Inteligência Artificial para Prever Falhas na Rede de Água Potável


Inteligência Artificial para Prever Falhas na Rede de Água Potável

Localize Problemas com Antecedência, Reduza as Perdas Físicas e Melhore a Qualidade do Serviço Prestado


A manutenção da rede de distribuição é um grande desafio, a cada ano as concessionárias gastam milhares de reais em reparos de tubulações, indenizações, ações judiciais, aumento do seguro, entre outros, em decorrência de rupturas como a que podemos ver acima.

Geralmente o planejamento para a troca ou manutenção da rede é feito com base no histório de falhas, material e tempo de instalação, porém, este método não é eficaz, uma vez que não reduz significativamente novos incidentes e em algumas situações a rede substituída ainda teria alguns anos de vida útil.  

Voda.ai é uma start-up americana que desenvolveu o software Davinci que utiliza Machine Learning para suas análises e que possibilita as concessionárias de forma inédita terem uma visão completa do Risco do Negócio. As distribuidoras passam a ter acesso a um software na nuvem que gera uma listagem com os segmentos de rede com maior probabilidade de falha nos próximos 12 meses, podendo este período ser até de 20 anos.

Vamos ver mais de perto como isto funciona:


1) Coleta de dados

VODA.ai combina dados da empresa de serviços públicos sobre as tubulações (ex.: idade, material, dimensões e histórico de vazamentos/rupturas) com dados públicos (mudanças de temperatura, precipitação, umidade e tipo de solo, atividade sísmica, elevação, fluxo do tráfego, dados de satélite, etc.) e variáveis de interação exclusivos da VODA.ai.


2) Limpeza dos dados

A equipe de cientistas de dados da VODA.ai analisa os dados de entrada e usa algoritmos e técnicas especializadas para encontrar erros, lidar com exceções, preencher valores ausentes e corrigir problemas com a estrutura dos dados


3) Atribuição de pontuação preditiva

Detecção de padrões de vazamentos prévios com uso de aprendizado automático (machine learning) para a criação de um modelo preditivo. O modelo atribui uma probabilidade de vazamentos para cada segmento de tubulação. A precisão do modelo aumenta à medida que novos dados são inseridos e o sistema de IA descobre padrões de dados comuns em diversas empresas de serviços públicos.



Benefícios

Para a área de operação:

  • Reduzir as rupturas catastróficas em até 50%
  • Priorizar seus piores 1-5% de segmentos de rede para manutenção e/ou colocação de sensores
  • Manter um ótimo atendimento ao cliente, reduzindo interrupções desnecessárias

Para a área de engenharia

  • Minimizar as substituições prematuras em até 25%
  • Utilizar dados em tempo real para ajustar com precisão os planos de engenharia
  • Economizar milhões em reabilitações e substituições desnecessárias de tubulações
  • Apoiar o investimento em áreas específicas do seu território.

Para a área de gerenciamento

  • Reduzir as perdas físicas
  • Utilizar relatórios de risco para apoiar suas operações e orçamentos de planejamento + justificar o investimento em zonas específicas
  • Justificar sua tarifa perante os órgãos reguladores 

Custo benefício

Para localizar 100% das falhas, as empresas de serviços públicos precisariam inspecionar 100% de sua rede de distribuição, isto é muito caro e totalmente impraticável. 

VODA.ai avalia virtualmente as condições de cada segmento de tubulação do sistema de abastecimento; não consege detectar 100% dos problemas, porém, pode prever até 50% das falhas catastróficas com um ano de antecedência. Além disso, é possível identificar as piores tubulações (top 1%, 5%, 10%, etc), e esta informação pode ser cruzada com as áreas de maior consequência, fornecendo um ranking dos segmentos de rede que trazem os maiores riscos ao negócio.

Organizações orientadas por dados

O McKinsey Global Institute relata que as organizações orientadas por dados têm 23 vezes mais probabilidade de adquirir clientes, 6 vezes mais probabilidade de retê-los e 19 vezes mais probabilidade de serem lucrativas em função disso. 

Neste artigo, exploramos esta constatação em maiores detalhes.