Estudi i calibratge d'un model de predicció d'avaries en una xarxa de distribució d'aigua
Aquest document tracta sobre l’estudi de la realització i el seu posterior calibratge d’un model de xarxes neuronals de predicció d’avaries a la xarxa de distribució d’aigua de Manresa. L’estudi ha estat realitzat durant el quadrimestre de tardor més una posterior pròrroga aplicada durant el curs 20...
| Author: | |
|---|---|
| Format: | master thesis |
| Publication Date: | 2024 |
| Country: | España |
| Institution: | Universitat Politècnica de Catalunya (UPC) |
| Repository: | UPCommons. Portal del coneixement obert de la UPC |
| Language: | Catalan |
| OAI Identifier: | oai:upcommons.upc.edu:2117/414314 |
| Online Access: | https://hdl.handle.net/2117/414314 |
| Access Level: | Open access |
| Keyword: | Neural networks (Computer science) Municipal water supply Water - Distribution Xarxes neuronals (Informàtica) Aigua--Abastament urbà Aigua--Distribució Àrees temàtiques de la UPC::Enginyeria electrònica Àrees temàtiques de la UPC::Informàtica |
| Summary: | Aquest document tracta sobre l’estudi de la realització i el seu posterior calibratge d’un model de xarxes neuronals de predicció d’avaries a la xarxa de distribució d’aigua de Manresa. L’estudi ha estat realitzat durant el quadrimestre de tardor més una posterior pròrroga aplicada durant el curs 2023-2024 com a Treball de Final del Màster Universitari en Enginyeria Industrial a l’ESEIAAT, Escola Superior d’Enginyeria Industrial, Aeroespacial i Audiovisual de Terrassa. Aquest estudi realitza un primer enfonc ampli de les causes que provoquen avaries a les canonades, així com la problemàtica gestió de les infraestructures que conformen les xarxes de distribució d’aigua. Més endavant, transformem l’enfocament cap a aquell més científic, per a aprofundir en diferents models elaborats al llarg de la història per a predir avaries en xarxes de distribució d’aigua. Seguidament, centrem el projecte en les xarxes neuronals, per després fer una completa transformació de les dades d’origen per obtenir un dataset funcional. A continuació, construïm el model amb Python, i un cop dut a terme un entrenament satisfactori, validem el model amb les dades més recents. Realitzem el mateix procediment incloent noves variables d’entrada, per després realitzar una comparativa de resultats. Com a últim pas, es presenta el treball de camp i s’extreuen conclusions. |
|---|