AI kunne hjælpe byer med at opdage dyre vandlækager

Kostbare vandtab i kommunale vandsystemer kan reduceres væsentligt ved hjælp af sensorer og ny kunstig intelligens (AI) teknologi.

Udviklet af forskere ved University of Waterloo i samarbejde med industripartnere, teknologien har potentiale til at opdage selv små lækager i rør. Den kombinerer sofistikerede signalbehandlingsteknikker og AI-software til at identificere afslørende tegn på lækager, der føres via lyd i vandrør.

De akustiske signaturer optages af hydrofonsensorer, der nemt og billigt kan installeres i eksisterende brandhaner uden at grave eller tage dem ud af drift.

"Dette ville give byer mulighed for at bruge deres ressourcer til vedligeholdelse og reparationer meget mere effektivt, " sagde ledende forsker Roya Cody, en civilingeniør Ph.D. kandidat hos Waterloo. "De kunne være mere proaktive i modsætning til reaktive." Kommunale vandsystemer i Canada mister i gennemsnit over 13 procent af deres rene vand mellem behandling og levering på grund af utætheder, udbrud og andre problemer. Lande med ældre infrastruktur har endnu højere tabsrater.

Store problemer som sprængte rør afsløres af trykændringer, volumenudsving eller vand, der blot bobler til overfladen, men små lækager bliver ofte uopdaget i årevis."

Ud over de økonomiske omkostninger ved at spilde behandlet vand, kroniske utætheder kan skabe sundhedsfarer, gør skade på fundamentet af strukturer og forringes over tid.

"Ved at fange små lækager tidligt, vi kan forhindre dyre, destruktive udbrud senere, " sagde Cody.

Forskere laver nu felttest med brandstudssensorerne efter pålideligt at detektere lækager så små som 17 liter i minuttet i laboratoriet.

De arbejder også på måder at lokalisere lækager, som vil give kommunerne mulighed for at identificere, prioritere og udføre reparationer.

"Lige nu reagerer de på situationer ved at sende arbejdere ud, når der er oversvømmelse eller for at inspicere et bestemt rør, hvis det skal kontrolleres på grund af dets alder, " sagde Cody.

Sensorteknologien fungerer ved at forbehandle akustiske data ved hjælp af avancerede signalbehandlingsteknikker for at fremhæve komponenter forbundet med lækager.

Det gør det muligt for maskinlæringsalgoritmer at identificere lækager ved at skelne deres tegn fra de mange andre støjkilder i et vanddistributionssystem.