Resumo:
O desenvolvimento de algoritmos de detecção de eventos de contaminação em sistemas de distribuição de água, tornou-se um dos tópicos mais desafiadores nos últimos tempos. São necessários sistemas de alerta de contaminantes, o que requer implantação de sensores e sistemas avançados em análise de dados, tornando possível a detecção de mudanças nos parâmetros de qualidade da água. A crescente implementação de redes de monitoramento motivou este trabalho, que propõe utilizar uma rede neural de aprendizado profundo, rede de memória de longo prazo (LSTM), para desenvolver um modelo de detecção de eventos de contaminação. O método utiliza o Epanet-msx, o qual considera o detalhamento químico das reações entre o contaminante e o cloro livre contido na água, para simular eventos anômalos. A metodologia de identificação de padrões, possibilita estimar o comportamento do cloro monitorado por sensores alocados na rede. A série de sinais de erro entre os sinais medidos e os sinais estimados passa por um controle estátistico de variáveis com base no desvio padrão, na média e na raiz média quadrada. Os resultados indicam que a alta previsão resultante da rede LSTM, garante a precisão da identificação de intrusões químicas simuladas.
Referência:
OLIVEIRA, Eva; BRENTAN, Bruno; BARROS, Daniel; CARDOSO, Sandra; MACEDO, Letícia dos Santos; DANTAS, Renato; RIBEIRO, Lubienska. Aprendizado profundo para modelação de cloro em redes visando detecção de contaminantes químicos. In: SEMINÁRIO IBERO-AMERICANO SOBRE SISTEMAS DE ABASTECIMENTO E DRENAGEM, 16., 2019, Lisboa. Atas… Lisboa: IST, 2019. Cap.10, p.520-529.
Documento com acesso restrito. Logar na BiblioInfo Bibioteca-DAIT/IPT para acessar o texto em PDF:
https://escriba.ipt.br/pdf_restrito/176203.pdf
O desenvolvimento de algoritmos de detecção de eventos de contaminação em sistemas de distribuição de água, tornou-se um dos tópicos mais desafiadores nos últimos tempos. São necessários sistemas de alerta de contaminantes, o que requer implantação de sensores e sistemas avançados em análise de dados, tornando possível a detecção de mudanças nos parâmetros de qualidade da água. A crescente implementação de redes de monitoramento motivou este trabalho, que propõe utilizar uma rede neural de aprendizado profundo, rede de memória de longo prazo (LSTM), para desenvolver um modelo de detecção de eventos de contaminação. O método utiliza o Epanet-msx, o qual considera o detalhamento químico das reações entre o contaminante e o cloro livre contido na água, para simular eventos anômalos. A metodologia de identificação de padrões, possibilita estimar o comportamento do cloro monitorado por sensores alocados na rede. A série de sinais de erro entre os sinais medidos e os sinais estimados passa por um controle estátistico de variáveis com base no desvio padrão, na média e na raiz média quadrada. Os resultados indicam que a alta previsão resultante da rede LSTM, garante a precisão da identificação de intrusões químicas simuladas.
Referência:
OLIVEIRA, Eva; BRENTAN, Bruno; BARROS, Daniel; CARDOSO, Sandra; MACEDO, Letícia dos Santos; DANTAS, Renato; RIBEIRO, Lubienska. Aprendizado profundo para modelação de cloro em redes visando detecção de contaminantes químicos. In: SEMINÁRIO IBERO-AMERICANO SOBRE SISTEMAS DE ABASTECIMENTO E DRENAGEM, 16., 2019, Lisboa. Atas… Lisboa: IST, 2019. Cap.10, p.520-529.
Documento com acesso restrito. Logar na BiblioInfo Bibioteca-DAIT/IPT para acessar o texto em PDF:
https://escriba.ipt.br/pdf_restrito/176203.pdf
