Gestió predictiva d'infrastructures aquàtiques en entorns urbans resilients

Abstract

La xarxa de clavegueram és crucial per recollir i transportar les aigües residuals a les plantes de tractament, evitant l'estancament i els problemes de salut, ecològics i econòmics relacionats. Tanmateix, la infraestructura dels sistemes de clavegueram es degrada quan es transporten aigües residuals al llarg del temps. El manteniment és essencial però costós, amb la necessitat d'invertir molt en els últims anys. Els avenços recents en l'aprenentatge automàtic permeten un manteniment predictiu, aprenent a partir de dades històriques per anticipar problemes com l'acumulació de sediments. Aquest enfocament s'adreça a àrees crítiques, reduint el manteniment innecessari. Tanmateix, els reptes inclouen la complexitat i la variabilitat de les seccions de clavegueram i el comportament dels ciutadans. Aquesta tesi té com a objectiu millorar els mètodes d'aprenentatge automàtic per a la gestió de les aigües residuals, centrant-se en Barcelona. Inclou quatre estudis: identificar objectius i algorismes predictius efectius, analitzar problemes actuals de desenvolupament de models, presentar una arquitectura predictiva replicable i avaluar l'impacte de les dades en les prediccions. La investigació demostra millores en la precisió i l'eficiència de la predicció, destacant la importància de les tècniques avançades de processament de dades i d'estructuració.

La red de alcantarillado es crucial para recoger y transportar las aguas residuales a las plantas de tratamiento, evitando el estancamiento y problemas de salud, ecológicos y económicos relacionados. Sin embargo, la infraestructura de los sistemas de alcantarillado se degrada cuando se transportan aguas residuales a lo largo del tiempo. El mantenimiento es esencial pero costoso, con la necesidad de invertir mucho en los últimos años. Los recientes avances en aprendizaje automático permiten un mantenimiento predictivo, aprendiendo a partir de datos históricos para anticipar problemas como la acumulación de sedimentos. Este enfoque va dirigido a áreas críticas, reduciendo el mantenimiento innecesario. Sin embargo, los retos incluyen la complejidad y variabilidad de las secciones de alcantarillado y el comportamiento de los ciudadanos. Esta tesis tiene como objetivo mejorar los métodos de aprendizaje automático para la gestión de las aguas residuales, centrándose en Barcelona. Incluye cuatro estudios: identificar objetivos y algoritmos predictivos efectivos, analizar problemas actuales de desarrollo de modelos, presentar una arquitectura predictiva replicable y evaluar el impacto de los datos en las predicciones. La investigación demuestra mejoras en la precisión y la eficiencia de la predicción, destacando la importancia de las técnicas avanzadas de procesamiento de datos y de estructuración.

The sewage network is crucial for collecting and transporting wastewater to treatment plants, preventing stagnation and related health, ecological, and economic issues. However, sewer systems infrastructure degradate when transporting wastewater across time. Maintenance is essential but costly, with the need of investing heavily in recent years. Recent advances in machine learning allow for predictive maintenance, learning from historical data to anticipate issues like sediment accumulation. This approach targets critical areas, reducing unnecessary maintenance. However, challenges include the complexity and variability of sewer sections and citizen behavior. This thesis aims to enhance machine learning methods for sewage management, focusing on Barcelona. It includes four studies: identifying effective predictive objectives and algorithms, analyzing current model development issues, presenting a replicable predictive architecture, and evaluating data impact on predictions. The research demonstrates improvements in prediction accuracy and efficiency, highlighting the importance of advanced data processing and structuring techniques.