Differential machine learning models for simulation and cost optimization of water supply systems | Modelos diferenciais machine learning para simulação e otimização de custos de sistemas de abastecimento de água

As the demand for essential resources like water and energy grows, the importance of their efficient management has never been greater. Traditional tools like Decision Support Systems (DSS) and hydraulic simulators such as EPANET have been employed to tackle this issue. However, these systems come with their own set of challenges, including computational complexity and calibration difficulties. To address these limitations, this study explores the potential of Machine Learning (ML) models for optimizing water distribution and solve the pump schedulling problem. Using supervised learning, these models are trained with historical data and their performance is benchmarked against EPANET. The study also incorporates energy tariffs into the models to optimize pump scheduling, thereby reducing operational costs. Initial tests indicate that the ML models excel in simpler network configurations. Future research aims to extend these models to more complex systems to assess their adaptability and efficiency across different operational conditions.

À medida que a procura por recursos essenciais como água e energia aumenta, a importância da sua gestão eficiente nunca foi tão grande. Ferramentas tradicionais como Sistemas de Apoio à Decisão (SAD) e simuladores hidráulicos como o EPANET têm sido empregues para abordar esta questão. No entanto, estes sistemas vêm com o seu próprio conjunto de desafios, incluindo complexidade computacional e dificuldades de calibração. Para abordar estas limitações, este estudo explora o potencial dos modelos de Machine Learning (ML) para otimizar a distribuição de água e resolver o problema de agendamento de bombas (Pump schedulling problem). Utilizando aprendizagem supervisionada, estes modelos são treinados com dados históricos e o seu desempenho é comparado com o do EPANET. O estudo também incorpora a tarifa de energia nos modelos para otimizar a programação das bombas, reduzindo assim os custos operacionais. Testes iniciais indicam que os modelos de ML se destacam em configurações de rede mais simples. Pesquisas futuras visam estender estes modelos a sistemas mais complexos para avaliar a sua adaptabilidade e eficiência em diferentes condições operacionais.

Mestrado em Sistemas Energéticos Sustentáveis