Optimal architecture for artificial neural networks as pressure estimator

ABSTRACT The knowledge of hydraulic parameters in water distribution networks can indicate problems in real time, such as pipe bursts, small leakages, increase in pipe roughness and illegal connections. However, an accurate indication relies on the quantity and quality of the data acquired, i.e., the number of sensors used to monitor the network and their location. It is not economic feasible have a great number of sensors, thus, the use of artificial intelligence, such as Artificial Neural Networks (ANNs) can reduce the lack of information necessary to identify problems, estimating hydraulic parameter through the few information collected. The reliability of ANNs depends on its architecture, so, in this paper, different conditions are tested for ANN training to identify which are the most relevant parameters to be adjusted when the ANN is used for pressure estimation. RESUMO O conhecimento dos parâmetros hidráulicos em uma rede de distribuição de água pode ser usado para indicar problemas em tempo real, como rompimentos de tubos, pequenos vazamentos, aumento da rugosidade do tubo e conexões ilegais. No entanto, uma indicação precisa depende da quantidade e qualidade dos dados adquiridos, ou seja, do número de sensores usados para monitorar a rede e sua localização. Entretanto, não é economicamente viável ter um grande número de sensores, portanto, o uso da inteligência artificial, como Redes Neurais Artificiais (RNAs) podem reduzir a falta de informações necessárias para identificar problemas, estimando parâmetros hidráulicos através das poucas informações coletadas. A confiabilidade das RNAs depende de sua arquitetura, então, neste trabalho, diferentes condições são testadas para o treinamento das RNAs de modo a identificar quais são os parâmetros mais relevantes a serem ajustados quando utilizadas na estimativa de pressão.