Data driven techniques for leak detection in water distribution network

This thesis presents innovative data-driven techniques for leak detection in Water Distribution Network (WDN), which are crucial infrastructure components responsible for providing potable water to communities around the world. As urban populations continue to grow and existing infrastructures age, addressing water losses due to leaks has become an increasingly pressing concern. It is estimated that leaks account for up to 30% of the total water supplied in metropolitan areas, resulting in significant financial losses, environmental degradation, and potential safety hazards. The World Bank estimates that up to 126 billion cubic meters of Non Revenue Water (NRW) are lost annually due to leaks, highlighting the critical need for effective leak detection methods. Consequently, the demand for timely and accurate leak detection solutions is paramount, not only to minimize resource wastage but also to reduce repair costs, ensure service quality, and prevent risks associated with water contamination. Traditional leak detection methods, while useful, often suffer from limitations such as false alarms and inaccurate localization, leading to prolonged repair times and increased operational costs. To overcome these challenges, modern electronic and information technologies have enabled the development of advanced sensing systems that leverage data-driven approaches. This work focuses on harnessing Machine Learning (ML) and Deep Learning (DL) algorithms to enhance leak detection capabilities within WDN. The first section of this thesis addresses the challenge of detecting and localizing water leaks using time-series data. We propose a series of approaches based on autoencoder models, trained on data collected under normal operating conditions without leaks. By establishing a baseline of typical pressure measurements, the models are able to identify anomalous patterns indicative of leaks. Additionally, these models incorporate Graph Signal Processing (GSP) techniques, enabling the reconstruction of missing or corrupted data caused by sensor failures. By modeling the WDN as a graph, we can exploit the spatial relationships among sensors to accurately interpolate and reconstruct lost signals, thereby improving the system’s resilience against sensor malfunctions. This robust approach not only enhances detection accuracy but also ensures operational efficiency, enabling the leak detection system to function reliably even in the presence of missing data. The second focus of this thesis is on leak detection using vibroacoustic sensors. When a leak occurs, it generates unique acoustic signatures characterized by changes in noise levels and pressure wave patterns that propagate through the pipeline. This work investigates the effectiveness of various ML algorithms, including Random Forests and Gradient Boosting, in classifying these signals and distinguishing between leak-related and normal operational sounds. Furthermore, we explore the potential of advanced deep learning techniques, specifically complex-valued Convolutional Neural Network (CNN), which are adept at processing the intricate phase and amplitude information inherent in vibroacoustic signals. The integration of multiple sensor types, including hydrophones and accelerometers, is examined as a means of enhancing leak classification performance through sensor data fusion techniques. This multi-sensor approach allows for cross-validation of signals and mitigates the limitations associated with individual sensor types, ultimately improving detection accuracy and robustness. Finally, this thesis delves into the challenge of domain adaptation, which is critical for ensuring the transferability of models trained on controlled, laboratory-scale data to real-world WDN characterized by complex and noisy conditions. We evaluate various domain adaptation techniques tailored for leak detection tasks, enabling our models to function effectively in operational environments. This aspect of our research assesses the viability of domain adaptation in improving model performance and generalization capabilities, ultimately aiming to provide comprehensive solutions for effective leak management within WDN. The findings presented in this work contribute significantly to the advancement of leak detection methodologies, demonstrating their potential to enhance the management and sustainability of water resources. By addressing the multifaceted challenges of leak detection, localization, and classification, this thesis offers valuable insights and practical solutions for mitigating the impact of water losses, thereby supporting the ongoing efforts to secure water resources for future generations.

Questa tesi presenta tecniche innovative basate sui dati per il rilevamento delle perdite nelle reti di distribuzione idrica, componenti infrastrutturali cruciali responsabili della fornitura di acqua potabile alle comunità di tutto il mondo. Con la crescita delle popolazioni urbane e l’invecchiamento delle infrastrutture esistenti, affrontare le perdite d’acqua è diventata una preoccupazione sempre più pressante. Si stima che le perdite rappresentino fino al 30% dell’acqua totale fornita nelle aree metropolitane, comportando significative perdite economiche, degrado ambientale e potenziali rischi per lasicurezza. La Banca Mondiale stima che fino a 126 miliardi di metri cubi di acqua non contabilizzata vengano persi ogni anno a causa delle perdite, evidenziando la necessità critica di metodi efficaci di rilevamento delle perdite. Di conseguenza, la domanda di soluzioni rapide e accurate per il rilevamento delle perdite è fondamentale, non solo per minimizzare lo spreco di risorse, ma anche per ridurre i costi di riparazione, garantire la qualità del servizio e prevenire i rischi associati alla contaminazione dell’acqua. I metodi tradizionali di rilevamento delle perdite, seppur utili, presentano spesso limitazioni come falsi allarmi e localizzazioni imprecise, portando a tempi di riparazione prolungati e a costi operativi aumentati. Per superare queste sfide, le moderne tecnologie elettroniche e informatiche hanno permesso lo sviluppo di sistemi di rilevamento avanzati che sfruttano approcci basati sui dati. Questo lavoro si concentra sull’utilizzo di algoritmi di ML e DL per migliorare le capacità di rilevamento delle perdite all’interno delle reti di distribuzione idrica. La prima sezione di questa tesi affronta la sfida di rilevare e localizzare perdite d’acqua utilizzando dati di serie temporali. Proponiamo una serie di approcci basati su modelli di autoencoder, addestrati su dati raccolti in condizioni operative normali, senza perdite. Stabilendo una baseline di misurazioni tipiche della pressione, i modelli sono in grado di identificare schemi anomali indicativi di perdite. Inoltre, questi modelli incorporano tecniche di GSP, consentendo la ricostruzione di dati mancanti o corrotti causati da guasti ai sensori. Modellando la rete di distribuzione idrica come un grafo, possiamo sfruttare le relazioni spaziali tra i sensori per interpolare e ricostruire accuratamente i segnali persi, migliorando così la resilienza del sistema contro i malfunzionamenti dei sensori. Questo approccio non solo migliora l’accuratezza del rilevamento, ma garantisce anche l’efficienza operativa, consentendo al sistema di rilevamento delle perdite di funzionare in modo affidabile anche in presenza di dati mancanti. Il secondo focus di questa tesi riguarda il rilevamento delle perdite utilizzando sensori vibroacustici. Quando si verifica una perdita, essa genera firme acustiche uniche caratterizzate da cambiamenti nei livelli di rumore e nei pattern delle onde di pressione che si propagano attraverso la condotta. Questo lavoro indaga l’efficacia di vari algoritmi di ML, tra cui Random Forests e Gradient Boosting, nella classificazione di questi segnali e nella distinzione tra suoni legati a perdite e suoni normali operativi. Inoltre, esploriamo il potenziale delle tecniche avanzate di DL, in particolare le CNN a valori complessi, che sono abili nell’elaborare le informazioni di fase e ampiezza dei dati provenineti da segnali vibroacustici. L’integrazione di più tipi di sensori, inclusi idrofoni e accelerometri, viene esaminata come mezzo per migliorare le prestazioni della classificazione delle perdite attraverso tecniche di fusione dei dati dei sensori. Questo approccio multi-sensore consente la cross-validazione dei segnali e mitiga le limitazioni associate ai singoli tipi di sensori, migliorando così l’accuratezza e la robustezza del rilevamento. Infine, questa tesi approfondisce la sfida dell’adattamento al dominio, che è fondamentale per garantire la trasferibilità dei modelli addestrati su dati controllati in scala dilaboratorio a reti di distribuzione idrica reali caratterizzate da condizioni complesse e rumorose. Valutiamo varie tecniche di adattamento al dominio adattate per i compiti di rilevamento delle perdite, permettendo ai nostri modelli di funzionare efficacemente in ambienti operativi. Questo aspetto della nostra ricerca valuta la fattibilità dell’adattamento al dominio nel migliorare le prestazioni del modello e le capacità di generalizzazione, mirando infine a fornire soluzioni complete per una gestione efficace delle perdite all’interno delle reti di distribuzione idrica. I risultati presentati in questo lavoro contribuiscono in modo significativo all’avanzamento delle metodologie di rilevamento delle perdite, dimostrando il loro potenziale nel migliorare la gestione e la sostenibilità delle risorse idriche. Affrontando le sfide multifaccettate del rilevamento, della localizzazione e della classificazione delle perdite, questa tesi offre preziose intuizioni e soluzioni pratiche per mitigare l’impatto delle perdite d’acqua, sostenendo così gli sforzi in corso per garantire le risorse idriche per le generazioni future.