FR3110724A1 - Détection améliorée de changement de composition physico-chimique d’un liquide - Google Patents

Détection améliorée de changement de composition physico-chimique d’un liquide Download PDF

Info

Publication number
FR3110724A1
FR3110724A1 FR2005509A FR2005509A FR3110724A1 FR 3110724 A1 FR3110724 A1 FR 3110724A1 FR 2005509 A FR2005509 A FR 2005509A FR 2005509 A FR2005509 A FR 2005509A FR 3110724 A1 FR3110724 A1 FR 3110724A1
Authority
FR
France
Prior art keywords
measurements
probe
liquid
computer
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.)
Granted
Application number
FR2005509A
Other languages
English (en)
Other versions
FR3110724B1 (fr
Inventor
Thibaud MARUEJOULS
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.)
Suez International SAS
Original Assignee
Suez Groupe SAS
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
Priority to FR2005509A priority Critical patent/FR3110724B1/fr
Application filed by Suez Groupe SAS filed Critical Suez Groupe SAS
Priority to EP21726932.3A priority patent/EP4158639A1/fr
Priority to PCT/EP2021/063741 priority patent/WO2021239646A1/fr
Priority to CN202180003327.2A priority patent/CN114026390A/zh
Priority to MX2022014769A priority patent/MX2022014769A/es
Priority to AU2021279241A priority patent/AU2021279241A1/en
Priority to US17/927,320 priority patent/US20230341370A1/en
Publication of FR3110724A1 publication Critical patent/FR3110724A1/fr
Application granted granted Critical
Publication of FR3110724B1 publication Critical patent/FR3110724B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G01N33/1886—Water using probes, e.g. submersible probes, buoys
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/06—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a liquid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C02F2209/008—Processes using a programmable logic controller [PLC] comprising telecommunication features, e.g. modems or antennas
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/02—Temperature
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/05—Conductivity or salinity
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/05—Conductivity or salinity
    • C02F2209/055—Hardness
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/06—Controlling or monitoring parameters in water treatment pH
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Theoretical Computer Science (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Electrochemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Molecular Biology (AREA)
  • Organic Chemistry (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
  • Medicinal Preparation (AREA)
  • Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

L’invention concerne le domaine des mesures et de la surveillance des liquides. Plus spécifiquement, l’invention concerne une détection améliorée d’un changement de composition physico-chimique d’un liquide. Pour cela, l’invention se base sur un ensemble de mesures de capteurs colocalisés dans le liquide, et applique à l’ensemble de mesures un partitionnement de données. Si au moins deux clusters de mesures sont identifiés, un changement anormal de la composition du liquide est détecté. Figure pour l’abrégé : 3.

Description

Détection améliorée de changement de composition physico-chimique d’un liquide
Domaine de l’invention
La présente invention concerne l’analyse de liquide. Plus particulièrement, l’invention concerne la détection d’un changement de composition physico-chimique d’un liquide.
Etat de l’art précédent
Les réseaux de collecte et de distribution d’eau peuvent être affectés par de nombreuses anomalies affectant la qualité de l’eau. Par exemple, l’eau peut être contaminée par différents polluants introduits volontairement ou involontairement par rejet d’eau, présence de failles dans le patrimoine ou erreur de connexion, par des particules de matières se déposant régulièrement dans les conduites et soudainement remises en suspension, par la réaction avec les matériaux constitutifs des réseaux, ou par des bactéries lors de phénomènes de croissances bactériennes. Afin de prévenir les effets délétères pouvant être causés par la contamination, ou de manière plus générale par la diminution de la qualité de l’eau pouvant provoquer l’inconfort des usagers (changement de couleur, de goût, d’odeur …), il convient de détecter et caractériser, de manière aussi rapide et précise que possible, tout événement ou situation affectant la qualité de l’eau. Des problèmes altérant la qualité de l’eau peuvent également survenir dans des systèmes, étendues ou cours d’eau naturels tels que des lacs, étangs ou rivières ou ensemble d’étendues et de cours d’eaux naturels. Ces systèmes peuvent être affectés par exemple par des pollutions accidentelles, ou la croissance anormale d’algues, dégradant significativement leur état et empêchant leur usage (potabilisation, eaux de baignade …).
Certaines anomalies peuvent se traduire par un changement rapide de la composition physico-chimique de l’eau. Il peut par exemple s’agir de l’occurrence d’un rejet industriel entraînant une pollution brusque dans un réseau de collecte d’eau, ou la survenue d’une Eau Claire Parasite (ECP). Une eau claire parasite consiste en l’arrivée d’eau claire (c’est-à-dire d’eau de pluie, d’eau issue de nappes phréatiques…) dans un réseau d’eaux usées. Ceci peut par exemple se produire si une canalisation d’un réseau d’eaux usées est percée, et laisse entrer des eaux claires dans la canalisation. La survenue d’eaux claires parasites peut entraîner des problèmes de dimensionnement des réseaux de collecte d’eaux usées, créer des surcharges, débordements, ou augmenter les volumes d’eau à traiter dans les stations d’épurations. D’autres anomalies peuvent générer des changements de composition physico-chimique d’un liquide, par exemple et de manière non limitative : un mauvais branchement du réseau d’eaux usées vers un réseau d’eaux pluviales ; un mauvais branchement ou un rejet direct d’eaux usées vers un milieu récepteur (rivière, fleuve, lac, mer par exemple) ; une intrusion d’eau de mer dans les réseaux d’assainissement lorsque ces derniers sont proches du littoral ; un rejet industriel vers un milieu récepteur (rivière, lac, fleuve, mer par exemple) ; des zones septiques générant de l’hydrogène sulfuré (H2S) et/ou odeurs nauséabondes qui peuvent générer une dégradation de qualité sur un réseau de distribution et/ou d’assainissement.
Il convient donc de détecter l’occurrence de changements inattendus de composition physico-chimique de l’eau dans un réseau de collecte d’eau. De manière plus générale, cette problématique peut se retrouver sur des cours d’eau naturels, ou d’autres types de liquides.
Traditionnellement, les anomalies dans un liquide sont détectées par l’analyse de mesures issues de capteurs dans le liquide. Cette analyse s’effectue généralement via une détection d’un dépassement de seuil de valeurs des mesures capteurs. Si ces techniques permettent une détection d’erreurs déjà rencontrées et caractérisées sur les capteurs, elles ne permettent pas de détecter des anomalies nouvelles. De plus, elles ne sont généralement pas capables de discriminer un changement progressif et normal de la composition d’un liquide, d’un changement brusque et anormal.
Il y a donc besoin de d’une détection efficace d’un changement anormal de la composition physico-chimique d’un liquide, capable de détecter une anomalie nouvelle, et de discriminer un changement progressif et normal de la composition d’un liquide, d’un changement brusque et anormal.
A cet effet, l’invention a pour objet une méthode mise en œuvre par ordinateur de détection d’un changement de composition physico-chimique d’un liquide comprenant : une réception de mesures d’une pluralité de capteurs colocalisés de grandeurs physico-chimiques dudit liquide ; une application d’un partitionnement de données aux mesures ; une vérification de la présence d’au moins deux clusters de mesures ; si au moins deux clusters de mesures sont présents, une détection de la présence d’un changement anormal de la composition physico-chimique du liquide ; sinon, une détection de l’absence de changement anormal de la composition physico-chimique du liquide.
On entend par capteur colocalisés des capteurs effectuant des mesures au même emplacement, c’est-à-dire des capteurs localisés dans un même dispositif, par exemple une même sonde multi-capteurs, ou plus généralement disposés de manière à effectuer des mesures substantiellement au même endroit.
Un partitionnement de données consiste en un groupage des données en paquets homogènes ou « clusters ». Un algorithme de partitionnement de données sépare les données (ici, les mesures), en un ou plusieurs clusters, formant un paquet homogène de points.
Le partitionnement des données est particulièrement pertinent pour déterminer la présence d’un changement anormal de la composition d’un liquide. En effet, en cas de modification normale et progressive de la composition du liquide, les mesures correspondantes seront constituées d’un unique paquet dense de points présentant une dérive progressive. Au contraire, en cas de changement brusque et anormal de composition du liquide, les mesures successives seront très différentes, et les quelques points correspondant au changement de composition seront très espacés les uns des autres, séparant ainsi les données en plusieurs agrégats, ou clusters.
La présence d’au moins deux clusters de mesures fournit donc une bonne indication qu’un changement brusque s’est produit, alors que la présence d’un unique cluster de mesure fournit une indication que les mesures ont dérivé progressivement.
La méthode permet donc de déterminer de manière très fiable si un tel changement anormal s’est produit, même en cas de changement vers un état non précédemment connu.
Avantageusement, la méthode comprend un lissage des mesures.
Ceci permet d’améliorer le traitement des étapes suivantes. En particulier, le lissage des données permet d’éviter la présence de mesures aberrantes sur un échantillon, ou de variations brusques sur des échantillons successifs, par exemples dues à une mauvaise calibration du pas de mesures sur un capteur.
Avantageusement, la méthode comprend une analyse par composante principale des mesures.
L’utilisation d’une analyse par composantes principales (ACP) permet de représenter les mesures dans un espace prenant en compte les corrélations entre les mesures issues des différents capteurs. L’ACP permet ainsi, d’une part d’obtenir des valeurs dans un espace dans lequel les valeurs des mesures issues des différents capteurs se compensent mutuellement, et, d’autre part, d’obtenir des composantes principales représentatives de l’évolution globale de la composition physico-chimique du liquide.
Avantageusement, l’analyse par composante principale comprend une multiplication d’une matrice des mesures par une matrice de centrage-réduction, puis par une matrice de transformation, et dans laquelle l’une au moins des matrices de centrage réduction et de transformation a été calculée lors d’une phase d’entraînement, à partir de mesures de ladite pluralité de capteurs.
Ceci permet d’utiliser, pour toutes les séries de mesures, les mêmes coefficients des matrices de centrage-réduction, et de transformation. Ceci permet ainsi de toujours projeter les mesures dans le même espace de composantes principales. Ainsi, certaines régions de l’espace des composantes principales peuvent être associées à une anomalie ou un état du liquide.
Avantageusement, l’application du partitionnement de données comprend l’application d’une partition basée sur la densité.
Les méthodes de partition de données basées sur la densité consistent à grouper dans un même cluster les points de proche en proche, tant qu’un nombre de points suffisant est proche du point courant, c’est-à-dire qu’elles regroupent les points par cluster représentant des zones de grande densité locale de points. Ce type de méthode est particulièrement efficace pour séparer des ensembles cohérents de mesures séparées par de brusques variations anormales.
Par exemple, les méthodes appelées DBSCAN (Density-Based Spatial Clustering of Application with Noise, décrit par Ester, M., Kriegel, H. P., Sander, J., & Xu, X. (1996, August). A density-based algorithm for discovering clusters in large spatial databases with noise. In Kdd (Vol. 96, No. 34, pp. 226-231)) ou HDBSCAN (Hierarchical Density-Based Spatial CLustering of Application with Noise, décrit par McInnes, L., Healy, J., & Astels, S. (2017). hdbscan: Hierarchical density based clustering.Journal of Open Source Software,2(11), 205) peuvent être utilisées.
Avantageusement, l’application du partitionnement de données comprend l’application d’une première méthode de partitionnement de données et, si la première méthode ne parvient pas à partitionner les mesures en au moins deux clusters, l’application d’une deuxième méthode de partitionnement de données, différente de la première.
Ceci permet d’appliquer de vérifier, par deux méthodes différentes, qu’un changement de composition anormal du liquide ne s’est pas produit, et donc de rendre la détection plus robuste.
Avantageusement, la première méthode est une méthode de partitionnement de données basée sur la densité locale, et la deuxième méthode basée sur des centroïdes.
Une telle combinaison est particulièrement robuste. En effet, méthodes de partitionnement de données basées sur les densités sont particulièrement efficaces dans la grande majorité des cas, mais les méthodes basées sur des centroïdes fonctionnement généralement bien dans les quelques cas pour lesquels les méthodes par densité fournissent de moins bons résultats. Par exemple, l’algorithme HDBSCAN peut être appliqué en premier et, s’il ne parvient pas à séparer les mesures en plusieurs clusters, une partition de données par la méthode des k-moyennes peut être utilisée.
Avantageusement, la méthode comprend, si la présence d’un changement anormal est détectée, un typage du changement anormal.
Ceci permet d’indiquer automatiquement à l’utilisateur quelle anomalie s’est produite, afin de lui permettre de d’engager des actions correctrices dès que possible.
Avantageusement, le typage du changement anormal est déterminé en fonction d’un sens de variation des valeurs des mesures entre chacun des au moins deux clusters de mesures.
La détection des types d’anomalies en fonction d’un sens de variations des valeurs de mesures entre les clusters fournit une méthode robuste et efficace de typage d’anomalies. De plus, la détection et le typage d’anomalies sont indépendants de l’état initial de l’eau dans le réseau de collecte.
Avantageusement, la méthode comprend, si la présence d’un changement anormal est détectée, une localisation du changement anormal.
Ceci permet à l’utilisateur de déterminer où le changement anormal s’est produit, pour engager plus efficacement des actions correctives, ou des investigations complémentaires.
Avantageusement, la localisation du changement anormal est déterminée en fonction d’une localisation d’au moins une mesure positionnée, par le partitionnement de données, à la limite entre deux clusters.
Cette localisation du changement anormal est particulièrement pertinente, car les mesures aux limites des clusters correspondent aux mesures au moment desquelles un changement brusque s’est produit. Ceci permet donc de bénéficier des informations de localisation et/ou d’horodatage associées aux mesures, pour déterminer la localisation du changement anormal.
Avantageusement, la pluralité de capteurs est située dans une sonde mobile, les mesures sont horodatées, et ladite localisation d’une mesure est obtenue en fonction du chemin parcouru par la sonde dans le liquide, et l’horodatage de la mesure.
Ceci permet de localiser le changement anormal, même lorsqu’il n’est pas possible d’obtenir directement des informations de localisation des mesures, par exemple dans une canalisation enfouie.
Avantageusement, la localisation de la mesure est obtenue par extrapolation linéaire, sur le parcours de la sonde, d’un ratio entre de la différence entre l’horodatage de la mesure et l’heure de départ, et le temps du parcours.
Ceci fournit une méthode simple et efficace de localiser les mesures lorsque les informations de localisation ne sont pas disponibles. De plus, cette localisation peut être réalisée dans tous les réseaux sans nécessiter d’entraînement ou de calcul préalable, et fournit, en général, une première approximation satisfaisante de la localisation du changement anormal.
Avantageusement, la pluralité de capteur comprend au moins un capteur choisi dans un groupe comprenant : un capteur de conductivité ; un capteur de température ; un capteur de pH ; un capteur de potentiel d’oxydo-réduction.
Avantageusement, la pluralité de capteurs comprend : un capteur de conductivité ; un capteur de température.
La présence conjointe d’un capteur de conductivité et d’un capteur de température est particulièrement efficace pour détecter des eaux claires parasites.
La présence d’un capteur pH permet de détecter l’acidité de l’eau, dont les variations sont particulièrement pertinentes pour détecter un rejet industriel.
La présence d’un capteur de potentiel d’oxydo-réduction fournit une indication quant à la quantité d’oxygène dans l’eau, ce qui permet par exemple de détecter une accumulation anormale de matière organique, pouvant par exemple entraîner des odeurs indésirables.
Les mesures des capteurs peuvent être horodatées, afin de pouvoir associer à chacune des mesures un jour et une heure de mesure.
Avantageusement, la pluralité de capteurs est colocalisée dans une sonde mobile.
Une sonde mobile présente l’avantage de pouvoir effectuer des mesures en différents points du continuum de liquide.
Avantageusement, la sonde mobile est une balle flottante.
Une telle balle flottante présente l’avantage de pouvoir effectuer des mesures en des points difficilement accessible d’un réseau, par exemple des canalisations étroites et enfouies.
L’invention a également pour objet un dispositif de détection d’un changement de composition physico-chimique d’un liquide comprenant : au moins un lien de communication, vers une pluralité de capteurs colocalisés de grandeurs physico-chimiques dudit liquide ; un processeur configuré pour exécuter les étapes d’une méthode selon l’invention.
Le lien de communication vers la pluralité de capteurs peut être un lien de communication vers une sonde comprenant les capteurs. Il peut s’agir de tout lien de communication permettant un échange de données entre une sonde et un dispositif de calcul, par exemple une connexion filaire (par exemple via une fibre optique, un port USB…), une connexion radio (Wi-Fi, bluetooth, 4G, 5G, nbiot, LORA…). Ceci permet de récupérer des mesures d’une ou plusieurs sondes dans le liquide.
Le lien de communication vers les capteurs peut également être un lien interne au dispositif. C’est par exemple le cas lorsqu’une sonde est à la fois équipée de capteurs, et d’un processeur pour traiter les mesures.
Un tel dispositif permet de mettre en œuvre la méthode de détection d’anomalies selon l’invention à partir de mesures issues de capteurs dans un liquide.
L’invention a également pour objet une sonde pour la détection d’un changement de composition physico-chimique d’un liquide, ladite sonde comprenant : une pluralité de capteurs de grandeurs physico-chimiques dudit liquide ; au moins un lien de communication vers un dispositif selon l’invention.
Une telle sonde permet de recueillir les mesures de capteurs dans le liquide et les envoyer à un dispositif de calcul qui pourra effectuer la détection d’anomalies.
Avantageusement, la sonde est adaptée pour flotter dans le liquide.
Une telle sonde flottante présente l’avantage de pouvoir effectuer des mesures en des points difficilement accessible d’un réseau, par exemple des canalisations étroites et enfouies.
L’invention a également pour objet un système de détection d’un changement de composition physico-chimique d’un liquide comprenant : un dispositif de détection d’un changement de composition physico-chimique d’un liquide selon l’invention ; au moins une sonde pour la détection d’un changement de composition physico-chimique d’un liquide, comprenant un lien de communication vers ledit dispositif.
Un tel système permet de disposer d’une sonde effectuant les mesures dans le liquide, et envoyant les mesures vers le dispositif de calcul, qui effectue les calculs de détermination de la présence d’un changement de composition physico-chimique du liquide à partir des mesures reçues. Cela permet donc de disposer d’une sonde de taille limitée et peu consommatrice en énergie, tout en bénéficiant de la puissance de calcul d’un dispositif de calcul dédié.
L’invention a également pour objet un produit programme d’ordinateur de détection d’un changement de composition physico-chimique d’un liquide comprenant des instructions de code de programme enregistrés sur un support lisible par un ordinateur pour l’exécution d’une méthode selon l’invention, lorsque ledit produit programme est exécuté sur un ordinateur.
Un tel produit programme d’ordinateur permet, lorsqu’il est exécuté sur un ordinateur, d’exécuter la méthode selon l’un des modes de réalisation de l’invention, et donc de détecter de manière efficace l’occurrence d’un changement anormal de composition physico-chimique d’un liquide.
D’autres caractéristiques, détails et avantages de l’invention ressortiront à la lecture de la description faite en référence aux dessins annexés donnés à titre d’exemple et qui représentent, respectivement :
un exemple de sonde fixe dans un réseau de collecte d’eaux usées, selon un ensemble de modes de mise en œuvre de l’invention ;
un exemple de sonde mobile dans un réseau de collecte d’eaux usées, selon un ensemble de modes de mise en œuvre de l’invention ;
un exemple de dispositif pour la détection d’un changement de composition physico-chimique d’un liquide selon un ensemble de modes de mise en œuvre de l’invention ;
un exemple de méthode mise en œuvre par ordinateur pour la détection d’un changement de composition physico-chimique d’un liquide selon un ensemble de modes de mise en œuvre de l’invention ;
un premier exemple de partitionnement de données issues de mesures de capteurs de mesures physico-chimiques, dans un ensemble de modes de mise en œuvre de l’invention ;
un second exemple de partitionnement de données issues de mesures de capteurs de mesures physico-chimiques, dans un ensemble de modes de mise en œuvre de l’invention.
La figure 1a représente un exemple de sonde fixe dans un réseau de collecte d’eaux usées, selon un ensemble de modes de mise en œuvre de l’invention.
La sonde 100a comprend des capteurs permettant de détecter des changements anormaux de la composition physico-chimique de l’eau dans un réseau de collecte d’eaux usées. La sonde peut être placée à n’importe quel emplacement d’un réseau de collecte d’eaux usées, par exemple dans un poste de relèvement, dans un bassin d’orage, à un déversoir d’orage, aux environs d’une station d’épuration ou en tout autre point.
La sonde 100a est connectée à des canalisations 130a du réseau de collecte d’eaux usées, par exemple par un ensemble de câbles de capteurs 120a ou directement connectée sur le réseau (insertion), et est alimentée en électricité 110a via un réseau de distribution d’électricité ou sur batterie.
La sonde 100a peut comprendre une pluralité de capteurs de grandeurs physico-chimiques du réseau de collecte d’eaux usées. Par exemple, la sonde 100a peut comprendre au moins un ou plusieurs capteurs choisis parmi au moins, mais sans limitation :
  • un capteur de conductivité de l’eau ; et/ou
  • un capteur de température ; et/ou
  • un capteur de pH ; et/ou
  • un capteur de potentiel d’oxydo-réduction (ou capteur redox).
La sonde 100a permet ainsi, dans un ensemble de modes de réalisation de l’invention, d’effectuer des mesures d’un ensemble de paramètres permettant de détecter une évolution anormale de la composition physico-chimique de l’eau, susceptible de porter atteinte à la qualité de l’eau en un point du réseau de collecte d’eaux usées.
Dans un ensemble de modes de réalisation de l’invention, la sonde 100a comprend un lien de communication vers un dispositif de calcul afin de transmettre les mesures des capteurs embarqués. Le lien de communication entre la sonde et le capteur peut être de différents types. Par exemple, la sonde peut comprendre une connexion filaire ou radio vers un serveur afin d’envoyer les mesures à un serveur configuré pour détecter des anomalies dans le réseau de collecte d’eaux usées. Dans ces modes de réalisation, la sonde effectue les mesures puis les envoie à un dispositif de calcul qui les traitera pour détecter l’occurrence d’un changement anormal de la composition de l’eau.
Dans un ensemble de modes de réalisation de l’invention, la sonde comprend un processeur configuré pour détecter, à partir des mesures des capteurs, des changements de la composition physico-chimique de l’eau. Dans ces modes de réalisation, la sonde effectue donc à la fois la prise des mesures, et le traitement de celles-ci.
Des exemples de détection de changement de composition par un processeur seront donnés ci-dessous, les techniques de détection et de caractérisation d’anomalies décrites en référence aux figures suivantes étant applicables à un processeur embarqué dans la sonde 100a.
Bien que la sonde 100a représente un exemple de sonde dans un réseau de collecte d’eaux usées, de telles sondes peuvent également être déployées dans un réseau de distribution d’eau, de l’eau en milieu naturel, par exemple dans un lac, étang, rivière ou dans tout autre système aquatique, et ceci éventuellement à différentes profondeurs. Une sonde telle que la sonde 100a peut également être déployée dans un liquide autre que l’eau. De manière générale, elle peut être implantée dans un continuum de liquide.
La figure 1b représente un exemple de sonde mobile dans un réseau de collecte d’eaux usées, selon un ensemble de modes de mise en œuvre de l’invention.
Les sondes fixes telles que la sonde 100a sont efficaces pour effectuer des mesures à un point fixe du réseau. Cependant, il peut être nécessaire, pour localiser plus précisément une anomalie, de bénéficier de mesures sur un plus grand nombre de points du réseau. A cet effet, des sondes mobiles peuvent être utilisées.
La sonde 100b se présente sous la forme d’une balle flottante, pouvant suivre le déplacement de l’eau dans un réseau de collecte d’eaux usées. La sonde 100b présente l’avantage d’être de taille réduite, et peut ainsi se déplacer naturellement au sein de canalisations telles que la canalisation 130b, y compris dans des endroits difficiles d’accès ou dans des canalisations étroites.
La sonde 100b est équipée d’une batterie et d’une pluralité de capteurs. Comme dans le cas de la sonde 100a, la sonde 100b peut être équipée de différents capteurs, tels que ceux évoqués en référence à la figure 1a.
Dans un ensemble de modes de réalisation de l’invention, la sonde 100b est équipée d’un processeur lui permettant de traiter les mesures des capteurs. Elle effectue alors à la fois la prise de mesure et la détection de changement anormal.
Dans un ensemble de modes de réalisation de l’invention, la sonde 100b est de plus équipée d’un lien de communication vers un dispositif de calcul lui permettant par exemple de transmettre les données issues de capteurs à le dispositif de calcul qui pourra traiter ces mesures. Différents liens de communications peuvent être utilisés. Par exemple, la sonde 100b peut se connecter à un ordinateur via une liaison bluetooth, wi-fi, ou un port USB. La sonde 100b peut également utiliser une liaison de données via un réseau de téléphonie mobile, tel qu’un réseau 4G ou 5G. Dans ces modes de réalisation, la sonde effectue donc la prise de mesures, puis envoie les mesures au dispositif de calcul qui les traite pour détecter un éventuel changement anormal de composition du liquide.
Dans un ensemble de modes de réalisation de l’invention, la sonde 100b peut être équipée de moyens de géolocalisation. Ceci permet d’associer à chaque mesure, en plus de l’horodatage, une information de géolocalisation permettant de localiser une anomalie dans le réseau de collecte d’eaux usées.
Différents moyens de géolocalisation peuvent être utilisés. Par exemple, un système de positionnement par satellite (ou GNSS – Géolocalisation et Navigation par un Système de Satellites) tels que le système GPS (de l’anglais Global Positionning System ou Système de positionnement global), Galileo ou Glonass peut être utilisé. La géolocalisation de la sonde 100b peut également s’effectuer via un réseau de téléphonie mobile, ou des systèmes de localisation embarquées comme des centrales inertielles équipées d’accéléromètres, gyroscope et électro magnétomètres ou par l’identification de points caractérisables préalablement géo référencés (regard, chambre) ou tout autre moyen approprié.
La sonde 100b est donnée à titre d’exemple uniquement, et d’autres sondes mobiles peuvent être utilisées. Par exemple, si la sonde mobile 100b se laisse dériver, sans moteur, dans un système de collecte d’eaux usées, d’autres sondes peuvent être équipées d’un moteur pour se déplacer au sein d’un réseau de collecte d’eaux usées. De même, une sonde mobile peut avoir différentes formes, telles que la forme d’un bateau et d’un sous-marin.
Enfin, si la sonde mobile 100b a été représentée dans un réseau de collecte d’eaux usées, l’invention est également applicable à des sondes mobiles dans d’autres contextes, tels que des cours d’eau ou des réseaux de collecte d’un liquide autre que l’eau. La sonde mobile 100b peut également être déployée dans un réseau de distribution plutôt que de collecte, par exemple dans un réseau de distribution d’eau. De manière générale, une sonde telle que la sonde 120b peut donc se mouvoir dans un continuum de liquide.
La figure 2 représente un exemple de dispositif pour la détection d’un changement de composition physico-chimique d’un liquide selon un ensemble de modes de mise en œuvre de l’invention.
Le dispositif 200 est configuré pour recevoir des mesures de capteurs, et les traiter afin de détecter un changement de composition physico-chimique d’un liquide.
A cet effet, le dispositif moins un lien de communication 221, 222, 223, vers une pluralité de capteurs colocalisés 211, 212, 213 de grandeurs physico-chimiques dans un continuum de liquide, c’est-à-dire vers au moins deux capteurs situés dans le même dispositif, ou la même sonde, telle que la sonde 100a ou 100b, ou, de manière plus générales, au moins deux capteurs disposés de manière à pouvoir effectuer des mesures substantiellement au même emplacement.
Les mesures peuvent être horodatées, et/ou fournies par pas de temps fixes, c’est-à-dire qu’une même durée peut s’écouler entre chaque mesure. Si les différents capteurs utilisent un pas de temps différent, les mesures peuvent être prétraitées, par exemple via une interpolation, pour fournir une mesure de l’ensemble des capteurs à chaque temps de mesure, les temps de mesures étant séparés par des pas de temps fixes.
Dans l’exemple de la figure 2, 3 sondes sont disposées dans un réseau 210 de collecte d’eaux usées : deux sondes fixes 211, 212, et une sonde mobile 213. Chaque sonde comprend au moins deux capteurs. Par exemple, les sondes peuvent comprendre les combinaisons de capteurs discutées en référence à la figure 1a.
Bien que la figure 2 représente des capteurs dans un réseau de collecte d’eaux usées, l’invention est également applicable à des capteurs dans un réseau de distribution d’eau, en milieu naturel, par exemple dans un lac, un étang, une rivière, ou de manière plus générale dans un système aquatique. capteurs peuvent également être situés dans un liquide autre que l’eau. Bien que la figure 2 représente trois sondes comprenant chacune un ensemble de capteurs, les traitements des mesures s’effectuent séparément sur les mesures issues de chaque sonde. En effet, l’invention s’applique à des mesures issues de capteurs colocalisés, c’est-à-dire situés dans le même dispositif, boîtier ou sonde, ou plus généralement disposés de manière à effectuer des mesures substantiellement au même endroit. Ainsi, le dispositif 200 peut s’effectuer sur les mesures issues d’une unique sonde, ou en parallèle sur les mesures issues de plusieurs sondes.
La communication avec les pluralités de capteurs 211, 212, 213 peut s’effectuer par un système d'acquisition de mesures, par exemple une plateforme SCADA (de l’anglais Supervisory Control And Data Acquisition pour Système de Contrôle et d’Acquisition de Données : système de contrôle et de télégestion à grande échelle permettant de traiter en temps réel un grand nombre de télémesures et de contrôler à distance des installations techniques). Dans un ensemble de modes de réalisation de l'invention, les liens de communication 221, 222, 213 sont une liaison radio avec un récepteur 220. De nombreuses autres implémentations des liens de communication sont possibles. Par exemple, les pluralités de capteurs 211, 212, 213 peuvent envoyer des valeurs à un concentrateur, qui est connecté par une liaison radio ou une liaison téléphonique cellulaire à un modem dans le dispositif 200. Certaines parties du lien de communication peuvent être constituées par des liaisons filaires. Le type de liaison peut également dépendre du caractère fixe ou mobile des capteurs. Par exemple, dans le cas de capteurs mobiles 213, le lien de communication 223 peut être une liaison bluetooh, Wi-FI ou USB. L'homme du métier peut définir, sans effort, les liens de communication pertinents pour un cas d’utilisation donné, par exemple en sélectionnant l'une des liaisons de communication bien connues dans le domaine de la gestion de réseaux de collecte et de distribution d'eau. Selon différents modes de réalisation de l’invention, le dispositif 200 peut appartenir à différents types de dispositifs informatiques. Par exemple, le dispositif 200 peut être un ordinateur personnel, une station de travail, un serveur, une tablette numérique, ou tout autre dispositif adapté.
Le système 200 comprend en outre un support de stockage 230. Dans l'exemple représenté sur la figure 2, le support de stockage est situé dans le dispositif 200. Dans d'autres modes de réalisation de l'invention, les supports de stockage peuvent être situés à l'extérieur du dispositif informatique. Par exemple, il peut s'agir d'un disque dur partagé, ou d'une base de données distante, accessible à travers des requêtes par le dispositif informatique. Dans l'exemple représenté sur la figure 2, le support de stockage comprend une base de données de mesures 231. La base de données de mesures 231 est utilisée pour stocker des mesures provenant des pluralités de capteurs 211, 212, 213. Les mesures comprennent notamment des valeurs de grandeurs physico-chimiques mesurées par le ou les pluralités de capteurs 211, 212, 213. Dans un ensemble de modes de réalisation de l’invention, elles peuvent également comprendre et un horodatage avec la date / heure des mesures et/ou une géolocalisation des mesures. Le support de stockage 230 peut par exemple être un disque dur, un lecteur à état solide, une mémoire flash ou tout autre type de stockage connu.
Le dispositif 200 comprend un processeur 240 pour traiter les mesures issues des capteurs. Dans un ensemble de modes de réalisation de l’invention, différents types de processeur sont utilisables dans le cadre de l’invention : le processeur peut être par exemple un microprocesseur, un microcontrôleur ou un processeur de signal numérique (également appelé en anglais Digital Signal Processor ou DSP). Le processeur n’est limité à aucun type ou architecture de processeur, et peut être configuré pour exécuter des opérations en chargeant des éléments de code exécutables. Le processeur peut être aussi bien situé dans une sonde comprenant l’au moins un capteur, pour traiter directement les mesures issues des capteurs, que dans un ordinateur personnel ou serveur distant auxquelles la sonde transmet ses mesures.
Le dispositif 200 peut également comprendre un ensemble d’entrées/sorties 250 telles qu’un écran, un clavier ou un routeur.
Le processeur 240 est configuré pour recevoir des mesures d’une au moins des pluralités de capteurs 211, 212, 213. Dans l’exemple de la figure 2, le processeur est configuré pour lire les mesures dans la base de données de mesures 231. Cependant, le processeur 240 peut également recevoir les mesures d’une autre manière par exemple en recevant directement les mesures des capteurs et en les stockant dans une mémoire de travail locale.
Le processeur est configuré pour effectuer les étapes d’une méthode de détection d’un changement de composition physico-chimique d’un liquide selon l’invention. Une telle méthode est décrite plus en détails en référence à la figure 3.
De manière plus générale, le dispositif 200, les sondes 211, 212 et 213, et les liens de communication 221, 222, 223 forment un système de détection d’un changement de composition physico-chimique d’un liquide permettant la prise de mesure dans le liquide, puis le traitement des mesures pour la détection d’un changement anormal.
Il convient de noter que, bien que la figure 2 représente un exemple dans lequel des mesures de sondes sont transmises, à distance, à un ordinateur effectuant le traitement, l’invention est également applicable à un traitement des mesures de capteurs directement dans les sondes, par exemple les sondes 100a et 100b. Dans ce cas, le lien de communication vers les capteurs est un lien interne à la sonde, par exemple des fils électrique permettant de transmettre les mesures des capteurs à un processeur dans la sonde.
La figure 3 représente un exemple de méthode mise en œuvre par ordinateur pour la détection d’un changement de composition physico-chimique d’un liquide selon un ensemble de modes de mise en œuvre de l’invention.
La méthode 300 comprend une première étape 310 de réception de mesures d’une pluralité de capteurs colocalisés de grandeurs physico-chimiques dans un continuum de liquide.
Tous les modes de réalisation discutés en référence aux figures 1a, 1b et 2 sont applicables à cette méthode. En particulier, les capteurs peuvent être colocalisés dans une sonde telle que les sondes 100a, 100b, 211, 212, 213.
Dans un ensemble de modes de réalisation de l’invention, la méthode 300 comprend une deuxième étape 320 de lissage des mesures capteurs.
Cette étape permet une d’améliorer le traitement des étapes suivantes. En particulier, le lissage des données permet d’éviter la présence de mesures aberrantes sur un échantillon, ou de variations brusques sur des échantillons successifs, par exemples dues à une mauvaise calibration du pas de mesures sur un capteur.
De préférence, le lissage s’effectue en parallèle, par fenêtres temporelles successives, sur les mesures de chaque capteur de la pluralité de capteurs colocalisés, ou sur un sous-ensemble de celle-ci. Par exemple, le lissage peut être effectué par une moyenne glissante des mesures de chaque capteur. Le nombre de valeurs sur lesquelles la moyenne glissante est effectuée peut être défini de différentes manières. Par exemple, la moyenne glissante peut être effectuée sur 10 mesures. Le nombre de mesures sur lesquelles la moyenne glissante est effectuée peut être identique pour tous les capteurs, ou propre à chacun d’entre eux. Enfin, la moyenne glissante n’est qu’un exemple de lissage possible des valeurs. D’autres méthodes de lissage peuvent être utilisées, telles qu’une régression linéaire ou polynomiale, une courbe de Bézier, ou un algorithme de Savitzky-Golay.
L’étape de lissage n’est cependant pas indispensable à la réalisation de la méthode selon l’invention. Par exemple, si les capteurs sont bien calibrés, et que la prise de mesure n’induit pas de variation brusque entre deux échantillons, l’étape de lissage n’est pas nécessaire.
Dans un ensemble de modes de réalisation de l’invention, la méthode 300 comprend une étape d’analyse par composante principale (ACP) des mesures.
Si une étape 320 de lissage des mesures est employée, l’ACP s’applique aux mesures lissées.
L’utilisation d’une ACP permet de représenter les mesures dans un espace prenant en compte les corrélations entre les mesures issues des différents capteurs. L’ACP permet ainsi, d’une part d’obtenir des valeurs dans un espace dans lequel les valeurs des mesures issues des différents capteurs se compensent mutuellement, et, d’autre part, d’obtenir des composantes principales représentatives de l’évolution globale de la composition physico-chimique du liquide.
L’utilisation d’une ACP est particulièrement pertinente lorsque le nombre de capteurs est élevé, par exemple plus de 3 capteurs. L’étape 330 d’ACP n’est cependant pas une caractéristique essentielle de l’invention. En particulier, elle n’est pas nécessaire pour un nombre de capteurs faible, par exemple 2 voire 3 capteurs.
Dans un ensemble de modes de réalisation de l’invention, l’ACP est réalisée en multipliant une représentation matricielle des mesures (représentant par exemple un capteur par ligne, et un pas de temps par colonne) par une matrice de centrage réduction, puis le résultat par une matrice de transformation. La matrice de centrage-réduction permet d’obtenir des variables centrées réduites. La matrice de transformation permet de transformer ces variables en composantes principales.
Les coefficients des matrices de centrage réduction, et de transformation peuvent être calculés sur la base des seules mesures obtenues à l’étape 310. On obtient alors des composantes principales représentant très fidèlement les mesures instantanées.
Dans un ensemble de modes de réalisation de l’invention, au contraire, les coefficients de l’une au moins des matrices de centrage réduction et de transformation ont été calculés lors d’une phase d’entraînement, à partir de mesures précédentes de ladite pluralité de capteurs.
Ceci permet d’utiliser, pour toutes les séries de mesures, les mêmes coefficients des matrices de centrage-réduction, et de transformation. Ceci permet ainsi de toujours projeter les mesures dans le même espace de composantes principales. Ainsi, certaines régions de l’espace des composantes principales peuvent être associées à une anomalie ou un état du liquide.
En pratique, une base d’entraînement peut être formée avec des séries temporelles de valeurs issues de la pluralité de capteurs, et les coefficients des matrices peuvent être déterminés pour optimiser le centrage-réduction, et la transformation en composantes principales sur la base d’entraînement. Ensuite, les matrices de centrage réduction et de transformation sont appliquées aux nouvelles données. Il convient de noter que ladite pluralité de capteur pour la phase d’entraînement peut correspondre aux mêmes capteurs physiques, c’est-à-dire que les mesures d’entraînement sont obtenues depuis la même sonde que les mesures obtenues à l’étape 310, ou par une pluralité de capteurs du même modèle, par exemple des capteurs d’une sonde identique à la sonde par laquelle les mesures sont obtenues à l’étape 310.
La méthode 300 comprend ensuite une étape 340 d’application d’un partitionnement de données aux mesures.
Si une étape 330 d’analyse par composantes principales est utilisée, le partitionnement des données s’applique aux composantes principales. Si seule une étape 320 de lissage des mesures est utilisée, l’étape 340 s’applique aux mesures lissées.
Dans un ensemble de modes de réalisation de l’invention, le partitionnement de données comprend l’application d’une partition basée sur la densité.
Dans un ensemble de modes de réalisation, des méthodes de partitionnement de données basées sur des centroïdes peuvent être utilisées. Par exemple, les méthodes des k-moyennes ou k-médoïdes peuvent être utilisées.
Dans un ensemble de modes de réalisation de l’invention, plusieurs types de méthodes peuvent être utilisés successivement. Par exemple, une première méthode peut être utilisée, et, si elle ne parvient pas à identifier au moins deux clusters distincts, une deuxième méthode peut être utilisée.
Par exemple, une première méthode de partitionnement de données basée sur des densités peut être appliquée, puis, si cette première méthode n’est pas parvenue à séparer les mesures en au moins deux clusters, une deuxième méthode de partitionnement de données basée sur des centroïdes peut être utilisée.
La méthode comprend ensuite une étape 350 de vérification de la présence d’au moins deux clusters de mesures.
Si au moins deux clusters de mesures sont présents, un changement anormal 370 de la composition physico-chimique du liquide est détecté. Sinon, l’absence 360 de changement anormal de la composition physico-chimique du liquide est détectée.
Comme indiqué ci-dessus, le partitionnement des données fournit une excellente indication de l’occurrence d’un changement brusque et anormal de la composition du liquide. La méthode permet donc de déterminer de manière très fiable si un tel changement s’est produit, même en cas de changement non précédemment connu.
En cas de détection d’un changement anormal 370, la méthode 300 comprend, dans un ensemble de modes de réalisation de l’invention, une étape 380 de caractérisation du changement anormal.
Cette étape consiste à déterminer automatiquement quel est le type du changement anormal. Par exemple, s’il s’agit d’une eau claire parasite, ou d’un rejet industriel. Ceci permet d’indiquer automatiquement à l’utilisateur quelle anomalie s’est produite, afin de lui permettre de d’engager des actions correctrices dès que possible.
L’étape 380 peut être réalisée de différentes manières. Par exemple, des régions de l’espace de mesures (ou, le cas échéant, de l’espace des composantes principales) peuvent être associées à une anomalie donnée. Ceci peut s’effectuer par l’entraînement d’un moteur d’apprentissage supervisé tel qu’un réseau de neurones ou une forêt aléatoire, sur un historique annoté de mesures de changements anormaux de la composition du liquide.
La connaissance de certains types de changements peut également être mise à profit pour générer des règles de détection automatique d’anomalies. Par exemple, les variables (composées ou non) évoluent dans des directions caractéristiques du désordre. Par exemple, quand le déplacement des clusters de valeurs de Composantes Principales 1 et 2 se fait dans le sens positif, le désordre observé correspond à un rejet industriel. Il est donc possible, soit en définissant manuelle les règles, soit en les apprenant automatiquement, d’associer une direction de variation anormale des mesures ou composantes principales, et/ou une région de l’espace de mesures ou de composantes principales, à une anomalie, et qualifier ainsi le désordre détecté.
Cette étape 380 n’est cependant pas essentielle à la méthode 300. En effet, dans de nombreux cas d’utilisation, la méthode permet simplement de déterminer qu’un changement anormal de composition du liquide s’est produit, laissant à l’utilisateur le soin d’affiner le diagnostic, et le cas échéant de conduire des investigations complémentaires.
Dans un ensemble de modes de réalisation de l’invention, la méthode 300 comprend, si un changement anormal de la composition du liquide est détecté, une étape 390 de localisation du changement anormal.
Cette étape permet à l’utilisateur de déterminer où le changement anormal s’est produit, pour engager plus efficacement des actions correctives, ou des investigations complémentaires.
Cette étape 390 n’est cependant pas essentielle à l’invention : dans de nombreux cas, la simple information selon laquelle un changement anormal s’est produit est suffisante pour l’utilisateur pour engager des investigations complémentaires ou des actions correctives. De plus, même sans localisation précise du changement anormal, un utilisateur bénéficie généralement d’informations de localisation lui permettant d’engager des démarches d’analyse complémentaire ou de correction. Par exemple, dans le cas d’une sonde fixe telle que la sonde 100a, la détection d’un changement anormal de la composition du liquide implique nécessairement que le changement s’est produit en amont de la sonde sur le réseau ; si une sonde mobile telle que la sonde 100b se déplace sur un réseau de taille limitée, la simple information selon laquelle un changement anormal s’est produit sur le réseau permet à l’utilisateur d’engager des actions complémentaires.
La localisation 390 du changement anormal peut être réalisée de différentes manières.
Dans un ensemble de modes de réalisation de l’invention, la localisation du changement anormal est déterminée en fonction de la localisation d’au moins une mesure positionnée, par le partitionnement de données, à la limite entre deux clusters.
De manière plus générale, comme il sera illustré aux figures 4 et 5, le partitionnement des données permet de séparer les mesures en clusters au sein desquels les mesures varient progressivement et sont proches les unes des autres. En revanche les clusters sont séparés entre eux par des différences importantes entre chaque mesure. Une mesure aux limites d’un cluster correspond donc à la mesure dans un cluster le plus proche d’un cluster voisin. La localisation d’un changement anormal de la composition du liquide peut être déterminée à partir des informations de localisation des mesures de différentes manières :
  • comme la localisation d’une mesure à la limite d’un cluster ;
  • comme la moyenne des localisations des mesures à la limite de deux clusters voisins ;
  • plus généralement, une combinaison des localisations des mesures aux limites de clusters voisins peut être utilisée pour localiser l’anomalie.
La localisation d’une mesure peut elle-même être obtenue de différentes manières.
Dans un ensemble de modes de réalisation de l’invention, une sonde mobile telle que la sonde 100b est équipée de moyens de géolocalisation, et chaque mesure est associée à une information de géolocalisation. Par exemple, une donnée GPS peut être associée à chaque mesure de la pluralité de capteurs, permettant ainsi d’obtenir directement les informations de localisation pour chaque mesure de ladite pluralité. Comme indiqué ci-dessus, la géolocalisation peut également s’effectuer via un réseau de téléphonie mobile, ou des systèmes de localisation embarquées comme des centrales inertielles équipées d’accéléromètres, gyroscope et électro magnétomètres ou par l’identification de points caractérisables préalablement géo référencés (regard, chambre) ou tout autre moyen approprié.
Dans un ensemble de modes de réalisation de l’invention, des informations de géolocalisation ne sont pas directement disponibles pour les mesures d’une sonde mobile (par exemple, si la sonde n’est pas équipée de moyens de géolocalisation, ou s’ils ne sont pas disponibles pendant les mesures ; par exemple, une balise GPS ne pourra pas recevoir de mesures satellites lorsqu’une sonde mobile comme la sonde 100b est située dans des canalisations enfouies), mais chaque mesure est horodatée, et la localisation des mesures est déterminée en fonction du chemin parcouru par la sonde, et de l’horodatage de la mesure.
Ceci permet de localiser le changement anormal, même lorsqu’il n’est pas possible d’obtenir directement des informations de localisation des mesures, par exemple dans une canalisation enfouie.
De manière générale, ce type de localisation consiste à extrapoler la position de la sonde mobile en fonction de l’heure et la position de départ, de l’horodatage de la mesure, du temps et de la longueur totaux du parcours de la sonde.
Dans un ensemble de modes de réalisation de l’invention, la localisation de la mesure est obtenue par extrapolation linéaire, sur le parcours de la sonde, d’un ratio entre de la différence entre l’horodatage de la mesure et l’heure de départ, et le temps du parcours.
Dit autrement, l’horodatage de la mesure permet de déterminer au bout de quelle durée à partir du début du parcours la mesure a été prise. Il est donc possible de déterminer, connaissant le temps de parcours total de la sonde dans le réseau, si la mesure a été prise à mi-parcours, un tiers du parcours, 90% du parcours, etc… et considérer que localiser la mesure, respectivement à une emplacement située à mi-trajet, un tiers du trajet, 90% du trajet, etc…
Il est également possible d’utiliser des associations plus complexes entre l’horodatage des mesures et la localisation du changement anormal. Par exemple, un modèle hydraulique du réseau dans lequel la sonde se déplace peut-être obtenu, permettant de connaître les vitesses dans chaque canalisation. Par exemple, la demanderesse a déposé une demande de brevet européen publiée sous le numéro EP 3 112 959, dans laquelle un modèle hydraulique d’un réseau de distribution d’eau est paramétré, ce qui permet de disposer d’informations sur les vitesses d’écoulement dans chaque canalisation. Un tel modèle hydraulique est transposable directement à un réseau de collecte. Si un tel modèle est connu, le déplacement de la sonde dans le réseau peut être déterminé plus finement, et sa localisation quasi exacte, au moment d’une prise de mesure donnée, connue à partir de son trajet, et des vitesses d’écoulement de l’eau dans chaque canalisation traversée.
La figure 4 représente un premier exemple de partitionnement de données issues de mesures de capteurs de mesures physico-chimiques, dans un ensemble de modes de mise en œuvre de l’invention.
Les courbes 410 représentent une série de mesures d’une pluralité de capteurs sur une même sonde dans un réseau de collecte d’eaux usées :
  • la courbe 411 représente l’évolution des mesures de conductivité ;
  • la courbe 412 représente l’évolution des mesures de température ;
  • la courbe 413 représente l’évolution des mesures de pH ;
  • la courbe 414 représente l’évolution des mesures de redox.
Les courbes sont synchronisées, et correspondent à des mesures prises aux mêmes instants. L’axe horizontal 420 est un axe temporel représentant l’horodatage des mesures.
Dans cet exemple, un changement de phase se produit à l’instant 421 : le changement de composition chimique de l’eau se retrouve au travers des changements rapides des 4 types de mesures simultanément, délimitant deux fenêtres temporelles 422 et 423, de mesures très différentes. Il convient ici de noter que l’utilisation simultanée de plusieurs sondes permet de disposer d’une détection plus robuste, car le changement de composition de l’eau est détecté via un changement simultané de plusieurs grandeurs physico-chimiques, et non d’une seule.
Comme expliqué ci-dessus, dans la méthode selon l’invention, un partitionnement de données est appliqué aux mesures. Dans l’exemple de la figure 4, une ACP est également appliquée, préalablement au partitionnement de données, qui est donc appliqué aux composantes principales et non aux mesures brutes.
Le graphe 430 représente l’application de l’ACP aux séries temporelles de mesures 410. Pour le graphe 430, les données ont également bénéficié d’un centrage-réduction. Un partitionnement par densité, tel que l’algorithme HDBSCAN, a été appliqué. Chaque point correspond à une mesure de l’ensemble de capteurs, dans l’espace des composantes principales.
Le graphe 430 met en évidence deux clusters distincts de mesures, respectivement 432 et 433. Ces clusters correspondent respectivement aux fenêtres temporelles de mesures 422 et 423. On observe bien, pour chaque cluster, un ensemble de points homogènes, correspondant à des variations lentes, séparés par quelques points plus distants.
Ici, les deux mesures aux limites des clusters sont les mesures 4310 et 4311, qui correspondent aux mesures de part et d’autre de l’heure 421.
Dans un ensemble de modes de réalisation de l’invention, le changement anormal peut donc être localisé au niveau de l’ensemble de mesures 4310, 4311 ou d’une combinaison des deux (par exemple, à mi-chemin entre la localisation des mesures 4310 et 4311). Comme indiqué ci-dessus, la localisation des mesures peut être obtenue de plusieurs manières, par exemple si les mesures sont géolocalisées, ou en déduisant de l’horodatage des mesures l’endroit où se situant la sonde sur laquelle les mesures ont été prises.
La figure 5 représente un second exemple de partitionnement de données issues de mesures de capteurs de mesures physico-chimiques, dans un ensemble de modes de mise en œuvre de l’invention.
Plus précisément, le graphe 500 représente, en 3 dimensions, un ensemble de mesures issues d’une pluralité de capteurs co-localisés, dans un espace formé par 3 composantes principales PC1, PC2 et PC3, représentées respectivement par les axes 510, 511 et 512.
Dans l’exemple du graphe 500, un partitionnement de données par densité a également été appliqué aux composantes principales. Il permet de séparer les mesures en deux clusters, 520 et 521. Ici encore, on observe au sein de chaque cluster une forte densité locale de mesures, représentative d’une évolution progressive des grandeurs physico-chimiques, avant un changement brusque entre les clusters. Dans l’exemple de la figure 5, un changement temporaire de composition physico-chimique de l’eau s’est produit, avec un premier changement d’une première composition (cluster 520) à une deuxième composition (cluster 521), représentée par les points limités des clusters 530 et 531, puis un deuxième changement brusque, de la deuxième transition composition (cluster 521) vers la première (cluster 520), représentée par les points limites des clusters 532 et 533.
On peut noter ici que le cluster 521 contenant les mesures anormales est situé dans une région de l’espace des composantes principales différent du cluster contenant les mesures normales 520. On peut notamment constater que le passage des mesures du cluster 520 au cluster 521 est associé à une modification des Composantes Principales 1 et 2 dans le sens positif (i.e. une augmentation des valeurs des Composantes Principales 1 et 2. Dans cet exemple, lors d’une phase d’apprentissage, il a été démontré qu’une telle modification des composantes principales est associée à un rejet industriel.
L’invention permet donc, non seulement de détecter des anomalies mais aussi, dans un ensemble de modes de réalisation de l’invention, de les caractériser à partir du sens de variation des valeurs entre les clusters. Le sens de variation des valeurs peut notamment être déterminé en calculant la moyenne des valeurs des mesures sur chaque cluster et selon chaque dimension. Alternativement, la médiane, ou tout autre valeur représentative de l’emplacement global des mesures du cluster dans l’espace des mesures ou des composantes principales peut être utilisée. Ensuite, les valeurs représentatives de chaque clusters peuvent être comparées, et les anomalies caractérisées en fonction d’un sens de variations, et éventuellement de seuils de variations. Les sens et seuils de variations peuvent être déterminés lors d’une phase d’apprentissage, par exemple par un utilisateur expert, ou un algorithme d’apprentissage automatique supervisé.
La détection des types d’anomalies en fonction d’un sens de variations des valeurs de mesures entre les clusters fournit une méthode robuste et efficace de typage d’anomalies. De plus, la détection et le typage d’anomalies sont indépendants de l’état initial de l’eau dans le réseau de collecte.
Les exemples ci-dessus démontrent la capacité de l’invention à détecter des changements anormaux de la composition d’un liquide, et, pour certains modes de réalisation, de les localiser, et ceci même si le changement s’opère vers un état n’ayant jamais été rencontré précédemment. Ils ne sont cependant donnés qu’à titre d’exemple et ne limitent en aucun cas la portée de l’invention, définie dans les revendications ci-dessous.

Claims (22)

  1. Méthode mise en œuvre par ordinateur (300) de détection d’un changement de composition physico-chimique d’un liquide comprenant :
    • une réception (310) de mesures d’une pluralité de capteurs colocalisés (211, 212, 213) de grandeurs physico-chimiques dudit liquide ;
    • une application d’un partitionnement de données (340) aux mesures ;
    • une vérification (350) de la présence d’au moins deux clusters de mesures ;
    • si au moins deux clusters de mesures sont présents, une détection de la présence d’un changement anormal (370) de la composition physico-chimique du liquide ;
    • sinon, une détection de l’absence de changement anormal (360) de la composition physico-chimique du liquide.
  2. Méthode mise en œuvre par ordinateur selon la revendication 1, comprenant un lissage (320) des mesures.
  3. Méthode mise en œuvre par ordinateur selon l’une des revendications 1 ou 2, comprenant une analyse par composante principale (330) des mesures.
  4. Méthode mise en œuvre par ordinateur selon la revendication 3 dans laquelle l’analyse par composante principale comprend une multiplication d’une matrice des mesures par une matrice de centrage-réduction, puis par une matrice de transformation, et dans laquelle l’une au moins des matrices de centrage réduction et de transformation a été calculée lors d’une phase d’entraînement, à partir de mesures de ladite pluralité de capteurs.
  5. Méthode mise en œuvre par ordinateur selon l’une des revendications 1 à 4, dans laquelle l’application du partitionnement de données comprend l’application d’une partition basée sur la densité.
  6. Méthode mise en œuvre par ordinateur selon l’une des revendications 1 à 5, dans laquelle l’application du partitionnement de données comprend l’application d’une première méthode de partitionnement de données et, si la première méthode ne parvient pas à partitionner les mesures en au moins deux clusters, l’application d’une deuxième méthode de partitionnement de données, différente de la première.
  7. Méthode mise en œuvre par ordinateur selon la revendication 6, dans laquelle la première méthode est une méthode de partitionnement de données basée sur la densité locale, et la deuxième méthode basée sur des centroïdes.
  8. Méthode mise en œuvre par ordinateur selon l’une des revendications 1 à 7, comprenant, si la présence d’un changement anormal est détectée, un typage (380) du changement anormal.
  9. Méthode mise en œuvre par ordinateur selon la revendication 8, dans laquelle le typage du changement anormal est déterminé en fonction d’un sens de variation des valeurs des mesures entre chacun des au moins deux clusters de mesures.
  10. Méthode mise en œuvre par ordinateur selon l’une des revendications 1 à 9, comprenant, si la présence d’un changement anormal est détectée, une localisation (390) du changement anormal.
  11. Méthode mise en œuvre par ordinateur selon la revendication 10, dans laquelle la localisation du changement anormal est déterminée en fonction d’une localisation d’au moins une mesure positionnée, par le partitionnement de données, à la limite entre deux clusters.
  12. Méthode mise en œuvre par ordinateur selon la revendication 11, dans laquelle la pluralité de capteurs est située dans une sonde mobile, les mesures sont horodatées, et ladite localisation d’une mesure est obtenue en fonction du chemin parcouru par la sonde dans le liquide, et l’horodatage de la mesure.
  13. Méthode mise en œuvre par ordinateur selon la revendication 12, dans laquelle la localisation de la mesure est obtenue par extrapolation linéaire, sur le parcours de la sonde, d’un ratio entre de la différence entre l’horodatage de la mesure et l’heure de départ, et le temps du parcours.
  14. Méthode mise en œuvre par ordinateur selon l’une des revendications 1 à 13, dans lequel la pluralité de capteur comprend au moins un capteur choisi dans un groupe comprenant :
    • un capteur de conductivité ;
    • un capteur de température ;
    • un capteur de pH ;
    • un capteur de potentiel d’oxydo-réduction.
  15. Méthode mise en œuvre par ordinateur selon la revendication 14, dans lequel la pluralité de capteurs comprend :
    • un capteur de conductivité ;
    • un capteur de température.
  16. Méthode mise en œuvre par ordinateur selon l’une des revendications 1 à 15, dans lequel la pluralité de capteurs est colocalisée dans une sonde mobile (100b):
  17. Méthode mise en œuvre par ordinateur selon la revendication 16, dans lequel la sonde mobile est une balle flottante.
  18. Dispositif (100a, 100b, 200) de détection d’un changement de composition physico-chimique d’un liquide comprenant :
    • au moins un lien de communication (221, 222, 223), vers une pluralité de capteurs colocalisés (211, 212, 213) de grandeurs physico-chimiques dudit liquide ;
    • un processeur (240) configuré pour exécuter les étapes d’une méthode selon l’une des revendications 1 à 17.
  19. Sonde (100a, 100b) pour la détection d’un changement de composition physico-chimique d’un liquide, ladite sonde comprenant :
    • une pluralité de capteurs de grandeurs physico-chimiques dudit liquide ;
    • au moins un lien de communication (221, 222, 223) vers un dispositif selon la revendication 18.
  20. Sonde selon la revendication 19, ladite sonde étant adaptée pour flotter dans le liquide.
  21. Système de détection d’un changement de composition physico-chimique d’un liquide comprenant :
    • un dispositif selon la revendication 18 ;
    • au moins une sonde selon l’une des revendications 19 ou 20, comprenant un lien de communication vers ledit dispositif.
  22. Produit programme d’ordinateur de détection d’un changement de composition physico-chimique d’un liquide comprenant des instructions de code de programme enregistrés sur un support lisible par un ordinateur pour l’exécution d’une méthode selon l’une des revendications 1 à 17, lorsque ledit produit programme est exécuté sur un ordinateur.
FR2005509A 2020-05-25 2020-05-25 Détection améliorée de changement de composition physico-chimique d’un liquide Active FR3110724B1 (fr)

Priority Applications (7)

Application Number Priority Date Filing Date Title
FR2005509A FR3110724B1 (fr) 2020-05-25 2020-05-25 Détection améliorée de changement de composition physico-chimique d’un liquide
PCT/EP2021/063741 WO2021239646A1 (fr) 2020-05-25 2021-05-24 Detection de changement de composition physico-chimique d'un liquide
CN202180003327.2A CN114026390A (zh) 2020-05-25 2021-05-24 液体物理化学组成变化的改进的检测
MX2022014769A MX2022014769A (es) 2020-05-25 2021-05-24 Detección de cambio en la composición fisicoquímica de un líquido.
EP21726932.3A EP4158639A1 (fr) 2020-05-25 2021-05-24 Detection de changement de composition physico-chimique d'un liquide
AU2021279241A AU2021279241A1 (en) 2020-05-25 2021-05-24 Detection of change in the physico-chemical composition of a liquid
US17/927,320 US20230341370A1 (en) 2020-05-25 2021-05-24 Detection of change in physicochemical composition of a liquid

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2005509 2020-05-25
FR2005509A FR3110724B1 (fr) 2020-05-25 2020-05-25 Détection améliorée de changement de composition physico-chimique d’un liquide

Publications (2)

Publication Number Publication Date
FR3110724A1 true FR3110724A1 (fr) 2021-11-26
FR3110724B1 FR3110724B1 (fr) 2024-03-01

Family

ID=72709475

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2005509A Active FR3110724B1 (fr) 2020-05-25 2020-05-25 Détection améliorée de changement de composition physico-chimique d’un liquide

Country Status (7)

Country Link
US (1) US20230341370A1 (fr)
EP (1) EP4158639A1 (fr)
CN (1) CN114026390A (fr)
AU (1) AU2021279241A1 (fr)
FR (1) FR3110724B1 (fr)
MX (1) MX2022014769A (fr)
WO (1) WO2021239646A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024023823A1 (fr) * 2022-07-26 2024-02-01 Ramot At Tel-Aviv University Ltd. Détermination à la demande de la présence de coliformes fécaux dans des ressources d'eau

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140203184A1 (en) * 2011-09-23 2014-07-24 Visualant, Inc. Fluid medium sensor system and method
FR3024260A1 (fr) * 2014-07-25 2016-01-29 Suez Environnement Procede pour detecter des anomalies dans un reseau de distribution, en particulier d'eau potable
EP3112959A1 (fr) 2015-06-29 2017-01-04 SUEZ Groupe Procédé de détection d'anomalies dans un système de distribution d'eau
CN107389888A (zh) * 2017-08-02 2017-11-24 中南林业科技大学 一种基于生态浮岛的环境监控方法
EP3336505A2 (fr) * 2016-12-15 2018-06-20 INGU Solutions Inc. Dispositif de capteur, systèmes et procédés permettant de déterminer des paramètres de fluide

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140203184A1 (en) * 2011-09-23 2014-07-24 Visualant, Inc. Fluid medium sensor system and method
FR3024260A1 (fr) * 2014-07-25 2016-01-29 Suez Environnement Procede pour detecter des anomalies dans un reseau de distribution, en particulier d'eau potable
EP3112959A1 (fr) 2015-06-29 2017-01-04 SUEZ Groupe Procédé de détection d'anomalies dans un système de distribution d'eau
EP3336505A2 (fr) * 2016-12-15 2018-06-20 INGU Solutions Inc. Dispositif de capteur, systèmes et procédés permettant de déterminer des paramètres de fluide
CN107389888A (zh) * 2017-08-02 2017-11-24 中南林业科技大学 一种基于生态浮岛的环境监控方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
"Environmental Chemometrics : Principles and Modern Applications", vol. 26, 21 November 2008, TAYLOR & FRANCIS GROUP PROQUEST EBOOK CENTRAL, ISBN: 978-1-4200-6796-5, article HANRAHAN GRADY ET AL: "5. Time Series Analysis", pages: 159 - 206, XP055772476 *
AMINIKHANGHAHI SAMANEH ET AL: "A survey of methods for time series change point detection", KNOWLEDGE AND INFORMATION SYSTEMS, SPRINGER VERLAG,LONDON, GB, vol. 51, no. 2, 8 September 2016 (2016-09-08), pages 339 - 367, XP036211559, ISSN: 0219-1377, [retrieved on 20160908], DOI: 10.1007/S10115-016-0987-Z *
CABRIETO JEDELYN ET AL: "Detecting correlation changes in multivariate time series: A comparison of four non-parametric change point detection methods", BEHAVIOR RESEARCH METHODS, SPRINGER US, NEW YORK, vol. 49, no. 3, 6 July 2016 (2016-07-06), pages 988 - 1005, XP036271595, DOI: 10.3758/S13428-016-0754-9 *
ESTER, M.KRIEGEL, H. P.SANDER, J.XU, X., DENSITY-BASED SPATIAL CLUSTERING OF APPLICATION WITH NOISE, August 1996 (1996-08-01)
KDD, vol. 96, no. 34, pages 226 - 231
LI TENG ET AL: "Automated Water Quality Survey and Evaluation Using an IoT Platform with Mobile Sensor Nodes", SENSORS, vol. 17, no. 8, 28 July 2017 (2017-07-28), pages 1 - 21, XP055772510, ISSN: 1424-8220, DOI: 10.3390/s17081735 *
LLOYD C E M ET AL: "Methods for detecting change in hydrochemical time series in response to targeted pollutant mitigation in river catchments", JOURNAL OF HYDROLOGY, ELSEVIER, AMSTERDAM, NL, vol. 514, 24 April 2014 (2014-04-24), pages 297 - 312, XP028664541, ISSN: 0022-1694, DOI: 10.1016/J.JHYDROL.2014.04.036 *
MCINNES, L.HEALY, J.ASTELS, S.: "Hierarchical density based clustering", JOURNAL OF OPEN SOURCE SOFTWARE, vol. 2, no. 11, 2017, pages 205

Also Published As

Publication number Publication date
FR3110724B1 (fr) 2024-03-01
US20230341370A1 (en) 2023-10-26
AU2021279241A1 (en) 2023-01-19
MX2022014769A (es) 2023-03-21
WO2021239646A1 (fr) 2021-12-02
CN114026390A (zh) 2022-02-08
EP4158639A1 (fr) 2023-04-05

Similar Documents

Publication Publication Date Title
Ren et al. Remote observation of water clarity patterns in Three Gorges Reservoir and Dongting Lake of China and their probable linkage to the Three Gorges Dam based on Landsat 8 imagery
Pellerin et al. Emerging tools for continuous nutrient monitoring networks: Sensors advancing science and water resources protection
Wang et al. Intertidal salt marshes as an important source of inorganic carbon to the coastal ocean
Ibelings et al. Fuzzy modeling of cyanobacterial surface waterblooms: validation with NOAA‐AVHRR satellite images
Mazarrasa et al. Effect of environmental factors (wave exposure and depth) and anthropogenic pressure in the C sink capacity of Posidonia oceanica meadows
Zhao et al. Mapping large-area tidal flats without the dependence on tidal elevations: A case study of Southern China
EP3688458A1 (fr) Detection et caracterisation ameliorees d'anomalies dans un continuum d'eau
Joseph et al. Assessment of nutrients using multivariate statistical techniques in estuarine systems and its management implications: a case study from Cochin Estuary, India
Zhao et al. Estimation of suspended particulate matter in turbid coastal waters: application to hyperspectral satellite imagery
WO2021239646A1 (fr) Detection de changement de composition physico-chimique d'un liquide
WO2019110793A1 (fr) Procede d'evaluation de l'etat d'un systeme de distribution d'eau
Tiberti et al. Automated high frequency monitoring of Lake Maggiore through in situ sensors: System design, field test and data quality control
EP2553486B1 (fr) Localisation de capteurs d'un reseau de capteurs sans fil
Arhonditsis et al. Uncertainty analysis by Bayesian inference
WO2019063648A1 (fr) Detection et caracterisation ameliorees d'anomalies dans un continuum d'eau
EP3821239A1 (fr) Placement ameliore de capteurs de parametres physico-chimiques dans un fluide
Cunningham et al. Benthic diatom communities as indicators of anthropogenic metal contamination at Casey Station, Antarctica
Bonansea et al. Monitoring of regional lake water clarity using Landsat imagery
Ghaderi et al. Tracing suspended matter in Tiab estuary applying ANN and Remote sensing
WO2020128274A1 (fr) Station autonome de surveillance et d'analyse d'un environnement maritime
Codden et al. Non-conservative behavior of dissolved organic carbon in a Georgia salt marsh creek indicates summer outwelling
Wang Machine learning model design for IoT-based flooding forecast
Idzelytė et al. Coupled hydrological and hydrodynamic modelling application for climate change impact assessment in the Nemunas river watershed–Curonian Lagoon–southeastern Baltic Sea continuum
Cao et al. Study on water quality inversion model of Dianchi Lake based on Landsat 8 data
Lam et al. Predicting fecal-indicator organisms in coastal waters using a complex nonlinear artificial intelligence model

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

EXTE Extension to a french territory

Extension state: PF

PLSC Publication of the preliminary search report

Effective date: 20211126

PLFP Fee payment

Year of fee payment: 3

TP Transmission of property

Owner name: SUEZ INTERNATIONAL, FR

Effective date: 20221129

PLFP Fee payment

Year of fee payment: 4

PLFP Fee payment

Year of fee payment: 5