Gestió predictiva d'infrastructures aquàtiques en entorns urbans resilients
La xarxa de clavegueram és crucial per recollir i transportar les aigües residuals a les plantes de tractament, evitant l'estancament i els problemes de salut, ecològics i econòmics relacionats. Tanmateix, la infraestructura dels sistemes de clavegueram es degrada quan es transporten aigües res...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | Universitat de Lleida (UdL) |
| Repositorio: | Repositori Obert UdL |
| OAI Identifier: | oai:repositori.udl.cat:10459.1/465841 |
| Acceso en línea: | http://hdl.handle.net/10803/691124 |
| Access Level: | acceso abierto |
| Palabra clave: | Aprenentatge automàtic Aprenentatge profund Clavegueram Aprendizaje automático Aprendizaje profundo Alcantarillado Machine Learning Deep Learning Sewer systems Ciències de la Computació i Intel·ligència Artificial 004 |
| Sumario: | La xarxa de clavegueram és crucial per recollir i transportar les aigües residuals a les plantes de tractament, evitant l'estancament i els problemes de salut, ecològics i econòmics relacionats. Tanmateix, la infraestructura dels sistemes de clavegueram es degrada quan es transporten aigües residuals al llarg del temps. El manteniment és essencial però costós, amb la necessitat d'invertir molt en els últims anys. Els avenços recents en l'aprenentatge automàtic permeten un manteniment predictiu, aprenent a partir de dades històriques per anticipar problemes com l'acumulació de sediments. Aquest enfocament s'adreça a àrees crítiques, reduint el manteniment innecessari. Tanmateix, els reptes inclouen la complexitat i la variabilitat de les seccions de clavegueram i el comportament dels ciutadans. Aquesta tesi té com a objectiu millorar els mètodes d'aprenentatge automàtic per a la gestió de les aigües residuals, centrant-se en Barcelona. Inclou quatre estudis: identificar objectius i algorismes predictius efectius, analitzar problemes actuals de desenvolupament de models, presentar una arquitectura predictiva replicable i avaluar l'impacte de les dades en les prediccions. La investigació demostra millores en la precisió i l'eficiència de la predicció, destacant la importància de les tècniques avançades de processament de dades i d'estructuració. |
|---|