Termografía y herramientas computacionales como técnica híbrida no destructiva para la visualización de infraestructura y fugas en redes de agua

Abstract

The main objective of this thesis is to study the feasibility of implementing hybrid techniques based on isolated infrared thermography and Machine Learning techniques in the maintenance of water distribution networks. Specifically, it seeks to study how such tools, based on nondestructive testing (NDT), are suitable for visualization of infrastructure elements and detection of leaks. Water supply for humans becomes complex as time passes, the population increases and as a result of the demand variation. The supply networks are modified to provide the increasing demand, while the updating of the information related to the system is sometimes not recorded simultaneously. Typically, irrespective of the kind of maintenance that is carried out in the distribution network, the pipes become old, and the systems deteriorate and stop working optimally. There are other reasons for a malfunction of the network including poor operation, deterioration or leakage, the latter being a complex problem that entails many drawbacks. Non-visible leaks can mean water loss, as long as they are not repaired, and also indirect damage, depending on the age of leaks or how large they are. Thermography can function as a means of artificial vision, which can lead to early correction of leaks. It has as an advantage that, as it is a technique for non-destructive evaluation, it does not interfere with the medium. It is intended that, by analyzing the infrared images provided by the thermographic camera, it is possible to isolate areas that are suspected of containing a leak. The imaging has a very positive characteristic because it does not have a restrictive use by hour of the day or condition of temperature. Moreover, Machine Learning methods can help classify/obtain information through huge amounts of data. Such techniques can be incorporated into current SCADA systems and, through realtime data, provide information on possible leakage points. Valuable information can be extracted, after processing, from the large amount of data that is received.

La presente Tesis tiene como principal objetivo estudiar la viabilidad de implementación híbrida de técnicas basadas en la termografía infrarroja aislada y técnicas de Machine Learning en el mantenimiento de redes de distribución de agua. Concretamente, se busca estudiar cómo tales herramientas, a base de ensayos no destructivos (END), son adecuadas para la visualización de elementos de la infraestructura y para la detección de fugas. El abastecimiento de agua para el ser humano se torna complejo a medida que pasa el tiempo, la población aumenta, y como consecuencia de la evolución de la demanda. Las redes de abastecimiento se ven modificadas para poder suministrar un servicio en aumento, mientras que la actualización de la información referente al sistema, en ocasiones, no se registra a la par. Como es natural, a pesar del mantenimiento que se lleve a cabo en la red de distribución, las tuberías envejecen, y los sistemas se deterioran y dejan de funcionar de manera óptima. Existen otros motivos para un mal funcionamiento de la red incluyendo mala operación, deterioros o fugas, siendo estas últimas un problema complejo que acarrea muchos inconvenientes. Las fugas no visibles pueden significar pérdidas de agua, mientras no sean reparadas, y daños indirectos, según sea el tiempo que lleve la fuga o la magnitud que posea. La termografía puede funcionar como un medio de visión artificial, que puede conducir a la visualización de la infraestructura, ayudando, en particular a la corrección temprana de fugas. Cuenta como ventaja que, al tratarse de una técnica de evaluación no destructiva, no interfiere con el medio. Se pretende que, analizando las imágenes de infrarrojos provistas por la cámara termográfica, sea posible aislar áreas que sean sospechosas de contener fugas. La toma de imágenes tiene una característica muy positiva pues no posee una restrictiva de uso por hora del día o condición de temperatura. Por otra parte, los métodos de Machine Learning pueden ayudar a clasificar/obtener información a partir de grandes cantidades de datos. Tales técnicas pueden ser incorporadas en los sistemas SCADA actuales y, mediante datos en tiempo real, proporcionar información sobre posibles puntos de fuga. De la gran cantidad de datos que se reciben, tras un procesamiento adecuado, se puede extraer información altamente valiosa.

La present Tesi té com a principal objectiu estudiar la viabilitat d'implementació de tècniques hibrides basades en la termografia infraroja aïllada i tècniques de Machine Learning, en el manteniment de xarxes de distribució d'aigua. Concretament, es busca estudiar com tals eines a força d'assajos no destructius (AND) són adequades per a la visualització d'infraestructura y la detecció de fuites. El proveïment d'aigua per a l'ésser humà es torna complex a mesura que passa el temps, la població augmenta i com a conseqüència de la demanda. Les xarxes d'abastament es veuen modificades per suplir el servei augmentant, i l'actualització de la informació referent al projecte de vegades no es registra a l'una. Com és natural tot i el manteniment que es dugui a terme a la xarxa de distribució, les canonades envelleixen, els sistemes es deterioren i deixen de funcionar de manera òptima. Hi ha altres motius per un mal funcionament de la xarxa incloent mala operació, edat, deterioraments o fuites, sent aquestes últimes un problema complex que implica molts inconvenients. Les fuites no visibles poden significar pèrdues d'aigua, mentre no siguin reparades, i danys indirectes, segons sigui el temps que porti la fugida o la magnitud que tingui. La termografia pot funcionar com un mitjà de visió artificial, que pot conduir a una correcció primerenca de fuites. Compte com avantatge que, en tractar-se d'una tècnica per a l'avaluació no destructiva, no interfereix amb el medi. Es pretén que, analitzant les imatges d'infrarojos proveïdes per la càmera, sigui possible aïllar àrees que siguin sospitoses de contenir una fuita. La presa d'imatges té una característica molt positiva ja que no posseeix una restrictiva d'ús per hora del dia o condició de temperatura. D'altra banda, els mètodes de Machine Learning poden ajudar a classificar / obtenir informació per mitjà de dades vasts i vàlids. Tals tècniques poden ser incorporades en els sistemes SCADA actuals i, mitjançant dades en temps real, proporcionar informació sobre possibles punts de fuga. De la gran quantitat de dades que es reben, després processar-los, es pot extreure informació altament valuosa.