AI for autonomous and resilient water network management searching for anomalous sensor data

Aquesta tesi ha investigat la viabilitat d'utilitzar models d'intel·ligència artificial per a la detecció d'anomalies en xarxes de distribució d'aigua, amb un enfocament particular en la validació de dades de sensors a la vora de la xarxa. L'estudi es va dur a terme sota la restricció de desplegar la solució en dispositius amb recursos limitats, com ara Raspberry Pi, que s'utilitzen habitualment en sistemes de monitorització del món real. Es van avaluar dos enfocaments metodològics. El primer es va basar en models basats en prediccions, incloent-hi ARIMA, SARIMA i xarxes neuronals de memòria a curt termini (LSTM), que intentaven identificar anomalies comparant els valors predits dels sensors amb les mesures observades. El segon enfocament es va centrar en la detecció d'anomalies en temps real i va incloure K-Nearest Neighbors (KNN) i models de grafs basats en correlació, en particular Xarxes Neuronals de Grafs (GNN), dissenyades per capturar les relacions entre sensors. Els resultats experimentals van demostrar que els mètodes basats en prediccions no eren fiables per a la detecció d'anomalies en aquest context, ja que no aconseguien generalitzar-se sobre horitzons temporals extensos i produïen errors de predicció massa grans per al seu ús pràctic. En canvi, els mètodes de detecció en temps real van mostrar una major robustesa i consistència. Entre tots els models avaluats, el GNN basat en gràfics correlacionals va aconseguir el millor equilibri entre la precisió de la detecció, la robustesa a les dades perdudes i l'eficiència computacional. Les troballes van indicar que la detecció d'anomalies en temps real basada en gràfics és un enfocament més adequat per a la monitorització de la xarxa d'aigua i representa una solució viable per al desplegament en dispositius de computació perimetral.