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

Abstract

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.

Esta tesis investigó la viabilidad del uso de modelos de inteligencia artificial para la detección de anomalías en redes de distribución de agua, con especial atención a la validación de datos de sensores en el borde de la red. El estudio se llevó a cabo con la limitación de implementar la solución en dispositivos con recursos limitados, como Raspberry Pi, comúnmente utilizados en sistemas de monitoreo del mundo real. Se evaluaron dos enfoques metodológicos. El primero se basó en modelos basados ​​en pronósticos, incluyendo ARIMA, SARIMA y redes neuronales de memoria a largo plazo (LSTM), que buscaban identificar anomalías comparando los valores predichos de los sensores con las mediciones observadas. El segundo enfoque se centró en la detección de anomalías en tiempo real e incluyó K-Vecinos Más Cercanos (KNN) y modelos de grafos basados ​​en correlación, en particular Redes Neuronales de Grafos (GNN), diseñados para capturar las relaciones entre sensores. Los resultados experimentales demostraron que los métodos basados ​​en pronósticos no eran fiables para la detección de anomalías en este contexto, ya que no se generalizaban a horizontes temporales amplios y producían errores de predicción demasiado grandes para su uso práctico. Por el contrario, los métodos de detección en tiempo real mostraron mayor robustez y consistencia. Entre todos los modelos evaluados, el GNN correlacional basado en grafos logró el mejor equilibrio entre precisión de detección, robustez ante datos faltantes y eficiencia computacional. Los hallazgos indicaron que la detección de anomalías en tiempo real basada en grafos es un enfoque más adecuado para la monitorización de redes de agua y representa una solución viable para su implementación en dispositivos de computación de borde.

This thesis investigated the feasibility of using artificial intelligence models for anomaly detection in water distribution networks, with a particular focus on validating sensor data at the network edge. The study was conducted under the constraint of deploying the solution on resource-limited devices, such as Raspberry Pi, commonly used in real-world monitoring systems. Two methodological approaches were evaluated. The first relied on forecasting-based models, including ARIMA, SARIMA, and Long Short-Term Memory (LSTM) neural networks, which attempted to identify anomalies by comparing predicted sensor values with observed measurements. The second approach focused on real-time anomaly detection and included K-Nearest Neighbors (KNN) and correlation-based graph models, particularly Graph Neural Networks (GNNs), designed to capture inter-sensor relationships. The experimental results demonstrated that forecasting-based methods were not reliable for anomaly detection in this context, as they failed to generalize over extended time horizons and produced prediction errors too large for practical use. In contrast, real-time detection methods showed greater robustness and consistency. Among all evaluated models, the correlational graph-based GNN achieved the best balance between detection accuracy, robustness to missing data, and computational efficiency. The findings indicated that real-time, graph-based anomaly detection is a more suitable approach for water network monitoring and represents a viable solution for deployment on edge computing devices.