Congrès INFRA 2020
30 novembre au 2 décembre - Édition virtuelle
Biographie du conférencier
Renato est un chercheur postdoctoral à l’université McGill où il se spécialise en modélisation des séries temporelles. Il coordonne, dans le cadre d’un projet Mitacs avec CANN Forecast, un projet-pilote sur la détection précoce de bris de conduite en partenariat avec plusieurs villes canadiennes.
Résumé de conférence
Chaque année, on perd plus de 32 milliards de mètres cubes d’eaux dans le monde à cause de fuites et bris de conduites dans les réseaux de distribution d’eau. La détection de ces pertes d’eau représente un enjeu majeur afin de maximiser l’usage des sources d’approvisionnement d’eau existantes. Il existe plusieurs méthodes de détection terrain comme les détecteurs acoustiques, les gaz traceurs et la thermographie. Ces techniques, qui sont très fiables sont également très couteuses, complexes à déployer et, par conséquent, le temps entre un bris et sa réparation peut parfois être important. Récemment, conjointement avec le développement de capteurs hydrauliques connectés, l'utilisation d’algorithmes de détection automatisée a gagné en popularité. Puisque les requises par (débit, préssion) ces algorithmes sont déjà récoltées par les villes, le coût d'implémentation de ces méthodes est très bas en comparaison de celui des autres méthodes. Cependant, le développement d’algorithmes performants représente un défi de taille, car les séries temporelles de débit présentent un ensemble de caractéristiques les rendant difficiles à analyser, dont notamment le fait que les consommations en eau varient en fonction de l’heure et du jour ainsi que d’autres variables telles que la température. Il faut donc tenir compte de ces patrons afin de détecter des changements dans le débit dus aux fuites et bris. Les modèles linéaires dynamiques (MLD) constituent une approche adaptée à l’analyse de ces données particulières en faisant l’hypothèse de paramètres variables dans le temps. C’est une technique récursive qui prédit le futur état de la série temporelle et donc permet d’identifier des anomalies en comparant les valeurs prédites aux observées. On démontre le potentiel de cette approche l’appliquant sur des séries temporelles de débit ainsi que l’historique de bris de certaines district meter area (DMA) de la ville de Halifax.