustiques et des données géométriques de la cartographie numérique du réseau de fluide. Ceci est une autre méthode pour obtenir une approximation du signal vibro-acoustique à la fuite, notamment lorsqu’il n’est pas possible, ou souhaitable, d’enregistrer le véritable signal directement au niveau de la fuite. On associe ainsi, pour chaque fuite documentée, le signal vibro- acoustique reconstruit à la fuite, c’est-à-dire avant toute atténuation ou toute altération due à sa propagation le long du réseau de fluide : un tel signal constitue ainsi une signature primaire de la fuite, particulièrement utile à l’entraînement du modèle d’apprentissage statistique. Un tel signal reconstruit à la fuite peut notamment être obtenu par la simulation d’un capteur virtuel au niveau ou à proximité de la fuite.
[0027] Dans certains modes de réalisation, le procédé d’entraînement comprend au moins une étape de génération de fuite au cours de laquelle une fuite est artificiellement provoquée au sein du réseau de fluide. Ceci permet d’augmenter le nombre de fuites documentées au sein de la base de données, et donc de renforcer l’entraînement du modèle d’apprentissage statistique, en contrôlant les paramètres de la fuite ainsi générée. Une telle fuite artificielle peut notamment être provoquée en utilisant des ouvrages de type vannes ou poteaux incendie.
[0028] Dans certains modes de réalisation, le procédé d’entraînement comprend, pour au moins une fuite documentée, une étape de bruitage au cours de laquelle du bruit est ajouté à au moins un signal vibro-acoustique effectivement mesuré. Un tel ajout de bruit permet de rendre l’entraînement du modèle d’apprentissage statistique plus robuste. Le bruit ajouté peut notamment comprendre des bruits colorés classiques, blanc ou rose par exemple, et/ou des bruits spécifiques aux réseaux d'eau, tels que le bruit d’une voiture qui passe, d’un compteur mécanique qui tourne ou encore de personnes qui parlent à proximité, pour ne citer que ces exemples.
[0029] Dans certains modes de réalisation, la base de données comprend, pour au moins une fuite documentée, des données structurelles de la canalisation au niveau de la fuite. Ces données structurelles peuvent notamment comprendre le matériau de la canalisation, son diamètre nominal, son épaisseur, sa profondeur ou encore le matériau du sol environnant ou le type de remblai. Ces données sont utiles pour aider le modèle d’apprentissage statistique à tenir compte des variations de signal pouvant apparaître pour une fuite d’un type et d’un débit donnés en fonction des propriétés physiques de la canalisation portant la fuite. De cette manière, le modèle d’apprentissage statistique aura plus de facilité à caractériser les fuites si ces variables contextuelles supplémentaires lui sont données. [0030] Dans certains modes de réalisation, la base de données comprend, pour au moins une fuite documentée, des données contextuelles de réparation parmi le type de remblai utilisé, l’état d’inondation autour de la fuite et/ou une photographie de la fuite. Ces données peuvent notamment servir pour l’entraînement du modèle d’apprentissage statistique.
[0031] Dans certains modes de réalisation, la base de données comprend des données issues de fuites documentées d’un unique réseau de fluide. Le modèle d’apprentissage statistique est alors spécialisé dans la caractérisation des fuites de ce réseau de fluide particulier ; il reste néanmoins apte à caractériser les fuites d’autres réseaux de fluide le cas échéant, avec une précision plus faible.
[0032] Dans certains modes de réalisation, la base de données comprend des données issues de fuites documentées de plusieurs réseaux de fluide. On augmente ainsi la taille de la base de données, ce qui renforce l’entraînement du modèle d'apprentissage statistique. Un poids supérieur peut toutefois être donné aux fuites documentées d’un réseau de fluide particulier lorsque le modèle d'apprentissage statistique est destiné à être appliqué sur ce réseau de fluide particulier.
[0033] Dans certains modes de réalisation, au moins certains capteurs vibro- acoustiques sont des capteurs corrélants partageant directement ou indirectement une horloge commune. De tels capteurs permettent de suivre la propagation d’une onde sonore, ou d’un signal vibratoire, le long du réseau de fluide. Ainsi, grâce à de tels capteurs il est possible d’estimer la distance séparant le capteur de la fuite et donc, à l’aide de plusieurs capteurs, de déterminer la position de la fuite.
[0034] Dans certains modes de réalisation, au moins un capteur vibro-acoustique est prévu au moins tous les 200 m, de préférence au moins tous les 100 m, de préférence encore au moins tous les 50 m, le long du réseau de fluide. Plus le maillage est fin, plus la probabilité d’avoir un nombre important de capteurs à proximité de la fuite, et donc d’avoir un nombre important de signaux exploitables, est importante. En conséquence, plus le maillage est fin, plus la base de données comporte de signaux différents pour une fuite donnée et donc plus l’entraînement du modèle d’apprentissage statistique est efficace. De plus, la distance entre capteurs peut être modulée en fonction du type de matériau composant la canalisation ; en particulier un maillage plus fin est préférable pour les réseaux plastiques.
[0035] Dans certains modes de réalisation, au moins un capteur est installé au niveau d’une bouche à clé du réseau de fluide. Le capteur peut notamment comporter une tête de mesure située au fond du tube allonge, en contact avec la canalisation. Toutefois, naturellement, ceci n’est qu’un exemple d’installation parmi de nombreuses options envisageables. En particulier, les capteurs peuvent être montés sur ou au sein de n’importe quel élément du réseau.
[0036] Dans certains modes de réalisation, le procédé d’entraînement comprend une étape de normalisation aboutissant à convertir le signal vibro-acoustique brut d’au moins un capteur vibro-acoustique en un signal vibro-acoustique normalisé possédant un format prédéterminé. Une telle étape permet notamment d’utiliser des types ou des modèles de capteurs différents et de convertir tous les signaux bruts dans un même format, ce qui permet au modèle d'apprentissage statistique de travailler sur les signaux normalisés, indépendamment du type ou du modèle de capteur effectivement utilisé. En particulier, cette étape de normalisation peut utiliser des fonctions de transfert, déterminées théoriquement ou empiriquement, pour chaque type ou modèle de capteur utilisé. Cette étape peut également introduire artificiellement une perte de qualité par rapport au signal vibro- acoustique brut. Il est ainsi possible de simuler les défauts de certains capteurs, ce qui permet d’améliorer l’entraînement du modèle d’apprentissage statistique. Il est par exemple possible de simuler une compression avec perte. Cette normalisation du signal peut être, notamment, une compression, un repliement spectral, au d'autres techniques de traitement des signaux.
[0037] Dans certains modes de réalisation, le format commun prédéterminé des signaux vibro-acoustiques normalisés est un format sonore, par exemple du type WAVE.
[0038] Dans certains modes de réalisation, le procédé d'entraînement comprend une étape de pré-traitement aboutissant à qualifier et à nettoyer le signal vibro- acoustique d’au moins un capteur vibro-acoustique. Cette étape permet notamment de vérifier si le signal n’est pas corrompu ou pollué par un bruit couvrant le signal, tel qu’un passage de véhicule par exemple, et donc si le signal est exploitable par le modèle d'apprentissage statistique. Elle permet également de nettoyer le signal d’éventuels parasites à l’aide d’un ou plusieurs filtres.
[0039] Dans certains modes de réalisation, le procédé d’entraînement comprend une étape de transformation de la représentation des signaux vibro-acoustiques dans d'autres espaces mathématiques.
[0040] Dans certains modes de réalisation, le procédé d’entraînement comprend une étape de décomposition aboutissant à décomposer le signal vibro-acoustique d’au moins un capteur vibro-acoustique. Il peut notamment s’agir d’une décomposition de Fourier. Le résultat de cette décomposition peut être enregistré dans la base de données et peut servir pour l’entraînement du modèle d’apprentissage statistique.
[0041] Dans certains modes de réalisation, la cartographie numérique du réseau de fluide comprend des données de localisation des vannes et/ou d’autres équipements. De cette manière, il est possible de prévoir et de tenir compte des altérations des signaux vibro-acoustiques lors de leur propagation au travers de ces équipements. On augmente ainsi la précision des simulations et/ou des reconstructions de signaux. En particulier, une fonction de transfert peut être associée à chaque type d’équipement.
[0042] Dans certains modes de réalisation, la cartographie numérique du réseau de fluide comprend des données structurelles du réseau de fluide. Ces données structurelles peuvent notamment comprendre le matériau de chaque canalisation, son diamètre nominal, son épaisseur, sa profondeur ou encore le matériau du sol environnant ou le type de remblai. Ces données sont utiles pour augmenter la précision des simulations et/ou des reconstructions de signaux au sein du réseau de fluide. Elles peuvent également être utilisées pour aider le modèle d'apprentissage statistique à tenir compte des variations de signal pouvant apparaître pour une fuite d’un type et d’un débit donnés en fonction des propriétés physiques de la canalisation portant un capteur vibro-acoustique donné. De cette manière, le modèle d’apprentissage statistique aura plus de facilité à caractériser les fuites si ces variables contextuelles supplémentaires lui sont données. [0043] Dans certains modes de réalisation, le type de fuite est déterminé au moins parmi trois types différents, de préférence au moins parmi cinq types différents. En particulier, le type de fuite peut être déterminé parmi les types suivants : fuite sur conduite, casse de conduite, fuite sur piquage conduite, fuite sur branchement, fuite sur collier, fuite de poteau incendie, fuite après compteur, fuite sur joint, fuite sur vanne, fuite sur ventouse, fuite sur bride, fuite sur presse étoupe, fuite sur un autre réseau à proximité (e.g. assainissement, gaz, etc.), pour ne citer que ces exemples.
[0044] Dans certains modes de réalisation, la base de données comprend également des données, en particulier des signaux vibro-acoustiques, correspondants à des scénarios dépourvus de fuite. Grâce à de tels scénarios dépourvus de fuite, on introduit la possibilité pour le modèle d’apprentissage statistique, une fois entraîné, de conclure à une absence de fuite lorsqu’aucune fuite n’est présente dans le réseau.
[0045] Dans certains modes de réalisation, le modèle d’apprentissage statistique est du type classifieur. Autrement dit, le débit de fuite est déterminé parmi des plages de débit prédéterminées. Ces plages peuvent posséder des largeurs constantes ou variables. De préférence, la largeur de chaque plage est inférieure ou égale à 10 m3/h, de préférence encore inférieure ou égale à 5 m3/h.
[0046] Dans certains modes de réalisation, le modèle d’apprentissage statistique est du type regresseur. Autrement dit, le débit de fuite est déterminé aussi précisément que possible, avec une certaine marge d’erreur. De préférence, cette marge d’erreur est inférieure ou égale à 10% ou encore inférieure ou égale à 10 m3/h ou à 5 m3/h. Dans certains modes de réalisation, le réseau de fluide est un réseau d’eau. Il s’agit de préférence d’un réseau de distribution d’eau, potable, en charge.
[0047] Dans certains modes de réalisation, le modèle d’apprentissage statistique est un réseau de neurones.
[0048] Dans certains modes de réalisation, le réseau de neurones est du type convolutif avec de préférence au moins deux couches convolutives de filtre temporels s’appliquant sur les signaux vibratoires et au moins deux couches non convolutives. Les couches non convolutives peuvent s’appliquer aux résultats des couches convolutives et/ou aux données contextuelles.
[0049] Dans certains modes de réalisation, les couches convolutives du réseau de neurones contiennent des filtres temporels de taille entre 25 et 100 ms appliquées sur les signaux vibratoires. Les couches convolutives sont organisées de telle sorte que le nombre de filtres augmente à chaque couche. Les couches simples sont organisées de telle sorte que le nombre de neurones puisse diminuer jusqu’à l'estimation finale. Pour éviter le surapprentissage, la technique d’abandon peut être utilisée entre 30 et 70%. Pour obtenir une estimation de l’incertitude, un réseau bayésien peut être utilisé.
[0050] Dans certains modes de réalisation, le modèle d’apprentissage statistique est une forêt d'arbres décisionnels, une machine à support de vecteur, ou encore une régression non linéaire.
[0051] Le présent exposé concerne également un procédé de caractérisation de fuite dans un réseau de fluide, dans lequel le réseau de fluide est équipé d’une pluralité de capteurs vibro-acoustiques configurés pour fournir des signaux vibro- acoustiques, et dans lequel un modèle d’apprentissage statistique reçoit en entrée au moins un signal vibro-acoustique obtenu directement ou indirectement à partir d’au moins un capteur vibro-acoustique et fournit en sortie au moins une donnée de caractérisation de la fuite parmi le type de fuite et le débit de fuite.
[0052] Ainsi, grâce un tel modèle d’apprentissage statistique, il est possible d’obtenir des informations sur le type et/ou le débit, c’est-à-dire la gravité, de la fuite sans investir des moyens importants dans l’instrumentation hydraulique du réseau de fluide. De plus, cette estimation peut se faire à distance. Le procédé de caractérisation est également capable de conclure à l’absence de fuite si, lors de l’analyse des signaux, le modèle d’apprentissage statistique ne détecte aucune fuite.
[0053] En conséquence, grâce à un tel procédé, il est possible de prioriser les réparations à mener au sein du réseau de fluide, ce qui optimise les coûts de maintenance et augmente donc le rendement global du réseau de fluide.
[0054] Dans certains modes de réalisation, le modèle d’apprentissage statistique reçoit en entrée les signaux vibro-acoustiques de plusieurs capteurs vibro- acoustiques. En particulier, le modèle d’apprentissage statistique peut recevoir les signaux de tous les capteurs vibro-acoustiques du réseau de fluide, ou bien d’une partie d’entre eux seulement, par exemple les capteurs les plus proches de la fuite ou bien ceux fournissant un signal présentant un niveau et/ou une qualité supérieurs à un certain seuil.
[0055] Dans certains modes de réalisation, le réseau de fluide est doté d’une cartographie numérique comprenant au moins la géométrie du réseau de fluide et la localisation desdits capteurs vibro-acoustiques. Cette cartographie numérique peut être conforme à la cartographie réelle ou bien comprendre des éléments cartographiques simulés. Ces éléments cartographiques simulés permettent de compléter la cartographie numérique lorsque certains éléments de la cartographie réelle sont inconnus. Ces éléments cartographiques simulés peuvent également permettre de simuler des scénarios alternatifs en substituant un élément cartographique réel par un éléments cartographie simulé, par exemple en modifiant virtuellement le diamètre d’une canalisation, ou encore en simulant des canalisations fictives dans le prolongement du réseau existant.
[0056] Dans certains modes de réalisation, le procédé de caractérisation comprend une étape de simulation d’au moins un capteur vibro-acoustique virtuel possédant une localisation virtuelle enregistrée dans la cartographie numérique du réseau de fluide et un signal vibro-acoustique simulé à partir des signaux vibro-acoustiques des capteurs vibro-acoustiques réels et des données géométriques de la cartographie numérique du réseau de fluide. Un tel signal vibro-acoustique simulé peut notamment être obtenu par simulation numérique de la propagation acoustique. En particulier, une telle résolution peut s’appuyer sur l’utilisation de fonctions de transfert, déterminées par exemple à l’aide d’essais en laboratoire ou en conditions réelles, associées à chaque élément du réseau de fluide.
[0057] Dans certains modes de réalisation, le réseau de neurones reçoit en entrée au moins un signal vibro-acoustique simulé.
[0058] Dans certains modes de réalisation, l’étape de simulation d’au moins un capteur vibro-acoustique virtuel se fonde sur la véritable cartographie du réseau. [0059] Dans certains modes de réalisation, l’étape de simulation d’au moins un capteur vibro-acoustique virtuel se fonde sur une cartographie simulée comprenant au moins un élément cartographique simulé. En particulier, cette cartographie simulée peut comprendre au moins une canalisation fictive. [0060] Dans certains modes de réalisation, le nombre de capteur vibro-acoustiques virtuels est au moins 2 fois supérieur au nombre de capteurs vibro-acoustiques réels.
[0061] Dans certains modes de réalisation, le procédé de caractérisation comprend une étape de localisation de la fuite à partir des signaux vibro-acoustiques des capteurs vibro-acoustiques et des données géométriques de la cartographie numérique du réseau de fluide. On obtient ainsi l’information concernant la localisation de la fuite, ce qui permet d’envoyer le cas échéant un agent de maintenance directement à la bonne adresse afin de réparer la fuite. La localisation de la fuite peut également être prise en compte dans l’évaluation de la priorité de réparation de cette fuite.
[0062] Dans certains modes de réalisation, le procédé de caractérisation comprend une étape de reconstruction du signal vibro-acoustique au niveau de la fuite à partir des signaux vibro-acoustiques des capteurs vibro-acoustiques et des données géométriques de la cartographie numérique du réseau de fluide. On obtient ainsi une approximation du signal vibro-acoustique généré au niveau de la fuite, c’est-à-dire avant toute atténuation ou toute altération due à sa propagation le long du réseau de fluide : un tel signal, constituant une signature primaire de la fuite, apporte une quantité d’information importante au modèle d’apprentissage statistique, ce qui facilite la caractérisation. Un tel signal à la source peut notamment être obtenu par simulation numérique de la propagation acoustique. En particulier, une telle résolution peut s’appuyer sur l’utilisation de fonctions de transfert associées à chaque élément du réseau de fluide. Un tel signal reconstruit à la fuite peut notamment être obtenu par la simulation d’un capteur virtuel au niveau ou à proximité de la fuite. [0063] Dans certains modes de réalisation, le modèle d’apprentissage statistique reçoit en entrée au moins le signal vibro-acoustique reconstruit au niveau de la fuite. [0064] Dans certains modes de réalisation, au moins certains capteurs vibro- acoustiques sont des capteurs corrélants partageant directement ou indirectement une horloge commune. De tels capteurs permettent de suivre la propagation d’une onde sonore, ou d’un signal vibratoire, le long du réseau de fluide. Ainsi, grâce à de tels capteurs il est possible d’estimer la distance séparant le capteur de la fuite et donc, à l’aide de plusieurs capteurs, de déterminer la position de la fuite.
[0065] Dans certains modes de réalisation, au moins un capteur vibro-acoustique est prévu au moins tous les 200 m, de préférence au moins tous les 100 m, de préférence encore au moins tous les 50 m, le long du réseau de fluide. Plus le maillage est fin, plus la probabilité d’avoir un nombre important de capteurs à proximité de la fuite, et donc d’avoir un nombre important de signaux exploitables, est importante. En conséquence, plus le maillage est fin, plus la base de données comporte de signaux différents pour une fuite donnée et donc plus l’entraînement du modèle d’apprentissage statistique est efficace. De plus, la distance entre capteurs peut être modulée en fonction du type de matériau composant la canalisation ; en particulier un maillage plus fin est préférable pour les réseaux plastiques.
[0066] Dans certains modes de réalisation, au moins un capteur est installé au niveau d’une bouche à clé du réseau de fluide. Le capteur peut notamment comporter une tête de mesure située au fond du tube allonge, en contact avec la canalisation. Toutefois, naturellement, ceci n’est qu’un exemple d’installation parmi de nombreuses options envisageables. En particulier, les capteurs peuvent être monté sur ou au sein de n’importe quel élément du réseau.
[0067] Dans certains modes de réalisation, le procédé de caractérisation comprend une étape de normalisation aboutissant à convertir le signal vibro-acoustique brut d’au moins un capteur vibro-acoustique en un signal vibro-acoustique normalisé possédant un format prédéterminé. Une telle étape permet notamment d’utiliser des types ou des modèles de capteurs différents et de convertir tous les signaux bruts dans un même format, ce qui permet au modèle d'apprentissage statistique de travailler sur les signaux normalisés, indépendamment du type ou du modèle de capteur effectivement utilisé. En particulier, cette étape de normalisation peut utiliser des fonctions de transfert, déterminées théoriquement ou empiriquement, pour chaque type ou modèle de capteur utilisé.
[0068] Dans certains modes de réalisation, le format commun prédéterminé des signaux vibro-acoustiques normalisés est un format sonore, par exemple du type WAVE.
[0069] Dans certains modes de réalisation, le procédé de caractérisation comprend une étape de pré-traitement aboutissant à qualifier et à nettoyer le signal vibro- acoustique d’au moins un capteur vibro-acoustique. Cette étape permet notamment de vérifier si le signal n’est pas corrompu ou pollué par un bruit couvrant le signal, tel qu’un passage de véhicule par exemple, et donc si le signal est exploitable par le modèle d'apprentissage statistique. Elle permet également de nettoyer le signal d’éventuels parasites à l’aide d’un ou plusieurs filtres.
[0070] Dans certains modes de réalisation, le procédé de caractérisation comprend une étape de transformation de la représentation des signaux vibro-acoustiques dans d'autres espaces mathématiques.
[0071] Dans certains modes de réalisation, le procédé de caractérisation comprend une étape de décomposition aboutissant à décomposer le signal vibro- acoustique d’au moins un capteur vibro-acoustique. Il peut notamment s’agir d’une décomposition de Fourier. Le résultat de cette décomposition peut être fourni en entrée du modèle d'apprentissage statistique, à la place ou en plus du signal original. Ceci peut faciliter la caractérisation par le modèle d'apprentissage statistique.
[0072] Dans certains modes de réalisation, la cartographie numérique du réseau de fluide comprend des données de localisation des vannes et/ou d’autres équipements. De cette manière, il est possible de prévoir et de tenir compte des altérations des signaux vibro-acoustiques lors de leur propagation au travers de ces équipements. On augmente ainsi la précision des simulations et/ou des reconstructions de signaux. En particulier, une fonction de transfert peut être associée à chaque type d’équipement.
[0073] Dans certains modes de réalisation, la cartographie numérique du réseau de fluide comprend des données structurelles du réseau de fluide. Ces données structurelles peuvent notamment comprendre le matériau de la canalisation, son diamètre nominal, son épaisseur, sa profondeur ou encore le matériau environnant. Ces données sont utiles pour aider le modèle d'apprentissage statistique à tenir compte des variations de signal pouvant apparaître pour une fuite d’un type et d’un débit donnés en fonction des propriétés physiques de la canalisation portant la fuite. De cette manière, le modèle d'apprentissage statistique a plus de facilité à caractériser les fuites, indépendamment de la taille ou du matériau des canalisations concernées.
[0074] Dans certains modes de réalisation, le type de fuite est déterminé au moins parmi 3 types différents, de préférence au moins parmi 5 types différents. En particulier, le type de fuite peut être déterminé parmi les types suivants : fuite sur conduite, casse de conduite, fuite sur piquage conduite, fuite sur branchement, fuite sur collier, fuite de poteau incendie, fuite après compteur, fuite sur joint, fuite sur vanne, fuite sur ventouse, fuite sur bride, fuite sur presse étoupe, fuite sur un autre réseau à proximité (e.g. assainissement, gaz, etc.), pour ne citer que ces exemples.
[0075] Dans certains modes de réalisation, le modèle d’apprentissage statistique est du type classifieur. Autrement dit, le débit de fuite est déterminé parmi des plages de débit prédéterminées. Ces plages peuvent posséder des largeurs constantes ou variables. De préférence, la largeur de chaque plage est inférieure ou égale à 10 m3/h, de préférence encore inférieure ou égale à 5 m3/h.
[0076] Dans certains modes de réalisation, le modèle d’apprentissage statistique est du type regresseur. Autrement dit, le débit de fuite est déterminé aussi précisément que possible, avec une certaine marge d’erreur. De préférence, cette marge d’erreur est inférieure ou égale à 10% ou encore inférieure ou égale à 10 m3/h ou à 5 m3/h.
[0077] Dans certains modes de réalisation, le réseau de fluide est un réseau d’eau. Il s’agit de préférence d’un réseau de distribution d’eau, potable, en charge.
[0078] Dans certains modes de réalisation, le réseau de neurones est du type convolutif avec de préférence au moins deux couches convolutives de filtre temporels s’appliquant sur les signaux vibratoires et au moins deux couches non convolutives. Les couches non convolutives peuvent s’appliquer aux résultats des couches convolutives et/ou aux données contextuelles. [0079] Dans certains modes de réalisation, les couches convolutives du réseau de neurones contiennent des filtres temporels de taille entre 25 et 100ms appliquées sur les signaux vibratoires. Les couches convolutives sont organisées de telle sorte que le nombre de filtres augmente à chaque couche. Les couches simples sont organisées de telle sorte que le nombre de neurones puisse diminuer jusqu’à l'estimation finale. Pour éviter le surapprentissage, la technique d’abandon peut être utilisée entre 30 et 70%. Pour obtenir une estimation de l’incertitude, un réseau bayésien peut être utilisé.
[0080] Dans certains modes de réalisation, le modèle d’apprentissage statistique est une forêt d'arbres décisionnels, une machine à support de vecteur, ou encore une régression non linéaire.
[0081] Dans certains modes de réalisation, le modèle d’apprentissage statistique a été entraîné à l’aide d’un procédé d’entraînement selon l’un quelconque des modes de réalisation décrits ci-avant.
[0082] Dans certains modes de réalisation, le procédé de caractérisation comprend une étape de vérification au cours de laquelle le type et/ou le débit de la fuite caractérisée par le modèle d'apprentissage statistique est effectivement vérifié puis enregistré dans la base de données afin de compléter l’entraînement du modèle d'apprentissage statistique.
[0083] Le présent exposé concerne également un module de caractérisation de fuite dans un réseau de fluide, le réseau de fluide étant équipé d’une pluralité de capteurs vibro-acoustiques configurés pour fournir des signaux vibro-acoustiques comprenant un modèle d’apprentissage statistique configuré pour recevoir en entrée au moins un signal vibro-acoustique obtenu directement ou indirectement à partir d’au moins un capteur vibro-acoustique et pour fournir en sortie au moins une donnée de caractérisation de la fuite parmi le type de fuite et le débit de fuite.
[0084] Les avantages de ce module de caractérisation découlent des avantages décrits ci-avant pour le procédé de caractérisation. De plus, ce module de caractérisation peut présenter tout ou partie des caractérisations additionnelles décrites ci-avant au sujet du procédé d’entraînement et/ou du procédé de caractérisation. [0085] Le présent exposé concerne également un réseau de fluide, comprenant une pluralité de capteurs vibro-acoustiques configurés pour fournir des signaux vibro- acoustiques, et un module de caractérisation selon l’un quelconque des modes de réalisation précédents.
[0086] Le présent exposé concerne également un programme d’ordinateur comprenant des instructions pour exécuter les étapes du procédé d’entraînement ou du procédé de caractérisation décrits ci-avant lorsque le programme est exécuté par un ordinateur.
[0087] Les caractéristiques et avantages précités, ainsi que d'autres, apparaîtront à la lecture de la description détaillée qui suit, d'exemples de réalisation du procédé d’entraînement, du procédé de caractérisation et du module de caractérisation proposés. Cette description détaillée fait référence aux dessins annexes.
Brève description des dessins
[0088] Les dessins annexés sont schématiques et visent avant tout à illustrer les principes de l’exposé.
[0089] Sur ces dessins, d’une figure à l’autre, des éléments (ou parties d’élément) identiques sont repérés par les mêmes signes de référence. En outre, des éléments (ou parties d'élément) appartenant à des exemples de réalisation différents mais ayant une fonction analogue sont repérés sur les figures par des références numériques incrémentées de 100, 200, etc.
[0090] [Fig. 1] La figure 1 est un schéma d’ensemble d’un réseau de fluide équipé d’un module de caractérisation de fuite.
[0091] [Fig. 2] La figure 2 est un schéma d’ensemble d’un module de caractérisation de fuite.
[0092] [Fig. 3] La figure 3 illustre la détection d’une fuite au sein du réseau de fluide de la figure 1.
[0093] [Fig. 4] La figure 4 illustre l’obtention du signal vibro-acoustique au niveau de la fuite. [0094] [Fig. 5] La figure 5 illustre un premier exemple d’entraînement d’un réseau de neurones.
[0095] [Fig. 6] La figure 6 illustre un premier exemple de caractérisation de fuite à l’aide de ce réseau de neurones.
[0096] [Fig. 7] La figure 7 illustre la simulation de capteurs vibro-acoustiques virtuels.
[0097] [Fig. 8] La figure 8 illustre un deuxième exemple d’entraînement d’un réseau de neurones.
[0098] [Fig. 9] La figure 9 illustre un deuxième exemple de caractérisation de fuite à l’aide de ce réseau de neurones.
Description des modes de réalisation
[0099] Afin de rendre plus concret l’exposé, des exemples de procédés d’entraînement, de procédés de caractérisation et de modules de caractérisation sont décrits en détail ci-après, en référence aux dessins annexés. Il est rappelé que l'invention ne se limite pas à ces exemples.
[0100] La figure 1 représente un schéma de réseau de fluide 1 , en l’espèce un réseau de distribution d’eau potable. Ce réseau de fluide 1 possède une pluralité de canalisations 2 sur lesquelles sont montés une pluralité de capteurs vibro- acoustiques 3, ici des capteurs acoustiques du type accéléromètre. Le réseau de fluide possède également un module de caractérisation de fuite 10 qui peut être hébergé au sein d’un ordinateur de la régie du réseau de fluide 1 ou bien au sein d’un serveur distant. Le réseau de fluide 1 comprend en outre des capteurs de sectorisation, et en particulier des débitmètres et des manomètres.
[0101] La figure 2 illustre les éléments principaux de ce module de caractérisation de fuite 10. Il comprend ainsi une cartographie numérique 11 du réseau de fluide 1 , une base de données de fuites 12, un réseau de neurones 13 (formant un modèle d’apprentissage statistique), une unité de calcul 14 et une mémoire 15 ; il comprend également tous les éléments électroniques permettant de faire fonctionner un tel module électronique : alimentation, interfaces utilisateur etc. [0102] La cartographie numérique 11 comprend la géométrie du réseau de fluide 1 , c’est-à-dire la position, l’orientation et la longueur de toutes les canalisations 2, ainsi que la position de tous les équipements du réseau, c’est-à-dire les vannes, les colliers de jonction, les branchements, les bouches à clés etc. La cartographie numérique 11 comprend en outre la localisation de tous les capteurs vibro-acoustiques 3 mais également des capteurs de sectorisation.
[0103] La cartographie numérique 11 comprend également des données structurelles les plus complètes possibles pour l’ensemble du réseau 1 , et notamment, autant que possible, le matériau de chaque canalisation, son diamètre nominal, son épaisseur, sa profondeur ou encore le matériau du sol environnant.
[0104] La base de données 12 compile pour sa part autant de données que possible au sujet des fuites identifiées et caractérisées par le passé au sein du réseau de fluide 1. Sa construction sera décrite plus en détail ci-après.
[0105] Dans le présent exemple, le réseau de neurones 13 est un réseau convolutif du type regresseur comprenant deux couches convolutives de filtre temporels et deux couches non convolutives. Les couches du réseau de neurones 13 contiennent des filtres temporels de taille entre 25 et 100 ms. Les couches convolutives sont organisées de telle sorte que le nombre de filtres augmente à chaque couche. Les couches simples sont organisées de telle sorte que le nombre de neurones diminue jusqu’à l'estimation finale. Pour éviter le surapprentissage, la technique d’abandon est utilisée entre 30 et 70%. De plus, pour obtenir une estimation de l’incertitude, un réseau bayésien est utilisé.
[0106] L’unité de calcul 14 peut notamment prendre la forme d’un processeur : elle est notamment programmée pour être capable de résoudre des problèmes numérique de propagation d’une onde sonore le long du réseau de fluide 1 , sur la base des données géométriques et structurelles de la cartographie numérique 11.
[0107] La mémoire 15 peut prendre n’importe quelle forme de stockage de données. Elle comprend notamment les équations théoriques de propagation des ondes sonores le long d’une canalisation. Elle comprend également une bibliothèque de fonctions de transfert, établies théoriquement ou empiriquement à l’aide d’essais en laboratoire ou sur site, permettant de simuler la déformation subie par un signal vibro-acoustique lors de son passage au travers d’un équipement particulier du réseau de fluide 1 , en particulier une vanne, un coude, un branchement, ou encore un collier. Cette bibliothèque comprend également des fonctions de transfert permettant de convertir le signal brut d’un capteur vibro- acoustique d’un type et d’un modèle donné vers un format de référence commun du type onde sonore, par exemple sous la forme d’un fichier son de type WAVE.
[0108] Dans un tel réseau de fluide 1 , toute fuite génère un bruit caractéristique qui se propage le long des canalisations 2 et qui peut donc être détecté et enregistré par des capteurs vibro-acoustiques 3 tels que des microphones, des géophones, des hydrophones ou des accéléromètres. Ainsi, comme cela est représenté sur la figure 3, en présence d’une fuite 20, les capteurs vibro-acoustiques 3 du réseau 1 enregistrent chacun un signal 21 révélant la présence de la fuite 20. Toutefois, en raison de leurs positions différentes au sein du réseau de fluide 1 , chaque capteur 3 enregistre un signal 21 légèrement différent : en particulier, le niveau du signal est d’autant plus atténué que le capteur 3 est éloigné la fuite 20; de plus, la forme du signal peut également être altérée au cours de la propagation, notamment lors de la traversée de certains équipements du réseau 1.
[0109] L’étude de cette atténuation et/ou de ces altérations permet alors de localiser plus ou moins précisément la fuite 20. De plus, dans le présent exemple, les capteurs vibro-acoustiques 3 sont corrélants, c’est-à-dire qu’ils partagent tous une horloge commune : de cette manière, il est possible de mesurer le retard entre les différents signaux 21 , ce qui permet, la vitesse de propagation du son le long des canalisations 2 étant connue pour un matériau donné et enregistré dans la cartographie numérique 11 , de déterminer la distance séparant chaque capteur 3 de la fuite 20. De tels capteurs corrélants permettent alors de localiser plus facilement la fuite 20 par recoupement des données de plusieurs capteurs 3.
[0110] Une fois la fuite 20 ainsi localisée, il est possible de se rendre sur place pour procéder à son excavation et à sa réparation. A cette occasion, il est également possible de déterminer son type Tf, c’est-à-dire déterminer s’il s’agit d’une fuite causée par une fissure, par un piquage ou encore par un joint défectueux, par exemple au niveau d’un collier ou d’un branchement. [0111] Une fois la fuite 20 ainsi réparée, l’unité de calcul 14 est capable de déterminer automatiquement le débit Qf que présentait cette fuite 20 par comparaison des données de sectorisations avant et après la réparation.
[0112] De plus, comme cela est représenté sur la figure 4, il est également possible à cette occasion d’enregistrer le signal vibro-acoustique 22 généré par la fuite 20 précisément au niveau de la fuite.
[0113] De manière alternative ou complémentaire, il est également possible de reconstruire le signal vibro-acoustique à la fuite 22 à partir des signaux 21 des capteurs vibro-acoustiques 3. Une telle reconstruction est réalisée par l’unité de calcul 14 par simulation numérique de la propagation acoustique à partir des données géométriques et structurelles contenues dans la cartographie numérique 11 ainsi que des équations de propagation et des fonctions de transfert enregistrées dans la mémoire 15.
[0114] L’entraînement du réseau de neurones 13 est alors représenté sur la figure 5. Pour chaque fuite 20 identifiée et caractérisée par un opérateur, l’ensemble des données relatives à cette fuite 20 est enregistré dans la base de données 12 : en particulier, la caractérisation, comprenant le type de fuite Tf et le débit de fuite Qf, est enregistrée en association avec le signal vibro-acoustique à la fuite 22.
[0115] Des données structurelles de la canalisation 2 portant la fuite 20 sont également enregistrées dans la base de données 12 : ces données structurelles comprennent le matériau de la canalisation, son diamètre nominal, son épaisseur, sa profondeur ainsi que le matériau du sol environnant. Des données contextuelles de réparation, telles que le type de remblai utilisé, l’état d’inondation autour de la fuite ou encore une photographie de la fuite, peuvent également être enregistrées dans la base de données 12.
[0116] Une fois qu’un grand nombre de fuites 20 a ainsi été répertorié dans la base de données 12, le réseau de neurones 13 est appliqué sur la base de données 12 afin de réaliser son entraînement initial. Une fois l’entraînement initial terminé, le réseau de neurones13 peut alors être utilisé pour caractériser automatiquement de nouvelles fuites 20.
[0117] Concrètement, le module de caractérisation de fuite 10 reçoit en permanence les signaux 21 enregistrés par les capteurs vibro-acoustiques 3. Dans la mesure où le réseau de fluide 1 peut comprendre des types ou des modèles de capteurs vibro-acoustiques 3 différents, l’ensemble des signaux 21 ainsi enregistrés sont convertis, au cours d’une étape de normalisation, dans un format commun à l’aide des fonctions de transfert enregistrées dans la mémoire 15.
[0118] De plus, chaque signal 21 subit une étape de qualification au cours de laquelle il est vérifié que le signal 21 n’est pas corrompu et n’a pas été rendu inexploitable par un bruit parasite trop important tel le passage d’un véhicule par exemple. Les signaux 21 ainsi qualifiés subissent ensuite une étape de nettoyage au cours de laquelle ils sont filtrés afin de retirer la plupart des parasites.
[0119] Dès lors, lorsqu’une nouvelle fuite 20 est présente dans le réseau 1 , le module de caractérisation de fuite 10 détecte l’apparition d’un signal représentatif d’une fuite dans le signal vibro-acoustique 21 d’un ou plusieurs capteurs vibro- acoustiques 3. Le module de caractérisation 10 réalise alors la localisation de la fuite 20 puis la reconstruction du signal vibro-acoustique à la fuite 22 comme cela a été décrit ci-avant.
[0120] Comme cela est représenté sur la figure 6, le signal vibro-acoustique à la fuite 22 est alors transmis en entrée du réseau de neurones 13 : grâce à son entraînement, le réseau de neurones 13 est alors capable de donner en sortie la caractérisation de la fuite 20, c’est-à-dire son type Tf et/ou son débit Qf.
[0121] Les données structurelles de la canalisation 2 portant la fuite 20, issues de la cartographie numérique 11, peuvent également être transmises en entrée du réseau de neurone 13 afin de faciliter la caractérisation et, le cas échéant, augmenter la précision de cette dernière. De plus, plus l’entraînement du réseau de neurone 13 est important, plus la précision de la caractérisation est fine : en particulier, il est possible d’espérer une estimation du débit Qf précise à 10% près ou à 5 m3/h près.
[0122] Afin d’augmenter encore plus la facilité et la précision de la caractérisation, il est également possible d’inclure dans l’entraînement, puis dans les données d’entrée fournies au réseau de neurones 13, l’ensemble des signaux vibro- acoustiques 21 enregistrés par les capteurs vibro-acoustiques 3, en complément ou à la place du signal vibro-acoustique à la fuite 22. [0123] Les figures 7 à 9 illustrent une autre méthode permettant d’augmenter toujours plus la facilité et la précision de la caractérisation. Dans cette variante, le réseau de fluide 101 comprend les mêmes capteurs vibro-acoustiques 103 que dans le premier exemple. Toutefois, en plus de ces capteurs réels 103, le réseau de fluide 101 comprend maintenant également des capteurs vibro-acoustiques virtuels 104.
[0124] Ces capteurs vibro-acoustiques virtuels 104 sont positionnés dans la cartographie numérique 11 de manière à réduire la distance séparant deux capteurs, réels ou virtuels. Par exemple, deux capteurs virtuels 104 peuvent être simulés entre deux capteurs réels 103 consécutifs.
[0125] L’unité de calcul 14 est alors capable, pour chaque capteur virtuel 104, de simuler le signal vibro-acoustique 123 qui serait effectivement enregistré si un capteur réel était prévu à cet emplacement. Cette simulation est possible à partir des signaux vibro-acoustiques 121 des capteurs réels 103 prévu à proximité du capteur virtuel 104 considéré, en résolvant la simulation numérique de propagation acoustique à l’aide des équations de propagation et des fonctions de transfert enregistrées dans la mémoire 15 du module de caractérisation 10.
[0126] L’ensemble des signaux vibro-acoustiques réels 121, reconstruit à la fuite 122 et simulés 123 d’une fuite donnée 120 peuvent alors être enregistrés dans la base de données 112, ce qui augmente la quantité de données sur lesquelles le réseau de neurones 113 peut réaliser son entraînement.
[0127] De plus, afin de renforcer la robustesse de l’entraînement, chaque signal 121 , 122, 123 enregistré dans la base de donnée peut subir une étape de bruitage au cours de laquelle du bruit est ajouté au signal 121 , 122, 123.
[0128] En conséquence, lors de l’apparition d’une nouvelle fuite 120, le réseau de neurones 113 est capable de caractériser plus facilement et avec plus de précision la nouvelle fuite 120, même en ne lui fournissant en entrée que les signaux vibro-acoustiques réels 121 par exemple. Naturellement, il est également possible de fournir au réseau de neurones 113, en complément ou à la place des signaux acoustiques réels 121 , le signal reconstruit à la source 122 et/ou des signaux simulés 123. [0129] Bien que la présente invention ait été décrite en se référant à des exemples de réalisation spécifiques, il est évident que des modifications et des changements peuvent être effectués sur ces exemples sans sortir de la portée générale de l'invention telle que définie par les revendications. En particulier, des caractéristiques individuelles des différents modes de réalisation illustrés/mentionnés peuvent être combinées dans des modes de réalisation additionnels. Par conséquent, la description et les dessins doivent être considérés dans un sens illustratif plutôt que restrictif.
[0130] Il est également évident que toutes les caractéristiques décrites en référence à un procédé sont transposables, seules ou en combinaison, à un dispositif, et inversement, toutes les caractéristiques décrites en référence à un dispositif sont transposables, seules ou en combinaison, à un procédé.

Claims

Revendications
[Revendication 1] Procédé d'entraînement d'un modèle d’apprentissage statistique (13) destiné à la caractérisation de fuite dans un réseau de fluide (1) comportant une pluralité de canalisations (2), dans lequel le réseau de fluide (1) est équipé d'une pluralité de capteurs vibro-acoustiques (3) configurés pour fournir des signaux vibro- acoustiques (21), comprenant la construction d'une base de données (12) associant, au moins pour une pluralité de fuites documentées (20), au moins une donnée de caractérisation de la fuite (20) effectivement déterminée parmi le type de fuite (Tf) et le débit de fuite (Qf) avec au moins un signal vibro-acoustique obtenu directement ou indirectement à partir d'au moins un capteur vibro- acoustique (3), et comprenant l'entraînement du modèle d'apprentissage statistique (13) sur la base de données (12) ainsi construite.
[Revendication 2] Procédé d'entraînement selon la revendication 1, dans lequel le réseau de fluide est équipé d'au moins un capteur de débit fournissant des données de sectorisation, et dans lequel le procédé d'entraînement comprend, pour au moins une fuite documentée, une étape de détermination du débit de fuite à l'aide des données de sectorisation.
[Revendication 3] Procédé d'entraînement selon la revendication 1 ou 2, dans lequel le réseau de fluide (1) est doté d'une cartographie numérique (11) comprenant au moins la géométrie du réseau de fluide (1) et la localisation desdits capteurs vibro-acoustiques (3).
[Revendication 4] Procédé d'entraînement selon la revendication 3, comprenant, pour au moins une fuite documentée (120), une étape de simulation d'au moins un capteur vibro-acoustique virtuel (104) possédant une localisation virtuelle enregistrée dans la cartographie numérique (11) du réseau de fluide (101) et un signal vibro-acoustique simulé (123) à partir des signaux vibro-acoustiques effectivement mesurés (121) des capteurs vibro- acoustiques réels (103) et des données géométriques de la cartographie numérique (11) du réseau de fluide (101).
[Revendication 5] Procédé d'entraînement selon la revendication 3 ou 4, comprenant une étape de localisation de la fuite à partir des signaux vibro- acoustiques des capteurs vibro-acoustiques et des données géométriques de la cartographie numérique du réseau de fluide, et comprenant, pour au moins une fuite documentée, une étape de reconstruction du signal vibro-acoustique au niveau de la fuite à partir des signaux vibro-acoustiques des capteurs vibro-acoustiques et des données géométriques de la cartographie numérique du réseau de fluide.
[Revendication 6] Procédé d'entraînement selon l'une quelconque des revendications 1 à 5, dans lequel la base de données (12) comprend, pour au moins une fuite documentée (20), des données structurelles de la canalisation (2) au niveau de la fuite (20).
[Revendication 7] Procédé d'entraînement selon l'une quelconque des revendications 1 à 6, comprenant une étape de normalisation aboutissant à convertir le signal vibro-acoustique brut d'au moins un capteur vibro- acoustique (3) en un signal vibro-acoustique normalisé possédant un format prédéterminé.
[Revendication 8] Procédé d'entraînement selon l'une quelconque des revendications 1 à 7 dans lequel le modèle d'apprentissage statistique est un réseau de neurones (13), de préférence contenant deux couches convolutives s'appliquant sur les signaux vibratoires.
[Revendication 9] Procédé de caractérisation de fuite dans un réseau de fluide comportant une pluralité de canalisations (2), dans lequel le réseau de fluide (1) est équipé d'une pluralité de capteurs vibro-acoustiques (3) configurés pour fournir des signaux vibro-acoustiques (21), dans lequel un modèle d'apprentissage statistique (13) reçoit en entrée au moins un signal vibro-acoustique (22) obtenu directement ou indirectement à partir d'au moins un capteur vibro-acoustique (3) et fournit en sortie au moins une donnée de caractérisation de la fuite parmi le type de fuite (Tf) et le débit de fuite (Qf), et dans lequel le modèle d'apprentissage statistique (13) a été entraîné à l'aide d'un procédé d'entraînement selon l'une quelconque des revendications 1 à 8.
[Revendication 10] Procédé de caractérisation de fuite selon la revendication 9, dans lequel le réseau de fluide (1) est doté d'une cartographie numérique (11) comprenant au moins la géométrie du réseau de fluide (1) et la localisation desdits capteurs vibro-acoustiques (3).
[Revendication 11] Procédé de caractérisation selon la revendication 10, comprenant une étape de localisation de la fuite (20) à partir des signaux vibro-acoustiques (21) des capteurs vibro-acoustiques (3) et des données géométriques de la cartographie numérique (11) du réseau de fluide (1), comprenant une étape de reconstruction du signal vibro-acoustique au niveau de la fuite (22) à partir des signaux vibro-acoustiques (21) des capteurs vibro- acoustiques (3) et des données géométriques de la cartographie numérique (11) du réseau de fluide (1), et dans lequel le modèle d’apprentissage statistique (13) reçoit en entrée au moins le signal vibro-acoustique reconstruit au niveau de la fuite (22).
[Revendication 12] Procédé de caractérisation selon la revendication 10 ou 11, dans lequel la cartographie numérique (11) du réseau de fluide (1) comprend des données structurelles du réseau de fluide (1).
[Revendication 13] Module de caractérisation de fuite dans un réseau de fluide, le réseau de fluide (1) étant équipé d'une pluralité de capteurs vibro- acoustiques (3) configurés pour fournir des signaux vibro-acoustiques (21), et comprenant un modèle d'apprentissage statistique (13), configuré pour recevoir en entrée au moins un signal vibro-acoustique (22) obtenu directement ou indirectement à partir d'au moins un capteur vibro-acoustique (3) et pour fournir en sortie au moins une donnée de caractérisation de la fuite parmi le type de fuite (Tf) et le débit de fuite (Qf), dans lequel le modèle d'apprentissage statistique (13) a été entraîné à l'aide d'un procédé d'entraînement selon l'une quelconque des revendications 1 à 8. [Revendication 14] Réseau de fluide, comprenant une pluralité de capteurs vibro-acoustiques (3) configurés pour fournir des signaux vibro-acoustiques (21), et un module de caractérisation (10) selon la revendication 13. [Revendication 15] Programme d'ordinateur comprenant des instructions pour exécuter les étapes du procédé d'entraînement de la revendication 1 ou du procédé de caractérisation de la revendication 9 lorsque le programme est exécuté par un ordinateur.
EP21754814.8A 2020-07-15 2021-07-15 Procede de caracterisation de fuite Pending EP4182654A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2007434A FR3112610B1 (fr) 2020-07-15 2020-07-15 Procédé de caractérisation de fuite
PCT/FR2021/051318 WO2022013502A1 (fr) 2020-07-15 2021-07-15 Procede de caracterisation de fuite

Publications (1)

Publication Number Publication Date
EP4182654A1 true EP4182654A1 (fr) 2023-05-24

Family

ID=74045501

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21754814.8A Pending EP4182654A1 (fr) 2020-07-15 2021-07-15 Procede de caracterisation de fuite

Country Status (4)

Country Link
US (1) US20230184620A1 (fr)
EP (1) EP4182654A1 (fr)
FR (1) FR3112610B1 (fr)
WO (1) WO2022013502A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230152480A1 (en) * 2021-11-16 2023-05-18 Landmark Graphics Corporation Random noise attenuation for seismic data

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6389881B1 (en) * 1999-05-27 2002-05-21 Acoustic Systems, Inc. Method and apparatus for pattern match filtering for real time acoustic pipeline leak detection and location
KR100420717B1 (ko) * 2001-05-03 2004-03-02 (주)동명기술공단종합건축사사무소 상수관의 누수 탐지 방법 및 그 시스템
WO2014170673A1 (fr) * 2013-04-19 2014-10-23 Acoustic Sensing Technology (Uk) Ltd Système d'inspection de tuyauterie et procédés associés
WO2018049149A1 (fr) * 2016-09-08 2018-03-15 General Electric Company Système de surveillance de pipeline

Also Published As

Publication number Publication date
WO2022013502A1 (fr) 2022-01-20
US20230184620A1 (en) 2023-06-15
FR3112610A1 (fr) 2022-01-21
FR3112610B1 (fr) 2022-08-05

Similar Documents

Publication Publication Date Title
CN109357167B (zh) 一种燃气管道漏点检测装置及检测方法
Ye et al. Kalman filtering of hydraulic measurements for burst detection in water distribution systems
EP1637904A1 (fr) Méthode pour génerer un modèle de reservoir sur maillage flexible
FR2818742A1 (fr) Methode pour former un module a reseaux neuronaux optimise, destine a simuler le mode d'ecoulement d'une veine de fluides polyphasiques
WO2022013502A1 (fr) Procede de caracterisation de fuite
FR3045842A1 (fr) Procede d'exploitation des hydrocarbures d'un bassin sedimentaire, au moyen d'une simulation de bassin, avec prise en compte des effets geomecaniques
JP6966803B2 (ja) モニタリング対象機器の異常発生予兆検知方法及びシステム
FR2848320A1 (fr) Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones
Pakoksung et al. The near-field tsunami generated by the 15 January 2022 eruption of the Hunga Tonga-Hunga Ha’apai volcano and its impact on Tongatapu, Tonga
EP4217702A1 (fr) Procédé de caractérisation de fuite
JP6834952B2 (ja) 劣化分析装置、劣化分析方法および劣化分析プログラムおよび記録媒体
FR2970732A1 (fr) Procede pour mettre a jour un modele de reservoir en temps reel a partir de donnees dynamiques tout en conservant sa coherence avec les observations statiques
AU2022234947A1 (en) Pipeline anomaly detection method and system
Yoo et al. Inertia‐gravity waves revealed in radiosonde data at Jang Bogo Station, Antarctica (74° 37′ S, 164° 13′ E): 2. Potential sources and their relation to inertia‐gravity waves
Romano et al. Burst detection and location in water distribution systems
Raynor et al. Location matters: evaluating Greater Prairie-Chicken (Tympanuchus cupido) boom chorus propagation
EP1987376B1 (fr) Procede et systeme d'identification et d'evaluation de risque de defaillance d'un systeme de confinement geologique
EP3356780B1 (fr) Procede de detection de fuite dans un reseau de fluide
Wang Machine learning model design for IoT-based flooding forecast
Work et al. Nearshore impacts of dredging for beach nourishment
Spicer et al. Coastal windstorms create unsteady, unpredictable storm surges in a fluvial Maine estuary
WO2021239646A1 (fr) Detection de changement de composition physico-chimique d'un liquide
Cody Acoustic Monitoring for Leaks in Water Distribution Networks
WO2017220918A1 (fr) Procede de caracterisation du sous-sol d'une region utilisant des signaux sismiques passifs, et systeme correspondant
WO2018020142A1 (fr) Procede et systeme de detection d'evenement sismique

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20221213

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAX Request for extension of the european patent (deleted)
RAV Requested validation state of the european patent: fee paid

Extension state: MA

Effective date: 20230207