Détection de fuites et défauts sur réseau d’eau potable par l’intelligence artificielle

Cet article rend compte des principaux résultats du projet de recherche appliquée SPHEREAU sélectionné dans le cadre du Fonds Unifié Interministériel FUI-AAP-22. Il concerne notamment la détection de fuites et de défauts sur un réseau potable. Il porte sur l’analyse des données des compteurs de sectorisation par des méthodes d’apprentissage par les données relevant de l’intelligence artificielle. Il repose, dans un 1er temps, sur le déploiement d’algorithmes d’identification de systèmes de type « boite noire ». Ils permettent d’intégrer des facteurs sociaux pour modéliser la consommation d’eau de chaque secteur instrumenté. Il est ainsi possible de prédire finement la consommation en eau à l’échelle de chaque compteur. Dans un second temps, l’écart entre le débit minimum de nuit modélisé et mesuré quotidiennement permet d’établir des indicateurs gradués de dérive obtenus sur chacun des compteurs. Ils permettent de détecter l’apparition probable d’une fuite.

L’application web informatique a été déployée sur un démonstrateur. Il s’agit du Syndicat des Eaux de Pulligny, territoire rural de 43 communes situé au sud de Nancy (54). Elle analyse 52 compteurs de sectorisation dont les données sont transférées quotidiennement, au pas de temps de 15 minutes, vers la plate-forme d’analyse de données. L’apprentissage par les données a été réalisé préalablement à partir de chroniques de débits de 1 à 2 années. Sous réserve d’une bonne qualité d’instrumentation, il a été démontré la capacité de l’outil d’aide à la décision à identifier rapidement l’apparition de nouvelles fuites sur le réseau de distribution à travers l’analyse des compteurs de sectorisation.

La possibilité de distinguer automatiquement les fuites des défauts a été démontrée par la théorie des graphes. Cependant elle reste réduite à quelques secteurs où l’arborescence d’instrumentation présente une redondance. L’application assure également la hiérarchisation de ces compteurs en fonction de leur niveau de fiabilité et leur visualisation cartographique.

This article reports on the main results of the SPHEREAU research and development project. In particular, it deals with the detection of leaks and faults in drinking water networks. It relies both on black-box data learning regarding the water consumption prediction, and on physical topology for leak and sensor fault estimation in a two steps approach. Firstly, the black box model is trained for statistically predicting  the water flow in each individual flowmeter. In a second step, the difference between the prediction and the measure, coupled to the water network topology, produces a decision helping tool indicating the most probable source of leaks and sensor faults.The web application has been deployed on a demonstrator. This is the Syndicat des Eaux de Pulligny, a rural area of 43 communes located south of Nancy (54). It analyzes 52 sectorization meters whose data is transferred daily, at 15-minute intervals, to the data analysis platform. Data was first learned from 1 to 2 years of flow records. Subject to good instrumentation quality, the computer application developed was shown to be capable of rapidly identifying the appearance of new leaks in the distribution network, through analysis of sectorization meters. The ability to automatically distinguish between leaks and faults has been demonstrated using graph theory. However, it is limited to a few sectors where the instrumentation tree structure is redundant.  The application also enables these meters to be prioritized according to their level of reliability, and displayed on a map.