Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 717
Aluno: Mahelvson Bazilio Chaves
Orientador: Prof. Adiel Teixeira de Almeida Filho
Título: From Detection to Inspection: Data-Driven Decision Support for Apparent Water Loss Management
Data: 21/09/2026
Hora/Local: 9h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. George Darmiton da Cunha Cavalcanti
Prof. Tsang Ing Ren
Prof. Gustavo Meirelles Lima (UFMG/ Depto. de Engenharia Hidráulica e Recursos Hídricos)
Prof. Bruno Melo Brentan (UFMG/ Depto. de Engenharia Hidráulica e Recursos Hídricos)
Prof. Saulo de Tarso Marques Bezerra (UFPE/Centro Acadêmico do Agreste)
RESUMO:
As perdas de água nos sistemas de abastecimento urbano constituem um desafio persistente para as empresas de abastecimento. Nos últimos anos, o setor tem se beneficiado da digitalização das empresas de abastecimento, impulsionada pela disseminação de sensores e ferramentas analíticas baseadas em inteligência artificial. Nesse contexto, estratégias de aprendizado de máquina têm se destacado na detecção de anomalias associadas ao consumo de água, como fraudes, irregularidades e problemas de submedição, além de apoiar decisões operacionais relacionadas à inspeção de ligações e à gestão de ativos. Esta tese aborda o problema das perdas de água em sistemas de abastecimento urbano por meio de estratégias de aprendizado de máquina, propondo soluções para lacunas de conhecimento ainda pouco exploradas na literatura. Inicialmente, é apresentada uma revisão sistemática da literatura que investiga o contexto geral das perdas de água, abrangendo perdas reais, como vazamentos e transbordamentos, e perdas aparentes associadas a problemas de submedição e consumo não autorizado. As lacunas identificadas são exploradas empiricamente com dados reais. Os experimentos concentram-se na detecção de perdas aparentes a partir de séries temporais de consumo em unidades consumidoras e na análise de estratégias para apoiar o planejamento de inspeções de campo destinadas à confirmação das irregularidades identificadas. Além da aplicação de métodos consolidados, a tese explora frameworks de aprendizado de máquina ainda pouco utilizados no setor, incluindo abordagens de deep learning e algoritmos de boosting baseados em árvores de decisão. Os resultados indicam que modelos baseados em boosting apresentam desempenho robusto para dados típicos de empresas do setor, enquanto abordagens de deep learning permitem explorar padrões complexos nas séries temporais de consumo, mas demandam dados de maior qualidade. A tese também combina predições de casos anômalos com otimização multiobjetivo para gerar portfólios de informação cientes do risco, que explicitamente consideram critérios financeiros e operacionais, demonstrando que, em situações de recursos limitados, selecionar adequadamente os candidatos é um componente crucial dos planos de inspeção, podendo superar estratégias tradicionais de inspeções baseadas em casos suspeitos de forma consistente. Esses resultados aproximam métodos de inteligência artificial das práticas operacionais do setor de abastecimento de água, contribuindo para decisões mais eficientes na gestão das perdas de água.
Palavras-chave: perdas de água, perdas aparentes, perdas reais, aprendizado de máquina, otimização.
Comentários desativados