Predição de vazamentos em redes e ramais empregando Cross-Industry Standart Process for Data Mining (CRISP-DM) e Machine Learning

As perdas reais causadas por vazamentos em tubulações e ramais do sistema de abastecimento de água representam um problema significativo para o setor de saneamento, pois parte da água produzida pela concessionária não é faturada. Este é um tema de grande relevância diante dos cenários de escassez hídrica e altos custos de energia elétrica, impactando negativamente a saúde financeira dos prestadores de serviço, uma vez que resultam em desperdício de recursos naturais, operacionais e financeiros. A identificação desses vazamentos nas redes é um desafio global, influenciado por diversas variáveis. Frequentemente, a seleção dos locais para ações de correção de vazamentos utiliza variáveis isoladas ou combinadas, dependendo dos dados disponibilizados pelas concessionárias. O uso conjunto desses dados, por meio de técnicas de aprendizado de máquina, pode ser um importante aliado para o processo de tomada de decisões. Nesse sentido, o presente estudo propõe a aplicação Cross-Industry Standart Process for Data Mining (CRISP-DM) e de Algoritmos de Machine Learning para investigar os fatores intervenientes ao processo de ruptura e vazamento em ramais e redes de distribuição de água, avaliando a possibilidade de direcionamento de ações para o controle de perdas de água. Os resultados obtidos indicam que, entre os métodos estudados, o SVM apresentou a maior acurácia.