WO2022064151A1 - Procédé de caractérisation de fuite - Google Patents

Procédé de caractérisation de fuite Download PDF

Info

Publication number
WO2022064151A1
WO2022064151A1 PCT/FR2021/051639 FR2021051639W WO2022064151A1 WO 2022064151 A1 WO2022064151 A1 WO 2022064151A1 FR 2021051639 W FR2021051639 W FR 2021051639W WO 2022064151 A1 WO2022064151 A1 WO 2022064151A1
Authority
WO
WIPO (PCT)
Prior art keywords
network
leak
hydraulic
sensor
fluid network
Prior art date
Application number
PCT/FR2021/051639
Other languages
English (en)
Inventor
Yannick DELEUZE
Damien CHENU
Nicolas Roux
Original Assignee
Veolia Environnement
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 filed Critical Veolia Environnement
Priority to EP21798412.9A priority Critical patent/EP4217702A1/fr
Priority to MX2023003523A priority patent/MX2023003523A/es
Priority to US18/027,390 priority patent/US20230334298A1/en
Publication of WO2022064151A1 publication Critical patent/WO2022064151A1/fr

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/26—Investigating 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
    • G01M3/28—Investigating 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
    • G01M3/2807—Investigating 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/26—Investigating 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Definitions

  • This presentation concerns a method for characterizing a leak in a fluid network, making it possible to detect and characterize a leak in a fluid network, in particular to determine its area and/or its flow rate.
  • Such a method can in particular be used to detect and 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.
  • Vibro-acoustic listening methods aim to listen locally, using a microphone for example, to the signals emitted by leaks in the pipes. Such 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. Moreover, they are highly subject to acoustic disturbances from the environment of the pipes, for example road traffic. Finally, and above all, these methods make it possible to locate the leaks but they do not make it possible to characterize them.
  • 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 sufficiently precisely, 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 concerns a method for training a statistical learning model intended for the characterization of leaks in a fluid network, the fluid network comprising several interconnected zones, in wherein the fluid network is equipped with at least one flow sensor at the network inlet and with at least one other hydraulic sensor, of the flow or pressure sensor type, configured to supply hydraulic behavior data, in which the fluid network is provided with a digital map comprising at least the geometry of the fluid network and the location of said hydraulic sensors, comprising the construction of a database containing a plurality of leak scenarios associating at least one characterization datum of the leak among the leak area and the leak rate with a hydraulic behavior dataset, and a plurality of leak-free scenarios associating the "no leak" label with a hydraulic behavior dataset, and comprising the training of the statistical learning model on the database thus constructed.
  • the term “zone”, or “detectability zone”, is understood to mean a predefined group of pipes within the network, or of a sector when such sectors exist.
  • the location therefore aims to identify the area containing the leak, without seeking a more precise location within said area.
  • some leaks may be indistinguishable from each other by such hydraulic techniques if they are located on the same pipe or on certain neighboring pipes: a zone of detectability is then said to be “minimal” if it is not possible to reduce its size without losing its discernible character. Thanks to the present method, it is possible to define minimum detectability zones grouping only a few pipes, when the conventional sectorization methods can only locate a leak on the scale of a complete sector.
  • водород means a subset of the fluid network equipped with a flow sensor at each of its inlet or outlet interfaces, which thus makes it possible to carry out a balance sheet of consumption across the sector and to detect water losses, in particular by studying the evolution of night-time consumption.
  • a fluid network comprises several sectors interconnected at a few passage points, all these passage points therefore being equipped with a flow sensor.
  • each sector generally comprises between 10 and 40 km of pipes. The present description can then equally well apply to the scale of the entire network or else to the scale of each sector, when such sectors exist within the network.
  • flow sensor means both a sensor capable of measuring the instantaneous flow rate of the fluid at the level of the sensor, and a volume meter capable of measuring, incrementally, the volume of fluid passing through the sensor in a given direction and therefore also capable of indirectly determining the average flow, over a given time interval, at this sensor.
  • the digital map of the network further includes network equipment and/or network delivery points.
  • the fluid network is also provided with a numerical model of the hydraulic behavior of the network including at least one nominal consumption scenario.
  • This numerical model makes it possible to carry out simulations of the hydraulic behavior of the network by modifying certain variables, for example the demands of the various consumers.
  • This numerical model also makes it possible to simulate leaks on certain pipes of the network and to calculate the hydraulic behavior of the network in the presence of these leaks, in particular at the level of the actual locations of the hydraulic sensors.
  • These nominal consumption scenarios can be part of the leak-free scenarios recorded in the database with a “no leak” label.
  • the numerical model of the hydraulic behavior of the network includes several nominal consumption scenarios depending on the time of day, the day of the week and/or the season. This allows more precise and more reliable simulations taking into account the temporality of the simulated situation. This also allows the statistical learning model to recognize nominal, leak-free situations, independent of the time of evaluation.
  • the day can be divided into two periods: day and night; however, a finer division of the day can also be used.
  • the week can be divided into two periods: working days, from Monday to Friday, and weekends, from Saturday to Sunday; however, a finer division of the week, for example taking into account each day of the week individually, can also be used.
  • the year can be divided into two periods: the summer period and the winter period; however, a finer division of the year, quarterly or even monthly, can also be used; school holidays may also be taken into account.
  • the database contains several robustness scenarios without leaks but including noise. This makes it possible to strengthen the training of the statistical learning model and thus increase the probability of correctly detecting a situation devoid of leak, in other words to reduce the probability of false leak detection.
  • the addition of noise may include the introduction of variations in the demands of different consumers with respect to the nominal consumption scenarios.
  • the training method includes a step of introducing stochastic variability into the hydraulic behavior data recorded in the database for each leak scenario. This is also possible, and preferable, for non-leakage scenarios, as seen above with robustness scenarios. This reinforces the training of the statistical learning model, which makes it possible to increase its reliability. In particular, for each original scenario, with or without a leak, several scenarios can be recorded in the database with different sets of stochastic offsets.
  • the database contains at least one leak scenario simulated using the digital mapping of the network and the digital model of the hydraulic behavior of the network. This makes it possible to increase the size of the database at will and, in particular, to simulate a wide variety of situations, further reinforcing the training of the statistical learning model.
  • These leak scenarios include at least the hydraulic behavior data at the actual locations of the hydraulic sensors.
  • the database contains at least one actual leak scenario.
  • the database contains at least 10,000 leak scenarios, preferably at least 100,000 leak scenarios, preferably at least 1,000,000 leak scenarios.
  • the larger the size of the database the more the training of the statistical learning model will be pushed and therefore the more the accuracy and reliability of the latter will be. important.
  • the database contains at least several leak scenarios relating to different times of the day, days of the week and/or different seasons.
  • the database can record for each of these scenarios a label recalling the corresponding time of day, week and/or year.
  • labeling is in no way essential to allow the detection and characterization of leaks by the statistical learning model: in practice, this information may not be given to the statistical learning model.
  • each scenario includes at least one time series of hydraulic behavior datasets. This makes it possible to increase the quantity of data that can be analyzed by the statistical learning model and to overcome certain transient events within the hydraulic network such as, for example, sudden variations in the demands of certain consumers.
  • the time series extends over at least 4 hours, preferably at least 8 hours, more preferably over 24 hours.
  • the step of the time series is less than or equal to 60 minutes, preferably less than or equal to 30 minutes, more preferably less than or equal to 15 minutes.
  • At least one leak scenario includes several leaks with at least one data characterizing each of these leaks. This makes it possible to train the statistical learning model to recognize situations in which several leaks are present, which current sectorization methods do not allow. The statistical learning model, once trained, can then detect such a multi-leak situation but also determine the zone and/or the flow rate of each leak thus detected.
  • At least one leak scenario includes at least three distinct leaks, preferably at least four distinct leaks, more preferably at least five distinct leaks.
  • a zone of the fluid network comprises a maximum of 3000 meters of pipe, preferably a maximum of 1000 meters of pipe, more preferably a maximum of 500 meters of pipe and more preferably a maximum of 150 meters of pipelines.
  • a fluid network zone comprises a length of pipes less than 30%, preferably less than 20%, more preferably less than 10%, of the length of pipes of the sector.
  • the fluid network comprises at least one sector, each sector comprising a plurality of zones and at least one flow sensor at the inlet of the sector.
  • a flow sensor is provided at the interface between each interconnected sector.
  • a flow sensor is not required between the different zones of the same sector.
  • the hydraulic sensors include at least one flow sensor and at least one pressure sensor.
  • the flow sensors represent a share among the hydraulic sensors of less than 50%, preferably less than 20%, even more preferably less than 10%. Thanks to the present method, it is in fact possible to reduce the use of flow sensors: in fact, with the exception of the flow sensor provided at the network or sector input, pressure data are sufficient for the operation of the present method. This is advantageous because pressure sensors are less expensive and easier to set up and maintain than flow sensors.
  • the pressure sensors represent a proportion among the hydraulic sensors of greater than 50%, preferably greater than 80%, more preferably greater than 90%.
  • the network comprises at least 1 hydraulic sensor for 3000 meters of pipe, preferably for 2000 meters of pipe, more preferably for 1000 meters of pipe.
  • the training method includes an optimized sensor placement step, during which at least one optimized location is determined for at least one new hydraulic sensor. This optimizes the cost-effectiveness ratio of introducing any new sensor.
  • the optimized sensor placement step includes the following steps: simulating multiple potential hydraulic sensors at different fluid network locations; simulation of several leak scenarios; and identifying potential sensors that maximize the probability of detection of leaks and/or that maximize the discernibility of detected leaks.
  • the maximization of the discernibility of the leaks makes it possible to reduce the size of the zones Z.
  • the training method comprises a step of defining the zones of the fluid network, during which at least one zone is defined to optimize the detection of leaks by the hydraulic sensors.
  • the objective is to be able to minimize the size of the zones but also, for an equal zone size, to increase the probability of distinguishing two neighboring leaks.
  • the training method comprises a step of calibrating the digital model of the hydraulic behavior of the network, during which at least one parameter of the digital model of the hydraulic behavior of the network is adjusted by comparing a scenario simulated with the corresponding real scenario.
  • the step of calibrating the numerical model of hydraulic behavior of the network includes the use of an optimization algorithm minimizing the error between the simulated data of the simulated scenario and the measured data of the scenario corresponding real.
  • the statistical learning model includes at least one neural network.
  • the neural network is a fully connected convolutional network of the classifier type comprising three convolutional layers of temporal filters.
  • the layers of the neural network contain temporal filters of size between 1 and 4 hours.
  • the convolutional layers are organized such that the number of filters increases at the second layer decreases at the last layer for the final estimate. To avoid overlearning, the dropout technique is used.
  • the statistical learning model is a decision tree model, vector support machine, or nonlinear regression.
  • 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 with respect to the actual leak rate is less than or equal to 10% or even less than or equal to 10 m3/h or 5 m3/h.
  • This presentation also relates to a method for characterizing leaks in a fluid network, the fluid network comprising several interconnected zones, in which the fluid network is equipped with at least one flow sensor at the network inlet and at least one other hydraulic sensor, of the flow or pressure sensor type, configured to supply hydraulic behavior data, in which the fluid network is provided with a digital map comprising at least the geometry of the fluid network and the location of said hydraulic sensors, and in which a statistical learning model receives as input a set of hydraulic behavior data and provides as output at least one data characterizing the leak among the zone of the leak and the leak rate.
  • the statistical learning model has been trained using a training method according to any of the embodiments described above.
  • the digital map of the network further includes network equipment and/or network delivery points.
  • the statistical learning model receives as input at least one time series of hydraulic behavior data sets.
  • the time series extends over at least 4 hours, preferably at least 8 hours, more preferably over 24 hours.
  • the step of the time series is less than or equal to 60 minutes, preferably less than or equal to 30 minutes, more preferably less than or equal to 15 minutes.
  • the statistical learning model when the statistical learning model detects several leaks, it outputs at least one characterization datum of each detected leak.
  • a zone of the fluid network comprises a maximum of 3000 meters of pipe, preferably a maximum of 1000 meters of pipe, more preferably a maximum of 500 meters of pipe and more preferably a maximum of 150 meters of pipelines.
  • a fluid network zone comprises a length of pipes less than 30%, preferably less than 20%, more preferably less than 10%, of the length of pipes of the sector.
  • the fluid network comprises at least one sector, each sector comprising a plurality of zones and at least one flow sensor at the inlet of the sector.
  • a flow sensor is provided at the interface between each interconnected sector.
  • a flow sensor is not required between the different zones of the same sector.
  • the hydraulic sensors include at least one flow sensor and at least one pressure sensor.
  • the flow sensors represent a share among the hydraulic sensors of less than 50%, preferably less than 20%, even more preferably less than 10%.
  • the pressure sensors represent a proportion among the hydraulic sensors of greater than 50%, preferably greater than 80%, more preferably greater than 90%.
  • the statistical learning model includes at least one neural network.
  • the neural network is a classifier-like fully connected convolutional network comprising three layers temporal filter convolutions.
  • the layers of the neural network contain temporal filters of size between 1 and 4 hours.
  • the convolutional layers are organized such that the number of filters increases at the second layer decreases at the last layer for the final estimate. To avoid overlearning, the dropout technique is used.
  • the statistical learning model is a decision tree model, vector support machine, or nonlinear regression.
  • 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 with respect to the actual leak rate is less than or equal to 10% or even less than or equal to 10 m3/h or 5 m3/h.
  • This presentation also relates to a module for characterizing leaks in a fluid network, the fluid network comprising several interconnected zones, the fluid network being equipped with at least one flow sensor at the network inlet and with at least one other hydraulic sensor, of the flow or pressure sensor type, configured to provide hydraulic behavior data, the fluid network being provided with digital mapping comprising at least the geometry of the fluid network and the location of said sensors hydraulic systems, comprising a statistical learning model, configured to receive as input a set of hydraulic behavior data and to provide as output at least one leak characterization data from among the leak area and the leak flow rate.
  • this characterization module stem from the advantages described above for the characterization process.
  • this module characterization can present all or part of the additional characterizations described above with regard to the training method and/or the characterization method.
  • the leak characterization module includes an optimized sensor placement module configured to determine an optimized location for at least one new hydraulic sensor.
  • the leak characterization module comprises a module for defining zones of the fluid network, configured to define at least one zone making it possible to optimize leak detection by the hydraulic sensors.
  • the leak characterization module comprises a module for calibrating the digital model of the hydraulic behavior of the network, configured to adjust at least one parameter of the digital model of the hydraulic behavior of the network by comparing a simulated scenario with the corresponding real scenario.
  • This presentation also relates to a fluid network, comprising a plurality of hydraulic sensors, of the flow or pressure sensor type, configured to provide hydraulic behavior data, and a characterization module according to any one of the modes embodiments described above.
  • 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 at least one computer.
  • Figure 1 is an overall diagram of a fluid network equipped with a leak characterization module.
  • Figure 2 is an overall diagram of a leak characterization module.
  • Figure 3 illustrates an example of training a neural network.
  • Figure 4 illustrates an 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 connecting a plurality of nodes 3.
  • the nodes 3 are thus branching points between several pipes 2 of the distribution network and/or consumption points at which one or several consumers.
  • the network 1 further comprises n flow sensors 4, four in number in this case, arranged at certain pipes 2, as well as m pressure sensors 5, six in number in this case, arranged at certain nodes 3.
  • Each flow sensor 4 makes it possible to measure the flow passing through the pipe 2 on which it is provided.
  • Each pressure sensor 5 allows for its part to measure the pressure prevailing at the level of the node 3 on which it is planned.
  • At least one flow sensor 4a is provided at the entrance to the network 1, in this case just at the outlet of a water tower 6.
  • Certain flow sensors 4b also make it possible to divide the network 1 into several sectors SI, S2, S3, in this case three sectors.
  • Each sector SI, S2, S3 thus groups together a plurality of pipes 2 and nodes 3 and has a flow sensor 4b at each entry or exit of the sector SI, S2, S3.
  • certain flow sensors may also be provided within a given sector.
  • each sector SI, S2, S3 comprises at least one other hydraulic sensor, that is to say at least one other flow sensor 4 or at least a pressure sensor 5.
  • Each sector SI, S2, S3 is also divided into several zones Z grouping together a few pipes 2 and a few nodes 3. Although only a few zones Z are shown in Figure 1, it should be understood that all the pipes 2 of the network 1 belong to a well-defined zone Z.
  • the fluid network 1 also has a leak characterization module 10 which can be hosted within a computer of the fluid network 1 operating control room or within a remote server.
  • Figure 2 illustrates the main elements of this leak characterization module 10. It thus includes a digital map 11 of the fluid network 1, a digital model of hydraulic behavior 12 of the network 1, a database of scenarios 13 , a neural network 14 (forming a statistical learning model) and a calculation unit 15; it also includes all the electronic elements making it possible to operate such an electronic module: power supply, user interfaces, memories, etc.
  • the digital map 11 includes the geometry of the fluid network 1, that is to say the position, the orientation and the length of all the pipes 2, as well as the position of all network equipment, i.e. valves, junction collars, connections, key boxes, etc.
  • the digital map 11 also includes the location of all the hydraulic sensors 4, 5.
  • the numerical model of hydraulic behavior of the network 12 includes theoretical values of flow as a function of time for each pipe of the network 1 and theoretical values of pressure as a function of time for each node 3 of the network 1; this digital model 12 therefore includes in particular the estimated consumption of each consumer of the network 1.
  • these theoretical values obtained mainly on the basis of past statistics, are estimated according to the time of day, the day of the week and of the period of the year in order to approach as much as possible the real values of flow and pressure of network 1, whatever the moment considered.
  • the digital cartography 11 and the digital model of hydraulic behavior 12 can be integrated within the same digital tool, for example of the EPANET type.
  • the database 13 for its part compiles as many scenarios as possible representing the most diverse possible situations that the network 1 may encounter. These situations may be real or simulated and may or may not contain leaks. The construction of this database 13 will be described in more detail below.
  • the neural network 14 is a fully connected convolutional network of the regressor type comprising three convolutional layers of temporal filters.
  • the layers of the neural network 14 contain temporal filters of size between 1 and 4 hours.
  • the convolutional layers are organized such that the number of filters increases at the second layer, decreases at the last layer for the final estimate.
  • the dropout technique is used.
  • the calculation unit 15 can in particular take the form of a processor: it is in particular programmed to be able to carry out simulations hydraulics, on the basis of the digital map 11 and the digital model 12.
  • the training of the neural network 14 is then represented in FIG. 3.
  • a step prior to the training of the neural network 14 is the constitution of a database of scenarios 13 as extensive as possible, covering the most diverse possible scenarios.
  • the database 13 records a time series of flow and pressure values, constituting hydraulic behavior data, for each of the hydraulic sensors 4, 5 of the network 1 and associates it with the scenario leak data. in question, that is to say the area Zf and the flow rate Qf of each leak, or the “no leak” information when the scenario has no leaks.
  • the time series of flow and pressure extend over 24 hours, from midnight to midnight, with a step of 15 minutes.
  • the database 13 first of all includes a plurality of nominal consumption scenarios, with no leaks. These nominal consumption scenarios come directly from the numerical model of hydraulic behavior 12 for different periods of the week and of the year.
  • the database 13 comprises at least nominal consumption scenarios for a working day and a weekend day, in the winter period on the one hand and in the summer period on the other hand.
  • the greater the number of nominal consumption scenarios the more effective the training of the neural network 14: it is thus preferable to record different scenarios for each day of the week and each month of the year; it is also interesting to distinguish the school holiday periods from the rest of the year.
  • the database 13 can also include robustness scenarios without leaks but including noise.
  • these robustness scenarios can derive from certain nominal consumption scenarios in which variations are introduced in the demands of the different consumers.
  • a nominal consumption scenario can thus lead to the generation of a plurality of robustness scenarios by introducing different variations from one robustness scenario to another.
  • These variations respect random draws according to given distribution laws, for example equidistributed laws, in given ranges of variations, these ranges of variations possibly depending on the type of consumer and/or seasonality
  • the database 13 then includes a plurality of leak scenarios, comprising one or more leaks. Some of these escape scenarios may come from real-life situations. Thus, for each real leak identified and characterized by an operator working on the network, all of the data relating to this leak is recorded in the database 13: in particular, the characterization, comprising the zone Zf in which the leak and the leak rate Qf, is recorded in association with the time series of flow rate Qi and pressure Pi measured by the hydraulic sensors 4, 5 over the period of time extending between the detection of the leak and its repair.
  • the calculation unit 15 thus introduces into the map 11 an additional node 3, representing the simulated leak, in a given zone Zf of the network 1 and assigns it a flow rate Qf in the digital model 12.
  • the calculation unit 15 then calculates on the basis of the other parameters of the digital model 12 what would be the values of flow rate Qi and pressure Pi measured by all of the hydraulic sensors 4, 5 in such a situation.
  • the time series of flow rate Qi and pressure Pi thus simulated are then recorded in the database 13 in association with the data of the simulated leak, that is to say its zone Zf and its flow rate Qf.
  • the calculation unit 15 thus simulates a very large number of leak scenarios by browsing successively, for each day of the week and each period of the year, each zone Z of the network and by incrementing, for each zone Z , the leakage flow rate Qf, for example by random draw evenly distributed from 0.1m3/h to 20m3/h.
  • database 13 also includes multi-leak scenarios.
  • the calculation unit 15 simulates such multi-leak scenarios in a manner analogous to what has been described above except that the calculation unit 15 in this case introduces several additional nodes 3 and assigns them to each a leakage rate Qf.
  • the calculation unit thus traverses in a matrix manner the leak zones Zf and the leak flow rates Qf for each of the leaks thus simulated.
  • These multi-leak scenarios may include an arbitrary number of leaks, this number being limited only by the computing power of the computing unit 15 and by the time available to constitute the database 13.
  • the database 13 comprises at least scenarios comprising up to three leaks.
  • each of these original scenarios can be multiplied by introducing stochastic variability in the time series of consumer demands for each node of the network for each scenario, this variability then affecting the simulated time series of flow and pressure.
  • stochastic variability in the time series of consumer demands for each node of the network for each scenario, this variability then affecting the simulated time series of flow and pressure.
  • several scenarios can be recorded in the database 13 with different sets of stochastic offsets.
  • the neural network 14 uses the database 13 in order to carry out its initial training. Once the initial training is complete, the neural network 14 can then be used to automatically characterize new leaks.
  • the characterization module leak 10 comprises an optimized sensor placement module configured to determine an optimized location for at least one new hydraulic sensor 4, 5. This optimized placement step is performed within a given sector S1, S2, S3.
  • This sensor placement module first defines several potential locations for a new sensor of a given type, for example for a pressure sensor 5. These potential locations can be arbitrary or decided manually or automatically on the base of the digital cartography 11 and of the digital model 12. In particular, certain portions of the network can be excluded because of too great technical or economic constraints to install a new sensor in this portion of the network.
  • the sensor placement module thus forms several sets of sensors each including the existing sensors and a potential sensor positioned at the potential location thus defined.
  • the optimized sensor placement module then generates a large number of scenarios, with and without leaks, from the hydraulic behavior model 12: all of these scenarios then form a reference set.
  • the optimized sensor placement module simulates, for each scenario of the reference set, the flow and/or pressure time series that would be measured by each existing sensor as well only by the new sensor potential; it then constructs for each potential location a sensitivity matrix comprising, for each leak scenario, the deviation measured by each sensor with respect to the nominal scenario without corresponding leak.
  • the optimized sensor placement module assigns points to each potential location depending, on the one hand, on the number of leaks detected in the corresponding sensitivity matrix, that is to say the number of leak scenarios having effectively led to a notable deviation of the measurements of at least one sensor of the game tested compared to the corresponding nominal scenario; and as a function, on the other hand, of the number of leaks discerned from each other by the set of sensors, that is to say of the number of leak scenarios having different signatures in the sensitivity matrix.
  • the optimized sensor placement module then classifies the potential locations according to the score obtained and thus offers a selection of particularly promising locations for the placement of a new sensor.
  • the optimized sensor placement module can similarly propose several new sensors simultaneously by generating sets of sensors including several potential sensors instead of just one.
  • the previous example includes sensors already installed on the network.
  • the optimized sensor placement module can similarly offer a completely new set of sensors, for example when installing a new network.
  • the manipulated sensor sets include only potential sensors and no existing sensors.
  • the leak characterization module 10 also comprises a module for defining the zones Z of the fluid network 10 making it possible to define the zones Z of the network 1 in such a way more optimized, either initially or within the framework of a redefinition of the zones Z.
  • This zone definition step is carried out within a given sector SI, S2, S3, and preferably within each sector SI, S2 , S3.
  • the zone definition module works once the set of sensors is known. It may be the set of existing sensors for a pre-existing network, or the set obtained by the method of the first variant above for a new network or for a network which it is desired to complete.
  • the zone definition module then generates a large number of scenarios, with and without leaks, from the hydraulic behavior model 12: all of these scenarios then form a reference set. This can be the same reference set used above for sensor placement.
  • the zone definition module then simulates, for each scenario of the reference set, the time series of flow and/or pressure which would be measured by each sensor of the set of sensors; it constructs a sensitivity matrix comprising, for each leak scenario, the deviation measured by each sensor with respect to the nominal scenario without corresponding leak.
  • this sensitivity matrix is already constructed and can then be directly reused.
  • the zone definition module determines in the sensitivity matrix the groups of leaks which, for a given flow rate, are indistinguishable from each other.
  • the zone definition module then defines each zone Z of the sector such that each zone Z groups together the locations of all the leaks that are indistinguishable from each other. A set of minimum detectability zones is thus obtained for the set of sensors considered.
  • the leak characterization module 10 may also comprise a module for calibrating the digital hydraulic behavior model 12, configured to adjust at least one parameter of the digital model 12 by comparing a simulated scenario with the corresponding real scenario.
  • a calibration can in particular be carried out when the distribution network is modified or when changes in consumption profiles are expected.
  • Such a calibration step is actually useful only in the presence of a significant error, for example greater than 10%, for at least one of the hydraulic behavior data between the scenario simulated with the numerical model 12 and the corresponding real scenario. This calibration is carried out according to an optimization algorithm minimizing the error between the simulated data and the measured data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Examining Or Testing Airtightness (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Procédé de caractérisation de fuite dans un réseau de fluide, le réseau de fluide comportant plusieurs zones interconnectées, dans lequel le réseau de fluide est équipé d'au moins un capteur de débit en entrée du réseau et d'au moins un autre capteur hydraulique, du type capteur de débit ou de pression, configurés pour fournir des données de comportement hydraulique (Qi, Pi), dans lequel le réseau de fluide est doté d'une cartographie numérique comprenant au moins la géométrie du réseau de fluide et la localisation desdits capteurs hydrauliques, et dans lequel un modèle d'apprentissage statistique reçoit en entrée un jeu de données de comportement hydraulique (Qi, Pi) et fournit en sortie au moins une donnée de caractérisation de la fuite parmi la zone de la fuite (Zf) et le débit de fuite (Qf)..

Description

Procédé de caractérisation de fuite
Domaine Technique
[1] Le présent exposé concerne un procédé de caractérisation de fuite dans un réseau de fluide, permettant de détecter et de caractériser une fuite dans un réseau de fluide, en particulier de déterminer sa zone et/ou son débit.
[2] Un tel procédé peut notamment être utilisé pour détecter et 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
[3] 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%.
[4] 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.
[5] 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.
[6] 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.
[7] 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.
[8] 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 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.
[9] Il existe donc un réel besoin d'un procédé de caractérisation de fuite dans un réseau de fluide, permettant de détecter et déterminer la zone 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
[10] 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, le réseau de fluide comportant plusieurs zones interconnectées, dans lequel le réseau de fluide est équipé d'au moins un capteur de débit en entrée du réseau et d'au moins un autre capteur hydraulique, du type capteur de débit ou de pression, configurés pour fournir des données de comportement hydraulique, dans lequel le réseau de fluide est doté d'une cartographie numérique comprenant au moins la géométrie du réseau de fluide et la localisation desdits capteurs hydrauliques, comprenant la construction d'une base de données contenant une pluralité de scénarios de fuite associant au moins une donnée de caractérisation de la fuite parmi la zone de la fuite et le débit de fuite avec un jeu de données de comportement hydraulique, et une pluralité de scénarios dépourvus de fuite associant le label « pas de fuite » avec un jeu de données comportement hydraulique, et comprenant l'entraînement du modèle d'apprentissage statistique sur la base de données ainsi construite.
[11] 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 détecter et de caractériser une fuite dans un réseau de fluide sur la base d'un jeu de données de comportement hydraulique obtenus sur le réseau de fluide en question.
[12] Naturellement, plus la base contient un nombre de scénarios important, plus l'entraînement du modèle d’apprentissage statistique sera poussé et plus ce modèle d'apprentissage statistique sera capable de détecter et de caractériser les fuites avec précision. En particulier, plus la base de données contient des scénarios variés, explorant autant que possible l'ensemble des cas envisageables, plus le modèle d'apprentissage statistique parviendra à reconnaître ces situations avec facilité et fiabilité.
[13] En revanche, un nombre important de capteurs hydrauliques n'est pas requis pour obtenir des résultats satisfaisants. Au contraire, ce procédé permet d'obtenir des résultats plus précis et plus fiables que les procédés de sectorisation existants, y compris en présence de plusieurs fuites distinctes.
[14] Dans le présent exposé, on entend par « zone », ou par « zone de détectabilité », un groupe prédéfini de canalisations au sein du réseau, ou d'un secteur lorsque de tels secteurs existent. Dans le présent exposé, la localisation des fuites vise alors à identifier la zone contenant la fuite, sans rechercher une localisation plus précise au sein de ladite zone. D'ailleurs, en fonction de la géométrie du réseau et de la localisation des capteurs hydrauliques, certaines fuites peuvent être indiscernables les unes des autres par de telles techniques hydrauliques si elles sont situées sur la même canalisation ou sur certaines canalisations voisines : une zone de détectabilité est alors dite « minimale » s'il n'est pas possible de réduire sa taille sans perdre son caractère discernable. Grâce au présent procédé, il est possible de définir des zones de détectabilité minimales regroupant quelques canalisations uniquement, lorsque les procédés de sectorisation classiques ne peuvent localiser une fuite qu'à l'échelle d'un secteur complet.
[15] Dans le présent exposé, on entend par « secteur » un sous-ensemble du réseau de fluide muni d'un capteur de débit à chacune de ses interfaces d'entrée ou de sortie, ce qui permet ainsi de réaliser un bilan de consommation à l'échelle du secteur et de détecter des pertes en eau, notamment par l'étude de l'évolution des consommations nocturnes. En général, un réseau de fluide comprend plusieurs secteurs interconnectés en quelques points de passage, tous ces points de passage étant donc équipés d'un capteur de débit. Selon la taille du réseau de fluide, chaque secteur comprend généralement entre 10 et 40 km de canalisations. Le présent exposé peut alors aussi bien s'appliquer à l'échelle du réseau tout entier ou bien à l'échelle de chaque secteur, lorsque de tels secteurs existent au sein du réseau.
[16] Dans le présent exposé, on entend par « capteur de débit » aussi bien un capteur capable de mesurer le débit instantané du fluide au niveau du capteur, qu'un compteur de volume capable de mesurer, de manière incrémentale, le volume de fluide traversant le capteur dans un sens donné et donc également capable de déterminer indirectement le débit moyen, sur un intervalle de temps donné, au niveau de ce capteur.
[17] Dans certains modes de réalisation, la cartographie numérique du réseau comprend en outre les équipements du réseau et/ou les points de livraison du réseau. [18] Dans certains modes de réalisation, le réseau de fluide est également doté d'un modèle numérique de comportement hydraulique du réseau incluant au moins un scénario de consommation nominal. Ce modèle numérique permet de réaliser des simulations de comportement hydraulique du réseau en modifiant certaines variables, par exemple les demandes des différents consommateurs. Ce modèle numérique permet également de simuler des fuites sur certaines canalisations du réseau et de calculer le comportement hydraulique du réseau en présence de ces fuites, en particulier au niveau des emplacements réels des capteurs hydrauliques. Ces scénarios de consommation nominaux peuvent faire partie des scénarios dépourvus de fuite enregistrés dans la base de données avec un label « pas de fuite ».
[19] Dans certains modes de réalisation, le modèle numérique de comportement hydraulique du réseau inclut plusieurs scénarios de consommation nominaux en fonction du moment de la journée, du jour de la semaine et/ou de la saison . Ceci permet des simulations plus précises et plus fiables tenant compte de la temporalité de la situation simulée. Ceci permet également au modèle d'apprentissage statistique de reconnaître les situations nominales, dépourvues de fuites, indépendamment du moment d'évaluation. En particulier, la journée peut être divisée en deux périodes : le jour et la nuit ; toutefois, une division plus fine de la journée peut également être utilisée. En particulier, la semaine peut être divisée en deux périodes : les jours ouvrés, du lundi au vendredi, et le weekend, du samedi au dimanche ; toutefois, une division plus fine de la semaine, tenant compte par exemple de chaque jour de la semaine individuellement, peut également être utilisée. En particulier, l'année peut être divisée en deux périodes : la période estivale et la période hivernale ; toutefois, une division plus fine de l'année, trimestrielle voire mensuelle, peut également être utilisée ; il peut également être tenu compte des vacances scolaires.
[20] Dans certains modes de réalisation, la base de données contient plusieurs scénarios de robustesse dépourvus de fuite mais comprenant du bruit. Ceci permet de renforcer l'entraînement du modèle d'apprentissage statistique et ainsi augmenter la probabilité de détecter correctement une situation dépourvue de fuite, autrement dit de réduire la probabilité de fausse détection de fuite. En particulier, l'ajout de bruit peut comprendre l'introduction de variations dans les demandes des différents consommateurs par rapport aux scénarios de consommation nominaux.
[21] Dans certains modes de réalisation, le procédé d'entraînement comprend une étape d'introduction de variabilité stochastique dans les données de comportement hydraulique enregistrées dans la base de données pour chaque scénario de fuite. Ceci est également possible, et préférable, pour les scénarios dépourvus de fuite, comme cela a été vu ci-dessus avec les scénarios de robustesse. On renforce ainsi l'entraînement du modèle d'apprentissage statistique, ce qui permet d'augmenter sa fiabilité. En particulier, pour chaque scénario originel, pourvu ou dépourvu de fuite, plusieurs scénarios peuvent être enregistrés dans la base de données avec différents jeux d'offsets stochastiques.
[22] Dans certains modes de réalisation, la base de données contient au moins un scénario de fuite simulé à l'aide de la cartographie numérique du réseau et du modèle numérique de comportement hydraulique du réseau. Ceci permet d'augmenter à volonté la taille de la base de données et, notamment, de simuler une grande variété de situations, renforçant d'autant plus l'entraînement du modèle d'apprentissage statistique. Ces scénarios de fuite comprennent au moins les données de comportement hydraulique au niveau des emplacements réels des capteurs hydrauliques.
[23] Dans certains modes de réalisation, la base de données contient au moins un scénario de fuite réel. En particulier, il est possible d'enregistrer dans la base de données toutes les fuites effectivement détectées et caractérisées dans le réseau, en association avec les données de comportement hydraulique relevées lors de ces fuites par les capteurs hydrauliques.
[24] Dans certains modes de réalisation, la base de données contient au moins 10 000 scénarios de fuite, de préférence au moins 100 000 scénarios de fuite, de préférence au moins 1 000 000 scénarios de fuite. Plus la taille de la base de données est importante, plus l'entraînement du modèle d'apprentissage statistique sera poussé et donc plus la précision et la fiabilité de ce dernier seront importantes. Naturellement, afin d'atteindre un tel volume de scénarios, il est préférable d'inclure à la fois des fuites réelles et des fuites simulées.
[25] Dans certains modes de réalisation, la base de données contient au moins plusieurs scénarios de fuite concernant des moments de la journée, des jours de la semaine et/ou des saisons différentes. En particulier, la base de données peut enregistrer pour chacun de ces scénarios un label rappelant le moment de la journée, de la semaine et/ou de l'année correspondant. Toutefois, une telle labellisation n'est en rien indispensable pour permettre la détection et la caractérisation de fuites par le modèle d'apprentissage statistique : en pratique, cette information peut ne pas être donnée au modèle d'apprentissage statistique.
[26] Dans certains modes de réalisation, chaque scénario inclut au moins une série temporelle de jeux de données de comportement hydraulique. Ceci permet d'augmenter la quantité de données analysable par le modèle d'apprentissage statistique et de dépasser certains événements transitoires au sein du réseau hydraulique comme par exemple des variations soudaines de demandes de certains consommateurs.
[27] Dans certains modes de réalisation, la série temporelle s'étend sur au moins 4h, de préférence au moins 8h, de préférence encore sur 24h.
[28] Dans certains modes de réalisation, le pas de la série temporelle est inférieur ou égal à 60 minutes, de préférence inférieur ou égal à 30 minutes, de préférence encore inférieur ou égal à 15 minutes.
[29] Dans certains modes de réalisation, au moins un scénario de fuite inclut plusieurs fuites avec au moins une donnée de caractérisation de chacune de ces fuites. Ceci permet d'entraîner le modèle d'apprentissage statistique à reconnaître des situations dans lesquelles plusieurs fuites sont présentes, ce que ne permettent pas les procédés de sectorisation actuels. Le modèle d'apprentissage statistique, une fois entraîné, peut alors détecter une telle situation multi-fuites mais également déterminer la zone et/ou le débit de chaque fuite ainsi détectée.
[30] Dans certains modes de réalisation, au moins un scénario de fuite inclut au moins trois fuites distinctes, de préférence au moins quatre fuites distinctes, de préférence encore au moins cinq fuites distinctes. [31] Dans certains modes de réalisation, une zone du réseau de fluide comprend au maximum 3000 mètres de canalisation, de préférence au maximum 1000 mètres de canalisations, de préférence encore au maximum 500 mètres de canalisations et de préférence encore au maximum 150 mètres de canalisations.
[32] Dans certains modes de réalisation, une zone de réseau de fluide comprend une longueur de canalisations inférieure à 30%, de préférence inférieure à 20%, de préférence encore inférieure à 10%, de la longueur de canalisations du secteur.
[33] Dans certains modes de réalisation, le réseau de fluide comprend au moins un secteur, chaque secteur comportant une pluralité de zones et au moins un capteur de débit en entrée du secteur. Lorsque le réseau comprend plusieurs secteurs, un capteur de débit est prévu à l'interface entre chaque secteur interconnecté. En revanche, un capteur de débit n'est pas requis entre les différentes zones d'un même secteur.
[34] Dans certains modes de réalisation, les capteurs hydrauliques comprennent au moins un capteur de débit et au moins un capteur de pression.
[35] Dans certains modes de réalisation, les capteurs de débit représentent une part parmi les capteurs hydrauliques inférieure à 50%, de préférence inférieure à 20%, de préférence encore inférieure à 10%. Grâce au présent procédé, il est en effet possible de réduire le recours aux capteurs de débit : en effet, à l'exception du capteur de débit prévu en entrée de réseau ou de secteur, des données de pression suffisent au fonctionnement du présent procédé. Ceci est avantageux car les capteurs de pression sont moins coûteux et plus faciles à mettre en place et à entretenir que les capteurs de débits.
[36] Dans certains modes de réalisation, les capteurs de pression représentent une part parmi les capteurs hydrauliques supérieure à 50%, de préférence supérieure à 80%, de préférence encore supérieure à 90%.
[37] Dans certains modes de réalisation, le réseau comprend au moins 1 capteur hydraulique pour 3000 mètres de canalisation, de préférence pour 2000 mètre de canalisation, de préférence encore pour 1000 mètres de canalisation.
[38] Dans certains modes de réalisation, le procédé d'entraînement comprend une étape de placement optimisé de capteur, au cours de laquelle au moins un emplacement optimisé est déterminé pour au moins un nouveau capteur hydraulique. Ceci permet d'optimiser le rapport coût sur efficacité de l'introduction de tout nouveau capteur.
[39] Dans certains modes de réalisation, l'étape de placement optimisé de capteur comprend les étapes suivantes : simulation de plusieurs capteurs hydrauliques potentiels en différents emplacements du réseau de fluide ; simulation de plusieurs scénarios de fuite ; et identification des capteurs potentiels qui maximisent la probabilité de détection des fuites et/ou qui maximisent la discernabilité des fuites détectées. Dans le présent exposé, on considère que deux fuites sont discernables lorsque le jeu de capteurs du réseau renvoie des signatures, c'est-à-dire des jeux de mesures, différentes l'une de l'autre. Ainsi, indirectement, la maximisation de la discernabilité des fuites permet de réduire la taille des zones Z. Afin de maximiser l'efficacité de cette méthode, il est possible de faire varier à la fois la localisation des fuites simulées mais également leurs débits ; il est également possible de comparer les résultats avec plusieurs scénarios nominaux.
[40] Dans certains modes de réalisation, le procédé d'entraînement comprend une étape de définition des zones du réseau de fluide, au cours de laquelle au moins une zone est définie pour optimiser la détection de fuite par les capteurs hydrauliques. En particulier, l'objectif est de pouvoir minimiser la taille des zones mais également, à taille de zone égale, d'augmenter la probabilité de distinguer deux fuites voisines.
[41] Dans certains modes de réalisation, le procédé d'entraînement comprend une étape de calibration du modèle numérique de comportement hydraulique du réseau, au cours de laquelle au moins un paramètre du modèle numérique de comportement hydraulique du réseau est ajusté en confrontant un scénario simulé avec le scénario réel correspondant. Ceci permet notamment d'améliorer la précision du modèle numérique lorsque le réseau de distribution est modifié ou lorsque des évolutions de profils de consommation sont attendues. En tout état de cause, les inventeurs ont constaté que le présent procédé ne requiert pas un calibrage très précis du modèle numérique de comportement hydraulique du réseau.
[42] Dans certains modes de réalisation, l'étape de calibration du modèle numérique de comportement hydraulique du réseau comprend l'utilisation d'un algorithme d'optimisation minimisant l'erreur entre les données simulées du scénario simulé et les données mesurées du scénario réel correspondant.
[43] Dans certains modes de réalisation, le modèle d'apprentissage statistique comprend au moins un réseau de neurones.
[44] Dans certains modes de réalisation, le réseau de neurones est un réseau convolutif entièrement connecté du type classifieur comprenant trois couches convolutives de filtre temporels. Les couches du réseau de neurones contiennent des filtres temporels de taille entre 1 et 4 heures. Les couches convolutives sont organisées de telle sorte que le nombre de filtres augmente à la deuxième couche diminue à la dernière couche pour l’estimation finale. Pour éviter le surapprentissage, la technique d'abandon est utilisée.
[45] Dans certains modes de réalisation, le modèle d'apprentissage statistique est un modèle d’arbres décisionnels, une machine à support de vecteur, ou encore une régression non linéaire.
[46] 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.
[47] Dans certains modes de réalisation, le modèle d'apprentissage statistique est du type régresseur. Autrement dit, le débit de fuite est déterminé aussi précisément que possible, avec une certaine marge d'erreur. De préférence, cette marge d'erreur par rapport au débit de fuite réel est inférieure ou égale à 10% ou encore inférieure ou égale à 10 m3/h ou à 5 m3/h.
[48] Le présent exposé concerne également un procédé de caractérisation de fuite dans un réseau de fluide, le réseau de fluide comportant plusieurs zones interconnectées, dans lequel le réseau de fluide est équipé d'au moins un capteur de débit en entrée du réseau et d'au moins un autre capteur hydraulique, du type capteur de débit ou de pression, configurés pour fournir des données de comportement hydraulique, dans lequel le réseau de fluide est doté d'une cartographie numérique comprenant au moins la géométrie du réseau de fluide et la localisation desdits capteurs hydrauliques, et dans lequel un modèle d'apprentissage statistique reçoit en entrée un jeu de données de comportement hydraulique et fournit en sortie au moins une donnée de caractérisation de la fuite parmi la zone de la fuite et le débit de fuite.
[49] Ainsi, grâce un tel modèle d'apprentissage statistique, il est possible de détecter une fuite et d'obtenir des informations sur sa zone et/ou son débit, c'est-à-dire sa gravité, 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 données de comportement hydraulique, le modèle d'apprentissage statistique ne détecte aucune fuite.
[50] 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.
[51] 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 réalisations décrits ci-avant.
[52] Dans certains modes de réalisation, la cartographie numérique du réseau comprend en outre les équipements du réseau et/ou les points de livraison du réseau.
[53] Dans certains modes de réalisation, le modèle d'apprentissage statistique reçoit en entrée au moins une série temporelle de jeux de données de comportement hydraulique.
[54] Dans certains modes de réalisation, la série temporelle s'étend sur au moins 4h, de préférence au moins 8h, de préférence encore sur 24h. [55] Dans certains modes de réalisation, le pas de la série temporelle est inférieur ou égal à 60 minutes, de préférence inférieur ou égal à 30 minutes, de préférence encore inférieur ou égal à 15 minutes.
[56] Dans certains modes de réalisation, lorsque le modèle d'apprentissage statistique détecte plusieurs fuites, il fournit en sortie au moins une donnée de caractérisation de chaque fuite détectée.
[57] Dans certains modes de réalisation, une zone du réseau de fluide comprend au maximum 3000 mètres de canalisation, de préférence au maximum 1000 mètres de canalisations, de préférence encore au maximum 500 mètres de canalisations et de préférence encore au maximum 150 mètres de canalisations.
[58] Dans certains modes de réalisation, une zone de réseau de fluide comprend une longueur de canalisations inférieure à 30%, de préférence inférieure à 20%, de préférence encore inférieure à 10%, de la longueur de canalisations du secteur.
[59] Dans certains modes de réalisation, le réseau de fluide comprend au moins un secteur, chaque secteur comportant une pluralité de zones et au moins un capteur de débit en entrée du secteur. Lorsque le réseau comprend plusieurs secteurs, un capteur de débit est prévu à l'interface entre chaque secteur interconnecté. En revanche, un capteur de débit n'est pas requis entre les différentes zones d'un même secteur.
[60] Dans certains modes de réalisation, les capteurs hydrauliques comprennent au moins un capteur de débit et au moins un capteur de pression.
[61] Dans certains modes de réalisation, les capteurs de débit représentent une part parmi les capteurs hydrauliques inférieure à 50%, de préférence inférieure à 20%, de préférence encore inférieure à 10%.
[62] Dans certains modes de réalisation, les capteurs de pression représentent une part parmi les capteurs hydrauliques supérieure à 50%, de préférence supérieure à 80%, de préférence encore supérieure à 90%.
[63] Dans certains modes de réalisation, le modèle d'apprentissage statistique comprend au moins un réseau de neurones.
[64] Dans certains modes de réalisation, le réseau de neurones est un réseau convolutif entièrement connecté du type classifieur comprenant trois couches convolutives de filtre temporels. Les couches du réseau de neurones contiennent des filtres temporels de taille entre 1 et 4 heures. Les couches convolutives sont organisées de telle sorte que le nombre de filtres augmente à la deuxième couche diminue à la dernière couche pour l'estimation finale. Pour éviter le surapprentissage, la technique d'abandon est utilisée.
[65] Dans certains modes de réalisation, le modèle d'apprentissage statistique est un modèle d’arbres décisionnels, une machine à support de vecteur, ou encore une régression non linéaire.
[66] 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.
[67] Dans certains modes de réalisation, le modèle d'apprentissage statistique est du type régresseur. Autrement dit, le débit de fuite est déterminé aussi précisément que possible, avec une certaine marge d'erreur. De préférence, cette marge d'erreur par rapport au débit de fuite réel est inférieure ou égale à 10% ou encore inférieure ou égale à 10 m3/h ou à 5 m3/h.
[68] Le présent exposé concerne également un module de caractérisation de fuite dans un réseau de fluide, le réseau de fluide comportant plusieurs zones interconnectées, le réseau de fluide étant équipé d'au moins un capteur de débit en entrée du réseau et d'au moins un autre capteur hydraulique, du type capteur de débit ou de pression, configurés pour fournir des données de comportement hydraulique, le réseau de fluide étant doté d'une cartographie numérique comprenant au moins la géométrie du réseau de fluide et la localisation desdits capteurs hydrauliques, comprenant un modèle d'apprentissage statistique, configuré pour recevoir en entrée un jeu de données de comportement hydraulique et pour fournir en sortie au moins une donnée de caractérisation de la fuite parmi la zone de la fuite et le débit de fuite.
[69] 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.
[70] Dans certains modes de réalisation, le module de caractérisation de fuite comprend un module de placement optimisé de capteur configuré pour déterminer un emplacement optimisé pour au moins un nouveau capteur hydraulique.
[71] Dans certains modes de réalisation, le module de caractérisation de fuite comprend un module de définition des zones du réseau de fluide, configuré pour définir au moins une zone permettant d'optimiser la détection de fuite par les capteurs hydrauliques.
[72] Dans certains modes de réalisation, le module de caractérisation de fuite comprend un module de calibrage du modèle numérique de comportement hydraulique du réseau, configuré pour ajuster au moins un paramètre du modèle numérique de comportement hydraulique du réseau en confrontant un scénario simulé avec le scénario réel correspondant.
[73] Le présent exposé concerne également un réseau de fluide, comprenant une pluralité de capteurs hydrauliques, du type capteur de débit ou de pression, configurés pour fournir des données de comportement hydraulique, et un module de caractérisation selon l'un quelconque des modes de réalisation décrits ci-avant.
[74] 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 au moins un ordinateur.
[75] 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 annexés.
Brève description des dessins [76] Les dessins annexés sont schématiques et visent avant tout à illustrer les principes de l'exposé.
[77] Sur ces dessins, d'une figure à l'autre, des éléments (ou parties d'élément) identiques sont repérés par les mêmes signes de référence.
[78] [Fig. 1] La figure 1 est un schéma d'ensemble d'un réseau de fluide équipé d'un module de caractérisation de fuite.
[79] [Fig. 2] La figure 2 est un schéma d'ensemble d'un module de caractérisation de fuite.
[80] [Fig. 3] La figure 3 illustre un exemple d'entraînement d'un réseau de neurones.
[81] [Fig. 4] La figure 4 illustre un exemple de caractérisation de fuite à l'aide de ce réseau de neurones.
Description des modes de réalisation
[82]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.
[83] 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 reliant une pluralité de noeuds 3. Les noeuds 3 sont ainsi des points d'embranchement entre plusieurs canalisations 2 du réseau de distribution et/ou des points de consommation au niveau desquels sont branchés un ou plusieurs consommateurs.
[84] Le réseau 1 comprend en outre n capteurs de débit 4, au nombre de quatre en l'espèce, disposés au niveau de certaines canalisations 2, ainsi que m capteurs de pression 5, au nombre de six en l'espèce, disposés au niveau de certains noeuds 3. Chaque capteur de débit 4 permet de mesurer le débit passant par la canalisation 2 sur lequel il est prévu. Chaque capteur de pression 5 permet pour sa part de mesurer la pression régnant au niveau du nœud 3 sur lequel il est prévu.
[85]Au moins un capteur de débit 4a est prévu en entrée du réseau 1, en l'espèce juste à la sortie d'un château d'eau 6. Certains capteurs de débits 4b permettent également de diviser le réseau 1 en plusieurs secteurs SI, S2, S3, en l'espèce trois secteurs. Chaque secteur SI, S2, S3 regroupe ainsi une pluralité de canalisations 2 et de nœuds 3 et possède un capteur de débit 4b à chaque entrée ou sortie du secteur SI, S2, S3. Bien que cela ne soit pas représenté ici, certains capteurs de débits peuvent également être prévus au sein d'un secteur donné. Ainsi, outre les capteurs de débits 4b présents aux interfaces des secteurs SI, S2, S3, chaque secteur SI, S2, S3 comprend au moins un autre capteur hydraulique, c'est à dire au moins un autre capteur de débit 4 ou au moins un capteur de pression 5. En pratique, grâce au présent procédé, il est possible de privilégier l'installation de capteurs de pression 5, moins coûteux que des capteurs de débit.
[86] Chaque secteur SI, S2, S3 est également divisé en plusieurs zones Z regroupant quelques canalisations 2 et quelques nœuds 3. Bien que seules quelques zones Z soient représentées sur la figure 1, il faut comprendre que toutes les canalisations 2 du réseau 1 appartiennent à une zone Z bien définie.
[87] Le réseau de fluide 1 possède également un module de caractérisation de fuite 10 qui peut être hébergé au sein d'un ordinateur de la régie d'exploitation du réseau de fluide 1 ou bien au sein d'un serveur distant.
[88] 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, un modèle numérique de comportement hydraulique 12 du réseau 1, une base de données de scénarios 13, un réseau de neurones 14 (formant un modèle d'apprentissage statistique) et une unité de calcul 15 ; il comprend également tous les éléments électroniques permettant de faire fonctionner un tel module électronique : alimentation, interfaces utilisateur, mémoires etc.
[89] 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 hydrauliques 4, 5.
[90] Le modèle numérique de comportement hydraulique du réseau 12 comprend des valeurs théoriques de débit en fonction du temps pour chaque canalisation du réseau 1 et des valeurs théoriques de pression en fonction du temps pour chaque nœud 3 du réseau 1 ; ce modèle numérique 12 comprend donc en particulier les consommations estimées de chaque consommateur du réseau 1. De préférence, ces valeurs théoriques, obtenues principalement sur la base de statistiques passées, sont estimées en fonction du moment de la journée, du jour de la semaine et de la période de l'année afin d'approcher autant que possible les valeurs réelles de débit et de pression du réseau 1, quel que soit le moment considéré.
[91] La cartographie numérique 11 et le modèle numérique de comportement hydraulique 12 peuvent être intégrés au sein d'un même outil numérique, par exemple du type EPANET.
[92] La base de données 13 compile pour sa part autant de scénarios que possible représentant des situations les plus diverses possible que peut rencontrer le réseau 1. Ces situations peuvent être réelles ou simulées et peuvent être pourvues ou dépourvues de fuites. La construction de cette base de données 13 sera décrite plus en détail ci-après.
[93] Dans le présent exemple, le réseau de neurones 14 est un réseau convolutif entièrement connecté du type régresseur comprenant trois couches convolutives de filtre temporels. Les couches du réseau de neurones 14 contiennent des filtres temporels de taille entre 1 et 4 heures. Les couches convolutives sont organisées de telle sorte que le nombre de filtres augmente à la deuxième couche, diminue à la dernière couche pour l’estimation finale. Pour éviter le surapprentissage, la technique d'abandon est utilisée.
[94] L'unité de calcul 15 peut notamment prendre la forme d'un processeur : elle est notamment programmée pour être capable de réaliser des simulations hydrauliques, sur la base de la cartographie numérique 11 et du modèle numérique 12. L'entraînement du réseau de neurones 14 est alors représenté sur la figure 3. Une étape préalable à l'entraînement du réseau de neurones 14 est la constitution d'une base de données de scénarios 13 la plus étoffée possible, couvrant les scénarios les plus divers possibles. Pour chaque scénario, la base de données 13 enregistre une série temporelle de valeurs de débit et de pression, constituant des données de comportement hydraulique, pour chacun des capteurs hydrauliques 4, 5 du réseau 1 et l'associe avec les données de fuite du scénario en question, c'est-à-dire la zone Zf et le débit Qf de chaque fuite, ou l'information « pas de fuite » lorsque le scénario est dépourvu de fuite. Dans le présent exemple, les séries temporelles de débit et de pression s'étendent sur 24h, de minuit à minuit, avec un pas de 15 minutes.
[95] La base de données 13 comprend tout d'abord une pluralité de scénarios de consommation nominaux, dépourvus de fuite. Ces scénarios de consommation nominaux sont directement issus du modèle numérique de comportement hydraulique 12 pour différentes périodes de la semaine et de l'année. En particulier, dans le présent exemple, la base de données 13 comprend au moins des scénarios de consommation nominaux pour un jour ouvré et un jour de weekend, en période hivernale d'une part et en période estivale d'autre part. Toutefois, plus le nombre de scénarios de consommation nominaux est important plus l'entraînement du réseau de neurones 14 est efficace : il est ainsi préférable d'enregistrer des scénarios différents pour chaque jour de la semaine et chaque mois de l'année ; il est également intéressant de distinguer les périodes de vacances scolaires du reste de l'année.
[96]Afin de renforcer l'entraînement du réseau de neurones 14 et ainsi réduire la probabilité de fausse détection de fuite, la base de données 13 peut également comprendre des scénarios de robustesse dépourvus de fuite mais comprenant du bruit. En pratique, ces scénarios de robustesse peuvent dériver de certains scénarios de consommations nominaux dans lesquels sont introduites des variations dans les demandes des différents consommateurs. Un scénario de consommation nominal peut ainsi conduire à la génération d'une pluralité de scénarios de robustesse en introduisant des variations différentes d'un scénario de robustesse à l'autre. Ces variations respectent des tirages aléatoires suivant des lois de distribution données, par exemple des lois équiréparties, dans des plages de variations données, ces plages de variations pouvant dépendre du type de consommateur et/ou de la saisonnalité
[97] La base de données 13 comprend ensuite une pluralité de scénarios de fuite, comprenant une ou plusieurs fuites. Une partie de ces scénarios de fuite peut être issue de situations réelles. Ainsi, pour chaque fuite réelle identifiée et caractérisée par un opérateur intervenant sur le réseau, l'ensemble des données relatives à cette fuite est enregistré dans la base de données 13 : en particulier, la caractérisation, comprenant la zone Zf dans laquelle se situe la fuite et le débit de fuite Qf, est enregistrée en association avec les séries temporelles de débit Qi et de pression Pi mesurées par les capteurs hydrauliques 4, 5 sur la période de temps s'étendant entre la détection de la fuite et sa réparation.
[98] Le plus grand nombre des scénarios de fuite est toutefois simulé à partir de la cartographie numérique 11 et du modèle numérique 12. L'unité de calcul 15 introduit ainsi dans la cartographie 11 un nœud 3 supplémentaire, représentant la fuite simulée, dans une zone donnée Zf du réseau 1 et lui assigne un débit Qf dans le modèle numérique 12. L'unité de calcul 15 calcule alors sur la base des autres paramètres du modèle numérique 12 quelles seraient les valeurs de débit Qi et de pression Pi mesurées par l'ensemble des capteurs hydrauliques 4, 5 dans une telle situation. Les séries temporelles de débit Qi et de pression Pi ainsi simulées sont alors enregistrées dans la base de données 13 en association avec les données de la fuite simulée, c'est-à-dire sa zone Zf et son débit Qf.
[99] Pour une zone Zf et un débit Qf donnés, différentes simulations peuvent être réalisées pour différents jours de la semaine ou différentes périodes de l'année, ce qui augmente la taille et la diversité de la base de données 13.
[100] L'unité de calcul 15 simule ainsi un très grand nombre de scénarios de fuite en parcourant successivement, pour chaque jour de la semaine et chaque période de l'année, chaque zone Z du réseau et en incrémentant, pour chaque zone Z, le débit de fuite Qf, par exemple par tirage aléatoire équiréparti de 0,lm3/h à 20m3/h.
[101] Outre des scénarios mono-fuites, la base de données 13 comprend également des scénarios multi-fuites. L'unité de calcul 15 simule de tels scénarios multi- fuites de manière analogue à ce qui a été décrit ci-avant si ce n'est que l'unité de calcul 15 introduit dans ce cas plusieurs nœud additionnels 3 et leur assigne à chacun un débit de fuite Qf. L'unité de calcul parcourt ainsi de manière matricielle les zones de fuite Zf et les débits de fuites Qf pour chacune des fuites ainsi simulées.
[102] Ces scénarios multi-fuites peuvent comprendre un nombre arbitraire de fuites, ce nombre n'étant limité que par la puissance de calcul de l'unité de calcul 15 et par le temps disponible pour constituer la base de données 13. Raisonnablement, la base de données 13 comprend au moins des scénarios comprenant jusqu'à trois fuites.
[103] De plus, afin d'augmenter la taille de la base de données 13 et de renforcer l'entraînement du réseau de neurone 14, notamment en vue d'une plus grande robustesse, chacun de ces scénarios originels, pourvu ou dépourvu de fuite, peut être démultiplié en introduisant de la variabilité stochastique dans les séries temporelles des demandes de consommateurs pour chaque nœud du réseau pour chaque scénario, cette variabilité se répercutant alors sur les séries temporelles simulées de débit et de pression. Ainsi, pour chaque scénario originel, pourvu ou dépourvu de fuite, plusieurs scénarios peuvent être enregistrés dans la base de données 13 avec différents jeux d'offsets stochastiques.
[104] Une fois qu'un grand nombre de scénarios a ainsi été répertorié dans la base de données 13, le réseau de neurones 14 utilise la base de données 13 afin de réaliser son entraînement initial. Une fois l'entraînement initial terminé, le réseau de neurones 14 peut alors être utilisé pour caractériser automatiquement de nouvelles fuites.
[105] Concrètement, chaque journée, les séries temporelles de valeurs de débit Qi et de pression Pi mesurées par les capteurs hydrauliques 4, 5 sont enregistrées et compilées. Comme cela est représenté sur la figure 4, ces séries temporelles de débit Qi et de pression Pi sont alors transmises en entrée du réseau de neurones 14 : grâce à son entraînement, le réseau de neurones 14 est alors capable de déterminer si le réseau 1 comprend une ou plusieurs fuites et, dans ce cas, de caractériser chaque fuite ainsi détectée, c'est-à-dire sa zone Zf et son débit Qf.
[106] Le précédent exemple a été décrit dans le cadre d'un réseau 1 préexistant, possédant en conséquence des capteurs hydrauliques 4, 5 préexistants et une définition préétablie des zones Z. Toutefois, dans une première variante de réalisation, le module de caractérisation de fuite 10 comprend un module de placement optimisé de capteur configuré pour déterminer un emplacement optimisé pour au moins un nouveau capteur hydraulique 4, 5. Cette étape de placement optimisé est réalisée au sein d'un secteur SI, S2, S3 donnée.
[107] Ce module de placement de capteur définit tout d'abord plusieurs localisations potentielles pour un nouveau capteur d'un type donné, par exemple pour un capteur de pression 5. Ces localisations potentielles peuvent être arbitraires ou bien décidées manuellement ou automatiquement sur la base de la cartographie numérique 11 et du modèle numérique 12. En particulier, certaines portions du réseau peuvent être exclue en raison de contraintes techniques ou économiques trop importantes pour implanter un nouveau capteur dans cette portion du réseau. Le module de placement de capteur forme ainsi plusieurs jeux de capteurs incluant chacun les capteurs existants et un capteur potentiel positionné à la localisation potentielle ainsi définie.
[108] Le module de placement optimisé de capteur génère ensuite un nombre important de scénarios, pourvus et dépourvus de fuite, à partir du modèle de comportement hydraulique 12. : l'ensemble de ces scénarios forme alors un ensemble de référence.
[109] Pour chaque localisation potentielle d'un nouveau capteur, le module de placement optimisé de capteur simule, pour chaque scénario de l'ensemble de référence, les séries temporelles de débit et/ou de pression qui seraient mesurées par chaque capteur existant ainsi que par le nouveau capteur potentiel ; il construit alors pour chaque localisation potentielle une matrice de sensibilité comprenant, pour chaque scénario de fuite, l'écart mesuré par chaque capteur par rapport au scénario nominal dépourvu de fuite correspondant.
[110] Une fois une matrice de sensibilité ainsi construite pour chaque localisation potentielle, le module de placement optimisé de capteur attribue à chaque localisation potentielle des points en fonction, d'une part, du nombre de fuite détectées dans la matrice de sensibilité correspondante, c'est-à-dire du nombre de scénarios de fuite ayant effectivement conduit à une déviation notable des mesures d'au moins un capteur du jeu testé par rapport au scénario nominal correspondant ; et en fonction, d'autre part, du nombre de fuites discernées les unes des autres par le jeu de capteurs, c'est-à-dire du nombre de scénarios de fuite ayant des signatures différentes dans la matrice de sensibilité.
[111] Le module de placement optimisé de capteur classe alors les localisations potentielle selon le score obtenu et propose ainsi une sélection de localisations particulièrement prometteuses pour le placement d'un nouveau capteur.
[112] Dans l'exemple ci-dessus, un seul nouveau capteur est envisagé. Cependant, le module de placement optimisé de capteur peut de manière analogue proposer plusieurs nouveaux capteurs simultanément en générant des jeux de capteurs incluant plusieurs capteurs potentiels au lieu d'un seul.
[113] De même, l'exemple précédent inclut des capteurs déjà installé sur le réseau. Cependant, le module de placement optimisé de capteur peut de manière analogue proposer un jeu de capteurs complètement nouveau, par exemple lors de l'installation d'un nouveau réseau. Dans ce cas, les jeux de capteurs manipulés n'incluent que des capteurs potentiels et aucun capteur existant.
[114] Dans une deuxième variante de réalisation, combinable ou non avec la première variante, le module de caractérisation de fuite 10 comprend également un module de définition des zones Z du réseau de fluide 10 permettant de définir les zones Z du réseau 1 de manière plus optimisée, soit initialement, soit dans le cadre d'une redéfinition des zones Z. Cette étape de définition de zones est réalisée au sein d'un secteur SI, S2, S3 donnée, et de préférence au sein de chaque secteur SI, S2, S3. [115] Le module de définition de zones travaille une fois que le jeu de capteurs est connu. Il peut s'agir du jeu de capteurs existants pour un réseau préexistant, ou du jeu obtenu par le procédé de la première variante ci-dessus pour un nouveau réseau ou pour un réseau que l'on souhaite compléter.
[116] Le module de définition de zones génère alors un nombre important de scénarios, pourvus et dépourvus de fuite, à partir du modèle de comportement hydraulique 12. : l'ensemble de ces scénarios forme alors un ensemble de référence. Il peut s'agir du même ensemble de référence que celui utilisé ci- dessus pour le placement de capteurs.
[117] Le module de définition de zones simule alors, pour chaque scénario de l'ensemble de référence, les séries temporelles de débit et/ou de pression qui seraient mesurées par chaque capteur du jeu de capteurs; il construit une matrice de sensibilité comprenant, pour chaque scénario de fuite, l'écart mesuré par chaque capteur par rapport au scénario nominal dépourvu de fuite correspondant. Lorsque la deuxième variante est combinée à la première variante, cette matrice de sensibilité est déjà construite et peut alors directement être réutilisée.
[118] Le module de définition de zones détermine alors dans la matrice de sensibilité les groupes de fuites qui, pour un débit donné, sont indiscernables les unes des autres. Le module de définition de zones définit alors chaque zone Z du secteur de telle sorte que chaque zone Z regroupe les localisations de l'ensemble des fuites indiscernables les unes des autres. On obtient ainsi un jeu de zones de détectabilité minimal pour le jeu de capteurs considéré.
[119] Dans une troisième variante de réalisation, combinable à la première variante et/ou à la deuxième variante ci-dessus, le module de caractérisation de fuite 10 peut également comprendre un module de calibrage du modèle numérique de comportement hydraulique 12, configuré pour ajuster au moins un paramètre du modèle numérique 12 en confrontant un scénario simulé avec le scénario réel correspondant. Un tel calibrage peut notamment être réalisé lorsque le réseau de distribution est modifié ou lorsque des évolutions de profils de consommation sont attendues. [120] Une telle étape de calibration n'est en réalité utile qu'en présence d'une erreur importante, par exemple supérieure à 10%, pour l'une au moins des données de comportement hydraulique entre le scénario simulé avec le modèle numérique 12 et le scénario réel correspondant. Cette calibration est réalisée selon un algorithme d'optimisation minimisant l'erreur entre les données simulées et les données mesurées.
[121] 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. [122] 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
(14) destiné à la caractérisation de fuite dans un réseau de fluide, le réseau de fluide (1) comportant plusieurs zones (Z) interconnectées, dans lequel le réseau de fluide (1) est équipé d'au moins un capteur de débit (4a) en entrée du réseau (1) et d'au moins un autre capteur hydraulique, du type capteur de débit (4b) ou de pression (5), configurés pour fournir des données de comportement hydraulique, dans lequel le réseau de fluide est doté d'une cartographie numérique (11) comprenant au moins la géométrie du réseau de fluide (1) et la localisation desdits capteurs hydrauliques (4a, 4b, 5), comprenant la construction d'une base de données (13) contenant
- une pluralité de scénarios de fuite associant au moins une donnée de caractérisation de la fuite parmi la zone de la fuite (Zf) et le débit de fuite (Qf) avec un jeu de données de comportement hydraulique (Qi, Pi), et
- une pluralité de scénarios dépourvus de fuite associant le label « pas de fuite » avec un jeu de données comportement hydraulique (Qi, Pi), et comprenant l'entraînement du modèle d'apprentissage statistique (14) sur la base de données (13) ainsi construite dans lequel le réseau de fluide (1) est également doté d'un modèle numérique de comportement hydraulique du réseau (12) incluant au moins un scénario de consommation nominal, et dans lequel la base de données (13) contient au moins un scénario de fuite simulé à l'aide de la cartographie numérique du réseau (11) et du modèle numérique de comportement hydraulique du réseau (12).
[Revendication 2] Procédé d'entraînement selon la revendication 1, dans lequel la base de données (13) contient au moins plusieurs scénarios de fuite concernant des moments de la journée, des jours de la semaine et/ou des saisons différentes. [Revendication 3] Procédé d'entraînement selon la revendication 1 ou 2, dans lequel chaque scénario inclut au moins une série temporelle de jeux de données de comportement hydraulique (Qi, Pi), et dans lequel la série temporelle s'étend sur au moins 4h, de préférence au moins 8h, de préférence encore sur 24h.
[Revendication 4] Procédé d'entraînement selon l'une quelconque des revendications 1 à 3, dans lequel au moins un scénario de fuite inclut plusieurs fuites avec au moins une donnée de caractérisation (Zf, Qf) de chacune de ces fuites.
[Revendication 5] Procédé d'entraînement selon l'une quelconque des revendications 1 à 4, dans lequel les capteurs hydrauliques comprennent au moins un capteur de débit (4a, 4b) et au moins un capteur de pression (5), et dans lequel les capteurs de pression (5) représentent une part parmi les capteurs hydrauliques (4a, 4b, 5) supérieure à 50%, de préférence supérieure à 80%, de préférence encore supérieure à 90%.
[Revendication 6] Procédé d'entraînement selon l'une quelconque des revendications 1 à 5, comprenant une étape d'introduction de variabilité stochastique dans les données de comportement hydraulique (Qi, Pi) enregistrées dans la base de données (13) pour chaque scénario de fuite.
[Revendication 7] Procédé d'entraînement selon l'une quelconque des revendications 1 à 6, comprenant une étape de placement optimisé de capteur, au cours de laquelle au moins un emplacement optimisé est déterminé pour au moins un nouveau capteur hydraulique, l'étape de placement optimisé de capteur comprenant les étapes suivantes : simulation de plusieurs capteurs hydrauliques potentiels en différents emplacements du réseau de fluide (1) ; simulation de plusieurs scénarios de fuite ; et identification des capteurs potentiels qui maximisent la probabilité de détection des fuites et/ou qui maximisent la discernabilité des fuites détectées.
[Revendication 8] Procédé d'entraînement selon l'une quelconque des revendications 1 à 7, comprenant une étape de calibration du modèle numérique de comportement hydraulique du réseau (12), au cours de laquelle au moins un paramètre du modèle numérique de comportement hydraulique du réseau (12) est ajusté en confrontant un scénario simulé avec le scénario réel correspondant. [Revendication 9] Procédé d'entraînement selon l'une quelconque des revendications 1 à 8, dans lequel le modèle d'apprentissage statistique (14) comprend au moins un réseau de neurones.
[Revendication 10] Procédé de caractérisation de fuite dans un réseau de fluide, le réseau de fluide (1) comportant plusieurs zones (Z) interconnectées, dans lequel le réseau de fluide (1) est équipé d'au moins un capteur de débit (4a) en entrée du réseau et d'au moins un autre capteur hydraulique, du type capteur de débit (4b) ou de pression (5), configurés pour fournir des données de comportement hydraulique (Qi, Pi), 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 hydrauliques (4a, 4b, 5), dans lequel un modèle d'apprentissage statistique (14) reçoit en entrée un jeu de données de comportement hydraulique (Qi, Pi) et fournit en sortie au moins une donnée de caractérisation de la fuite parmi la zone de la fuite (Zf) et le débit de fuite (Qf), et dans lequel le modèle d'apprentissage statistique (14) a été entraîné à l'aide d'un procédé d'entraînement selon l'une quelconque des revendications 1 à 9.
[Revendication 11] Module de caractérisation de fuite dans un réseau de fluide, le réseau de fluide (1) comportant plusieurs zones (Z) interconnectées, le réseau de fluide (1) étant équipé d'au moins un capteur de débit (4a) en entrée du réseau (1) et d'au moins un autre capteur hydraulique, du type capteur de débit (4b) ou de pression (5), configurés pour fournir des données de comportement hydraulique (Qi, Pi), le réseau de fluide (1) étant doté d'une cartographie numérique (11) comprenant au moins la géométrie du réseau de fluide (1) et la localisation desdits capteurs hydrauliques (4a, 4b, 5), comprenant un modèle d'apprentissage statistique (14), configuré pour recevoir en entrée un jeu de données de comportement hydraulique (Qi, Pi) et pour fournir en sortie au moins une donnée de caractérisation de la fuite parmi la zone de la fuite (Zf) et le débit de fuite (Qf), dans lequel le modèle d'apprentissage statistique (14) a été entraîné à l'aide d'un procédé d'entraînement selon l'une quelconque des revendications 1 à 9.
[Revendication 12] Réseau de fluide, comprenant une pluralité de capteurs hydrauliques, du type capteur de débit (4a, 4b) ou de pression (5), configurés pour fournir des données de comportement hydraulique (Qi, Pi), et un module de caractérisation (10) selon la revendication 11.
[Revendication 13] 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 10 lorsque le programme est exécuté par au moins un ordinateur.
PCT/FR2021/051639 2020-09-25 2021-09-23 Procédé de caractérisation de fuite WO2022064151A1 (fr)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP21798412.9A EP4217702A1 (fr) 2020-09-25 2021-09-23 Procédé de caractérisation de fuite
MX2023003523A MX2023003523A (es) 2020-09-25 2021-09-23 Procedimiento para la caracterización de fuga.
US18/027,390 US20230334298A1 (en) 2020-09-25 2021-09-23 Leak characterisation method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2009791 2020-09-25
FR2009791A FR3114648B1 (fr) 2020-09-25 2020-09-25 Procédé de caractérisation de fuite

Publications (1)

Publication Number Publication Date
WO2022064151A1 true WO2022064151A1 (fr) 2022-03-31

Family

ID=74347196

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2021/051639 WO2022064151A1 (fr) 2020-09-25 2021-09-23 Procédé de caractérisation de fuite

Country Status (5)

Country Link
US (1) US20230334298A1 (fr)
EP (1) EP4217702A1 (fr)
FR (1) FR3114648B1 (fr)
MX (1) MX2023003523A (fr)
WO (1) WO2022064151A1 (fr)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115127037A (zh) * 2022-09-01 2022-09-30 北京云庐科技有限公司 一种供水管网漏损定位方法及系统
CN115512717A (zh) * 2022-11-21 2022-12-23 东北石油大学三亚海洋油气研究院 一种基于集成学习的二阶段单传感器管道泄漏定位方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7920983B1 (en) * 2010-03-04 2011-04-05 TaKaDu Ltd. System and method for monitoring resources in a water utility network
EP3112960A1 (fr) * 2015-06-29 2017-01-04 SUEZ Groupe Procédé combiné de détection d'anomalies dans un système de distribution d'eau
WO2017055743A1 (fr) * 2015-09-29 2017-04-06 Veolia Environnement Procede de detection de fuite dans un reseau de fluide
FR3083553A1 (fr) * 2018-07-09 2020-01-10 Suez Groupe Placement ameliore de capteurs de parametres physico-chimiques dans un fluide
WO2020033316A1 (fr) * 2018-08-09 2020-02-13 Bridger Pipeline Llc Détection de fuite à l'aide de l'intelligence artificielle
EP3706066A1 (fr) * 2019-03-06 2020-09-09 Engineering Ingegneria Informatica S.p.A. Système pour la surveillance d'un réseau de distribution d'eau

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7920983B1 (en) * 2010-03-04 2011-04-05 TaKaDu Ltd. System and method for monitoring resources in a water utility network
EP3112960A1 (fr) * 2015-06-29 2017-01-04 SUEZ Groupe Procédé combiné de détection d'anomalies dans un système de distribution d'eau
WO2017055743A1 (fr) * 2015-09-29 2017-04-06 Veolia Environnement Procede de detection de fuite dans un reseau de fluide
FR3083553A1 (fr) * 2018-07-09 2020-01-10 Suez Groupe Placement ameliore de capteurs de parametres physico-chimiques dans un fluide
WO2020033316A1 (fr) * 2018-08-09 2020-02-13 Bridger Pipeline Llc Détection de fuite à l'aide de l'intelligence artificielle
EP3706066A1 (fr) * 2019-03-06 2020-09-09 Engineering Ingegneria Informatica S.p.A. Système pour la surveillance d'un réseau de distribution d'eau

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115127037A (zh) * 2022-09-01 2022-09-30 北京云庐科技有限公司 一种供水管网漏损定位方法及系统
CN115512717A (zh) * 2022-11-21 2022-12-23 东北石油大学三亚海洋油气研究院 一种基于集成学习的二阶段单传感器管道泄漏定位方法

Also Published As

Publication number Publication date
FR3114648B1 (fr) 2023-06-23
MX2023003523A (es) 2023-06-29
US20230334298A1 (en) 2023-10-19
EP4217702A1 (fr) 2023-08-02
FR3114648A1 (fr) 2022-04-01

Similar Documents

Publication Publication Date Title
WO2022064151A1 (fr) Procédé de caractérisation de fuite
Ye et al. Kalman filtering of hydraulic measurements for burst detection in water distribution systems
Meseguer et al. A decision support system for on-line leakage localization
Kanakoudis et al. Applying pressure management to reduce water losses in two Greek cities’ WDSs: Expectations, problems, results and revisions
Cassidy et al. Taking water efficiency to the next level: digital tools to reduce non-revenue water
Bottcher et al. Watershed assessment model (WAM): Model use, calibration, and validation
Kutyłowska Prediction of failure frequency of water-pipe network in the selected city
CN115640881A (zh) 一种基于lstm的水库入库径流预报模型的水库水位修正方法
EP3821239B1 (fr) Placement amelioré de capteurs de parametres physico-chimiques dans un fluide
EP4182654A1 (fr) Procede de caracterisation de fuite
FR3024254A1 (fr) Procede de detection d'anomalies dans un reseau de distribution, en particulier distribution d'eau
EP3356780B1 (fr) Procede de detection de fuite dans un reseau de fluide
Ferreira et al. Flowrate time series processing in engineering tools for water distribution networks
Siddique et al. Impacts of global warming of 1.5, 2.0 and 3.0 C on hydrologic rgimes in the Northeastern US climate. 2021; 9: 9
Roni et al. Hydropower flexibility valuation tool for flow requirement evaluation
Otache et al. Parametric linear stochastic modelling of Benue river flow process
FR3049623A1 (fr) Procede et dispositif informatiques de surveillance continue d'un reseau de canalisations d'eaux residuaires
FR3103604A1 (fr) Procédé de prédiction de consommations d’une ressource distribuée dans un réseau de distribution
FR3110724A1 (fr) Détection améliorée de changement de composition physico-chimique d’un liquide
FR3139918A1 (fr) Procédé de classification par apprentissage supervisé d’évènements de consommation fluidique par un bâtiment à surveiller parmi plusieurs classes d’éléments consommateurs
Anderton et al. Understanding the performance of water supply systems during mild to extreme droughts
CN113781276B (zh) 一种污水管网流量不确定性分析方法
Trifunovic et al. Reliability assessment of the Bekasi distribution network by the method of Cullinane
FR3086306A1 (fr) Procede de renouvellement d’infrastructure de distribution d’eau
Suchacek et al. Sensitivity analysis of water consumption in an office building

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21798412

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021798412

Country of ref document: EP

Effective date: 20230425