Domaine Technique

[1] Le présent exposé concerne un procédé de caractérisation de fuite dans un réseau de fluide, permettant de détecter et de caractériser une fuite dans un réseau de fluide, en particulier de déterminer sa zone et/ou son débit.

[2] Un tel procédé peut notamment être utilisé pour détecter et caractériser des fuites au sein d'un réseau de distribution d'eau. Toutefois, il pourrait également être utilisé pour des réseaux de gaz, de carburant ou de tout autre type de fluide, liquide ou gazeux. Un tel procédé peut également s'appliquer à différentes tailles de réseaux.

Technique antérieure

[3] En France, les réseaux de distribution d'eau potable présentent des pertes d'environ 20% sur le territoire national avec parfois des pertes pouvant atteindre localement près de 40%. D'autres pays connaissent des situations encore plus préoccupantes avec des pertes pouvant monter localement jusqu'à 60%.

[4] Il est donc primordial de pouvoir détecter et caractériser les fuites présentes dans un réseau de distribution d'eau afin de pouvoir prioriser les interventions et réparer les fuites ainsi détectées.

[5] Plusieurs techniques existent à ce jour afin de réaliser une telle détection. Parmi ces dernières, les méthodes d'écoute vibro-acoustique et de sectorisation sont les plus utilisées.

[6] Les méthodes d'écoute vibro-acoustique visent à écouter localement, à l'aide d'un microphone par exemple, les signaux émis par les fuites au sein des canalisations. Une telle technique est assez efficace mais elle requiert un grand nombre de points d'écoute, c'est-à-dire un grand nombre de capteurs ou, dans le cas d'une configuration mobile, un opérateur expert à temps plein se déplaçant le long du réseau, pour parvenir à couvrir tout le réseau. De plus, elles sont fortement soumises aux perturbations acoustiques de l'environnement des canalisations, par exemple le trafic routier. Enfin, et surtout, ces méthodes permettent de localiser les fuites mais elles ne permettent pas de caractériser ces dernières.

[7] Les méthodes de sectorisation visent quant à elles à sectoriser le réseau en de petites zones isolées et à comparer les débits en entrée et en sortie de chaque zone afin de détecter la présence d'un débit de fuite. Toutefois, une telle méthode n'est pas suffisante à elle-seule puisqu'elle ne permet pas de localiser assez précisément l'emplacement de la fuite, en particulier sur un réseau maillé qui nécessiterait un nombre trop important de capteurs. De plus, la sectorisation ne permet pas de discriminer la gravité de chaque fuite lorsque plusieurs fuites sont présentes dans un même secteur. En tout état de cause, lorsqu'une estimation de la gravité est possible, cette estimation ne peut être obtenue qu'a posteriori, après la réparation de la fuite, ce qui empêche toute maintenance priorisée.

[8] De plus, un tel réseau de distribution d'eau présente fréquemment de multiples fuites, de types et de gravités variés. En particulier, la réparation de certaines fuites de gravité minime n'est pas toujours rentable, ou tout du moins n'est pas toujours prioritaire. Or, les méthodes de détection actuelles ne permettent pas d'obtenir une information précise quant à la gravité de la fuite détectée, ce qui rend difficile la mise en place d'une maintenance priorisée.

[9] Il existe donc un réel besoin d'un procédé de caractérisation de fuite dans un réseau de fluide, permettant de détecter et déterminer la zone et/ou le débit d'une fuite, avant sa réparation, et qui soit dépourvu, au moins en partie, des inconvénients inhérents aux méthodes connues précitées.

Exposé de l'invention

[10] Le présent exposé concerne un procédé d'entraînement d'un modèle d’apprentissage statistique destiné à la caractérisation de fuite dans un réseau de fluide, le réseau de fluide comportant plusieurs zones interconnectées, dans lequel le réseau de fluide est équipé d'au moins un capteur de débit en entrée du réseau et d'au moins un autre capteur hydraulique, du type capteur de débit ou de pression, configurés pour fournir des données de comportement hydraulique, dans lequel le réseau de fluide est doté d'une cartographie numérique comprenant au moins la géométrie du réseau de fluide et la localisation desdits capteurs hydrauliques, comprenant la construction d'une base de données contenant une pluralité de scénarios de fuite associant au moins une donnée de caractérisation de la fuite parmi la zone de la fuite et le débit de fuite avec un jeu de données de comportement hydraulique, et une pluralité de scénarios dépourvus de fuite associant le label « pas de fuite » avec un jeu de données comportement hydraulique, et comprenant l'entraînement du modèle d'apprentissage statistique sur la base de données ainsi construite.

[11] Grâce à un tel procédé, il est possible de construire une base de données qui permettra au modèle d'apprentissage statistique, une fois entraîné sur cette base de données, de détecter et de caractériser une fuite dans un réseau de fluide sur la base d'un jeu de données de comportement hydraulique obtenus sur le réseau de fluide en question.

[12] Naturellement, plus la base contient un nombre de scénarios important, plus l'entraînement du modèle d’apprentissage statistique sera poussé et plus ce modèle d'apprentissage statistique sera capable de détecter et de caractériser les fuites avec précision. En particulier, plus la base de données contient des scénarios variés, explorant autant que possible l'ensemble des cas envisageables, plus le modèle d'apprentissage statistique parviendra à reconnaître ces situations avec facilité et fiabilité.

[13] En revanche, un nombre important de capteurs hydrauliques n'est pas requis pour obtenir des résultats satisfaisants. Au contraire, ce procédé permet d'obtenir des résultats plus précis et plus fiables que les procédés de sectorisation existants, y compris en présence de plusieurs fuites distinctes.

[14] Dans le présent exposé, on entend par « zone », ou par « zone de détectabilité », un groupe prédéfini de canalisations au sein du réseau, ou d'un secteur lorsque de tels secteurs existent. Dans le présent exposé, la localisation des fuites vise alors à identifier la zone contenant la fuite, sans rechercher une localisation plus précise au sein de ladite zone. D'ailleurs, en fonction de la géométrie du réseau et de la localisation des capteurs hydrauliques, certaines fuites peuvent être indiscernables les unes des autres par de telles techniques hydrauliques si elles sont situées sur la même canalisation ou sur certaines canalisations voisines : une zone de détectabilité est alors dite « minimale » s'il n'est pas possible de réduire sa taille sans perdre son caractère discernable. Grâce au présent procédé, il est possible de définir des zones de détectabilité minimales regroupant quelques canalisations uniquement, lorsque les procédés de sectorisation classiques ne peuvent localiser une fuite qu'à l'échelle d'un secteur complet.

[15] Dans le présent exposé, on entend par « secteur » un sous-ensemble du réseau de fluide muni d'un capteur de débit à chacune de ses interfaces d'entrée ou de sortie, ce qui permet ainsi de réaliser un bilan de consommation à l'échelle du secteur et de détecter des pertes en eau, notamment par l'étude de l'évolution des consommations nocturnes. En général, un réseau de fluide comprend plusieurs secteurs interconnectés en quelques points de passage, tous ces points de passage étant donc équipés d'un capteur de débit. Selon la taille du réseau de fluide, chaque secteur comprend généralement entre 10 et 40 km de canalisations. Le présent exposé peut alors aussi bien s'appliquer à l'échelle du réseau tout entier ou bien à l'échelle de chaque secteur, lorsque de tels secteurs existent au sein du réseau.

[16] Dans le présent exposé, on entend par « capteur de débit » aussi bien un capteur capable de mesurer le débit instantané du fluide au niveau du capteur, qu'un compteur de volume capable de mesurer, de manière incrémentale, le volume de fluide traversant le capteur dans un sens donné et donc également capable de déterminer indirectement le débit moyen, sur un intervalle de temps donné, au niveau de ce capteur.

[17] Dans certains modes de réalisation, la cartographie numérique du réseau comprend en outre les équipements du réseau et/ou les points de livraison du réseau. [18] Dans certains modes de réalisation, le réseau de fluide est également doté d'un modèle numérique de comportement hydraulique du réseau incluant au moins un scénario de consommation nominal. Ce modèle numérique permet de réaliser des simulations de comportement hydraulique du réseau en modifiant certaines variables, par exemple les demandes des différents consommateurs. Ce modèle numérique permet également de simuler des fuites sur certaines canalisations du réseau et de calculer le comportement hydraulique du réseau en présence de ces fuites, en particulier au niveau des emplacements réels des capteurs hydrauliques. Ces scénarios de consommation nominaux peuvent faire partie des scénarios dépourvus de fuite enregistrés dans la base de données avec un label « pas de fuite ».

[19] Dans certains modes de réalisation, le modèle numérique de comportement hydraulique du réseau inclut plusieurs scénarios de consommation nominaux en fonction du moment de la journée, du jour de la semaine et/ou de la saison . Ceci permet des simulations plus précises et plus fiables tenant compte de la temporalité de la situation simulée. Ceci permet également au modèle d'apprentissage statistique de reconnaître les situations nominales, dépourvues de fuites, indépendamment du moment d'évaluation. En particulier, la journée peut être divisée en deux périodes : le jour et la nuit ; toutefois, une division plus fine de la journée peut également être utilisée. En particulier, la semaine peut être divisée en deux périodes : les jours ouvrés, du lundi au vendredi, et le weekend, du samedi au dimanche ; toutefois, une division plus fine de la semaine, tenant compte par exemple de chaque jour de la semaine individuellement, peut également être utilisée. En particulier, l'année peut être divisée en deux périodes : la période estivale et la période hivernale ; toutefois, une division plus fine de l'année, trimestrielle voire mensuelle, peut également être utilisée ; il peut également être tenu compte des vacances scolaires.

[20] Dans certains modes de réalisation, la base de données contient plusieurs scénarios de robustesse dépourvus de fuite mais comprenant du bruit. Ceci permet de renforcer l'entraînement du modèle d'apprentissage statistique et ainsi augmenter la probabilité de détecter correctement une situation dépourvue de fuite, autrement dit de réduire la probabilité de fausse détection de fuite. En particulier, l'ajout de bruit peut comprendre l'introduction de variations dans les demandes des différents consommateurs par rapport aux scénarios de consommation nominaux.

[21] Dans certains modes de réalisation, le procédé d'entraînement comprend une étape d'introduction de variabilité stochastique dans les données de comportement hydraulique enregistrées dans la base de données pour chaque scénario de fuite. Ceci est également possible, et préférable, pour les scénarios dépourvus de fuite, comme cela a été vu ci-dessus avec les scénarios de robustesse. On renforce ainsi l'entraînement du modèle d'apprentissage statistique, ce qui permet d'augmenter sa fiabilité. En particulier, pour chaque scénario originel, pourvu ou dépourvu de fuite, plusieurs scénarios peuvent être enregistrés dans la base de données avec différents jeux d'offsets stochastiques.

[22] Dans certains modes de réalisation, la base de données contient au moins un scénario de fuite simulé à l'aide de la cartographie numérique du réseau et du modèle numérique de comportement hydraulique du réseau. Ceci permet d'augmenter à volonté la taille de la base de données et, notamment, de simuler une grande variété de situations, renforçant d'autant plus l'entraînement du modèle d'apprentissage statistique. Ces scénarios de fuite comprennent au moins les données de comportement hydraulique au niveau des emplacements réels des capteurs hydrauliques.

[23] Dans certains modes de réalisation, la base de données contient au moins un scénario de fuite réel. En particulier, il est possible d'enregistrer dans la base de données toutes les fuites effectivement détectées et caractérisées dans le réseau, en association avec les données de comportement hydraulique relevées lors de ces fuites par les capteurs hydrauliques.

[24] Dans certains modes de réalisation, la base de données contient au moins 10 000 scénarios de fuite, de préférence au moins 100 000 scénarios de fuite, de préférence au moins 1 000 000 scénarios de fuite. Plus la taille de la base de données est importante, plus l'entraînement du modèle d'apprentissage statistique sera poussé et donc plus la précision et la fiabilité de ce dernier seront importantes. Naturellement, afin d'atteindre un tel volume de scénarios, il est préférable d'inclure à la fois des fuites réelles et des fuites simulées.

[25] Dans certains modes de réalisation, la base de données contient au moins plusieurs scénarios de fuite concernant des moments de la journée, des jours de la semaine et/ou des saisons différentes. En particulier, la base de données peut enregistrer pour chacun de ces scénarios un label rappelant le moment de la journée, de la semaine et/ou de l'année correspondant. Toutefois, une telle labellisation n'est en rien indispensable pour permettre la détection et la caractérisation de fuites par le modèle d'apprentissage statistique : en pratique, cette information peut ne pas être donnée au modèle d'apprentissage statistique.

[26] Dans certains modes de réalisation, chaque scénario inclut au moins une série temporelle de jeux de données de comportement hydraulique. Ceci permet d'augmenter la quantité de données analysable par le modèle d'apprentissage statistique et de dépasser certains événements transitoires au sein du réseau hydraulique comme par exemple des variations soudaines de demandes de certains consommateurs.

[27] Dans certains modes de réalisation, la série temporelle s'étend sur au moins 4h, de préférence au moins 8h, de préférence encore sur 24h.

[28] Dans certains modes de réalisation, le pas de la série temporelle est inférieur ou égal à 60 minutes, de préférence inférieur ou égal à 30 minutes, de préférence encore inférieur ou égal à 15 minutes.

[29] Dans certains modes de réalisation, au moins un scénario de fuite inclut plusieurs fuites avec au moins une donnée de caractérisation de chacune de ces fuites. Ceci permet d'entraîner le modèle d'apprentissage statistique à reconnaître des situations dans lesquelles plusieurs fuites sont présentes, ce que ne permettent pas les procédés de sectorisation actuels. Le modèle d'apprentissage statistique, une fois entraîné, peut alors détecter une telle situation multi-fuites mais également déterminer la zone et/ou le débit de chaque fuite ainsi détectée.

[30] Dans certains modes de réalisation, au moins un scénario de fuite inclut au moins trois fuites distinctes, de préférence au moins quatre fuites distinctes, de préférence encore au moins cinq fuites distinctes. [31] Dans certains modes de réalisation, une zone du réseau de fluide comprend au maximum 3000 mètres de canalisation, de préférence au maximum 1000 mètres de canalisations, de préférence encore au maximum 500 mètres de canalisations et de préférence encore au maximum 150 mètres de canalisations.

[32] Dans certains modes de réalisation, une zone de réseau de fluide comprend une longueur de canalisations inférieure à 30%, de préférence inférieure à 20%, de préférence encore inférieure à 10%, de la longueur de canalisations du secteur.

[33] Dans certains modes de réalisation, le réseau de fluide comprend au moins un secteur, chaque secteur comportant une pluralité de zones et au moins un capteur de débit en entrée du secteur. Lorsque le réseau comprend plusieurs secteurs, un capteur de débit est prévu à l'interface entre chaque secteur interconnecté. En revanche, un capteur de débit n'est pas requis entre les différentes zones d'un même secteur.

[34] Dans certains modes de réalisation, les capteurs hydrauliques comprennent au moins un capteur de débit et au moins un capteur de pression.

[35] Dans certains modes de réalisation, les capteurs de débit représentent une part parmi les capteurs hydrauliques inférieure à 50%, de préférence inférieure à 20%, de préférence encore inférieure à 10%. Grâce au présent procédé, il est en effet possible de réduire le recours aux capteurs de débit : en effet, à l'exception du capteur de débit prévu en entrée de réseau ou de secteur, des données de pression suffisent au fonctionnement du présent procédé. Ceci est avantageux car les capteurs de pression sont moins coûteux et plus faciles à mettre en place et à entretenir que les capteurs de débits.

[36] Dans certains modes de réalisation, les capteurs de pression représentent une part parmi les capteurs hydrauliques supérieure à 50%, de préférence supérieure à 80%, de préférence encore supérieure à 90%.

[37] Dans certains modes de réalisation, le réseau comprend au moins 1 capteur hydraulique pour 3000 mètres de canalisation, de préférence pour 2000 mètre de canalisation, de préférence encore pour 1000 mètres de canalisation.

[38] Dans certains modes de réalisation, le procédé d'entraînement comprend une étape de placement optimisé de capteur, au cours de laquelle au moins un emplacement optimisé est déterminé pour au moins un nouveau capteur hydraulique. Ceci permet d'optimiser le rapport coût sur efficacité de l'introduction de tout nouveau capteur.

[39] Dans certains modes de réalisation, l'étape de placement optimisé de capteur comprend les étapes suivantes : simulation de plusieurs capteurs hydrauliques potentiels en différents emplacements du réseau de fluide ; simulation de plusieurs scénarios de fuite ; et identification des capteurs potentiels qui maximisent la probabilité de détection des fuites et/ou qui maximisent la discernabilité des fuites détectées. Dans le présent exposé, on considère que deux fuites sont discernables lorsque le jeu de capteurs du réseau renvoie des signatures, c'est-à-dire des jeux de mesures, différentes l'une de l'autre. Ainsi, indirectement, la maximisation de la discernabilité des fuites permet de réduire la taille des zones Z. Afin de maximiser l'efficacité de cette méthode, il est possible de faire varier à la fois la localisation des fuites simulées mais également leurs débits ; il est également possible de comparer les résultats avec plusieurs scénarios nominaux.

[40] Dans certains modes de réalisation, le procédé d'entraînement comprend une étape de définition des zones du réseau de fluide, au cours de laquelle au moins une zone est définie pour optimiser la détection de fuite par les capteurs hydrauliques. En particulier, l'objectif est de pouvoir minimiser la taille des zones mais également, à taille de zone égale, d'augmenter la probabilité de distinguer deux fuites voisines.

[41] Dans certains modes de réalisation, le procédé d'entraînement comprend une étape de calibration du modèle numérique de comportement hydraulique du réseau, au cours de laquelle au moins un paramètre du modèle numérique de comportement hydraulique du réseau est ajusté en confrontant un scénario simulé avec le scénario réel correspondant. Ceci permet notamment d'améliorer la précision du modèle numérique lorsque le réseau de distribution est modifié ou lorsque des évolutions de profils de consommation sont attendues. En tout état de cause, les inventeurs ont constaté que le présent procédé ne requiert pas un calibrage très précis du modèle numérique de comportement hydraulique du réseau.

[42] Dans certains modes de réalisation, l'étape de calibration du modèle numérique de comportement hydraulique du réseau comprend l'utilisation d'un algorithme d'optimisation minimisant l'erreur entre les données simulées du scénario simulé et les données mesurées du scénario réel correspondant.

[43] Dans certains modes de réalisation, le modèle d'apprentissage statistique comprend au moins un réseau de neurones.

[44] Dans certains modes de réalisation, le réseau de neurones est un réseau convolutif entièrement connecté du type classifieur comprenant trois couches convolutives de filtre temporels. Les couches du réseau de neurones contiennent des filtres temporels de taille entre 1 et 4 heures. Les couches convolutives sont organisées de telle sorte que le nombre de filtres augmente à la deuxième couche diminue à la dernière couche pour l’estimation finale. Pour éviter le surapprentissage, la technique d'abandon est utilisée.

[45] Dans certains modes de réalisation, le modèle d'apprentissage statistique est un modèle d’arbres décisionnels, une machine à support de vecteur, ou encore une régression non linéaire.

[46] Dans certains modes de réalisation, le modèle d'apprentissage statistique est du type classifieur. Autrement dit, le débit de fuite est déterminé parmi des plages de débit prédéterminées. Ces plages peuvent posséder des largeurs constantes ou variables. De préférence, la largeur de chaque plage est inférieure ou égale à 10 m3/h, de préférence encore inférieure ou égale à 5 m3/h.

[47] Dans certains modes de réalisation, le modèle d'apprentissage statistique est du type régresseur. Autrement dit, le débit de fuite est déterminé aussi précisément que possible, avec une certaine marge d'erreur. De préférence, cette marge d'erreur par rapport au débit de fuite réel est inférieure ou égale à 10% ou encore inférieure ou égale à 10 m3/h ou à 5 m3/h.

[48] Le présent exposé concerne également un procédé de caractérisation de fuite dans un réseau de fluide, le réseau de fluide comportant plusieurs zones interconnectées, dans lequel le réseau de fluide est équipé d'au moins un capteur de débit en entrée du réseau et d'au moins un autre capteur hydraulique, du type capteur de débit ou de pression, configurés pour fournir des données de comportement hydraulique, dans lequel le réseau de fluide est doté d'une cartographie numérique comprenant au moins la géométrie du réseau de fluide et la localisation desdits capteurs hydrauliques, et dans lequel un modèle d'apprentissage statistique reçoit en entrée un jeu de données de comportement hydraulique et fournit en sortie au moins une donnée de caractérisation de la fuite parmi la zone de la fuite et le débit de fuite.

[49] Ainsi, grâce un tel modèle d'apprentissage statistique, il est possible de détecter une fuite et d'obtenir des informations sur sa zone et/ou son débit, c'est-à-dire sa gravité, sans investir des moyens importants dans l'instrumentation hydraulique du réseau de fluide. De plus, cette estimation peut se faire à distance. Le procédé de caractérisation est également capable de conclure à l'absence de fuite si, lors de l'analyse des données de comportement hydraulique, le modèle d'apprentissage statistique ne détecte aucune fuite.

[50] En conséquence, grâce à un tel procédé, il est possible de prioriser les réparations à mener au sein du réseau de fluide, ce qui optimise les coûts de maintenance et augmente donc le rendement global du réseau de fluide.

[51] Dans certains modes de réalisation, le modèle d'apprentissage statistique a été entraîné à l'aide d'un procédé d'entraînement selon l'un quelconque des modes de réalisations décrits ci-avant.

[52] Dans certains modes de réalisation, la cartographie numérique du réseau comprend en outre les équipements du réseau et/ou les points de livraison du réseau.

[53] Dans certains modes de réalisation, le modèle d'apprentissage statistique reçoit en entrée au moins une série temporelle de jeux de données de comportement hydraulique.

[54] Dans certains modes de réalisation, la série temporelle s'étend sur au moins 4h, de préférence au moins 8h, de préférence encore sur 24h. [55] Dans certains modes de réalisation, le pas de la série temporelle est inférieur ou égal à 60 minutes, de préférence inférieur ou égal à 30 minutes, de préférence encore inférieur ou égal à 15 minutes.

[56] Dans certains modes de réalisation, lorsque le modèle d'apprentissage statistique détecte plusieurs fuites, il fournit en sortie au moins une donnée de caractérisation de chaque fuite détectée.

[57] Dans certains modes de réalisation, une zone du réseau de fluide comprend au maximum 3000 mètres de canalisation, de préférence au maximum 1000 mètres de canalisations, de préférence encore au maximum 500 mètres de canalisations et de préférence encore au maximum 150 mètres de canalisations.

[58] Dans certains modes de réalisation, une zone de réseau de fluide comprend une longueur de canalisations inférieure à 30%, de préférence inférieure à 20%, de préférence encore inférieure à 10%, de la longueur de canalisations du secteur.

[59] Dans certains modes de réalisation, le réseau de fluide comprend au moins un secteur, chaque secteur comportant une pluralité de zones et au moins un capteur de débit en entrée du secteur. Lorsque le réseau comprend plusieurs secteurs, un capteur de débit est prévu à l'interface entre chaque secteur interconnecté. En revanche, un capteur de débit n'est pas requis entre les différentes zones d'un même secteur.

[60] Dans certains modes de réalisation, les capteurs hydrauliques comprennent au moins un capteur de débit et au moins un capteur de pression.

[61] Dans certains modes de réalisation, les capteurs de débit représentent une part parmi les capteurs hydrauliques inférieure à 50%, de préférence inférieure à 20%, de préférence encore inférieure à 10%.

[62] Dans certains modes de réalisation, les capteurs de pression représentent une part parmi les capteurs hydrauliques supérieure à 50%, de préférence supérieure à 80%, de préférence encore supérieure à 90%.

[63] Dans certains modes de réalisation, le modèle d'apprentissage statistique comprend au moins un réseau de neurones.

[64] Dans certains modes de réalisation, le réseau de neurones est un réseau convolutif entièrement connecté du type classifieur comprenant trois couches convolutives de filtre temporels. Les couches du réseau de neurones contiennent des filtres temporels de taille entre 1 et 4 heures. Les couches convolutives sont organisées de telle sorte que le nombre de filtres augmente à la deuxième couche diminue à la dernière couche pour l'estimation finale. Pour éviter le surapprentissage, la technique d'abandon est utilisée.

[65] Dans certains modes de réalisation, le modèle d'apprentissage statistique est un modèle d’arbres décisionnels, une machine à support de vecteur, ou encore une régression non linéaire.

[66] Dans certains modes de réalisation, le modèle d'apprentissage statistique est du type classifieur. Autrement dit, le débit de fuite est déterminé parmi des plages de débit prédéterminées. Ces plages peuvent posséder des largeurs constantes ou variables. De préférence, la largeur de chaque plage est inférieure ou égale à 10 m3/h, de préférence encore inférieure ou égale à 5 m3/h.

[67] Dans certains modes de réalisation, le modèle d'apprentissage statistique est du type régresseur. Autrement dit, le débit de fuite est déterminé aussi précisément que possible, avec une certaine marge d'erreur. De préférence, cette marge d'erreur par rapport au débit de fuite réel est inférieure ou égale à 10% ou encore inférieure ou égale à 10 m3/h ou à 5 m3/h.

[68] Le présent exposé concerne également un module de caractérisation de fuite dans un réseau de fluide, le réseau de fluide comportant plusieurs zones interconnectées, le réseau de fluide étant équipé d'au moins un capteur de débit en entrée du réseau et d'au moins un autre capteur hydraulique, du type capteur de débit ou de pression, configurés pour fournir des données de comportement hydraulique, le réseau de fluide étant doté d'une cartographie numérique comprenant au moins la géométrie du réseau de fluide et la localisation desdits capteurs hydrauliques, comprenant un modèle d'apprentissage statistique, configuré pour recevoir en entrée un jeu de données de comportement hydraulique et pour fournir en sortie au moins une donnée de caractérisation de la fuite parmi la zone de la fuite et le débit de fuite.

[69] Les avantages de ce module de caractérisation découlent des avantages décrits ci-avant pour le procédé de caractérisation. De plus, ce module de caractérisation peut présenter tout ou partie des caractérisations additionnelles décrites ci-avant au sujet du procédé d'entraînement et/ou du procédé de caractérisation.

[70] Dans certains modes de réalisation, le module de caractérisation de fuite comprend un module de placement optimisé de capteur configuré pour déterminer un emplacement optimisé pour au moins un nouveau capteur hydraulique.

[71] Dans certains modes de réalisation, le module de caractérisation de fuite comprend un module de définition des zones du réseau de fluide, configuré pour définir au moins une zone permettant d'optimiser la détection de fuite par les capteurs hydrauliques.

[72] Dans certains modes de réalisation, le module de caractérisation de fuite comprend un module de calibrage du modèle numérique de comportement hydraulique du réseau, configuré pour ajuster au moins un paramètre du modèle numérique de comportement hydraulique du réseau en confrontant un scénario simulé avec le scénario réel correspondant.

[73] Le présent exposé concerne également un réseau de fluide, comprenant une pluralité de capteurs hydrauliques, du type capteur de débit ou de pression, configurés pour fournir des données de comportement hydraulique, et un module de caractérisation selon l'un quelconque des modes de réalisation décrits ci-avant.

[74] Le présent exposé concerne également un programme d'ordinateur comprenant des instructions pour exécuter les étapes du procédé d'entraînement ou du procédé de caractérisation décrits ci-avant lorsque le programme est exécuté par au moins un ordinateur.

[75] Les caractéristiques et avantages précités, ainsi que d’autres, apparaîtront à la lecture de la description détaillée qui suit, d’exemples de réalisation du procédé d'entraînement, du procédé de caractérisation et du module de caractérisation proposés. Cette description détaillée fait référence aux dessins annexés.

Brève description des dessins [76] Les dessins annexés sont schématiques et visent avant tout à illustrer les principes de l'exposé.

[77] Sur ces dessins, d'une figure à l'autre, des éléments (ou parties d'élément) identiques sont repérés par les mêmes signes de référence.

[78] [Fig. 1] La figure 1 est un schéma d'ensemble d'un réseau de fluide équipé d'un module de caractérisation de fuite.

[79] [Fig. 2] La figure 2 est un schéma d'ensemble d'un module de caractérisation de fuite.

[80] [Fig. 3] La figure 3 illustre un exemple d'entraînement d'un réseau de neurones.

[81] [Fig. 4] La figure 4 illustre un exemple de caractérisation de fuite à l'aide de ce réseau de neurones.

Description des modes de réalisation

[82]Afin de rendre plus concret l'exposé, des exemples de procédés d'entraînement, de procédés de caractérisation et de modules de caractérisation sont décrits en détail ci-après, en référence aux dessins annexés. Il est rappelé que l’invention ne se limite pas à ces exemples.

[83] La figure 1 représente un schéma de réseau de fluide 1, en l'espèce un réseau de distribution d'eau potable. Ce réseau de fluide 1 possède une pluralité de canalisations 2 reliant une pluralité de noeuds 3. Les noeuds 3 sont ainsi des points d'embranchement entre plusieurs canalisations 2 du réseau de distribution et/ou des points de consommation au niveau desquels sont branchés un ou plusieurs consommateurs.

[84] Le réseau 1 comprend en outre n capteurs de débit 4, au nombre de quatre en l'espèce, disposés au niveau de certaines canalisations 2, ainsi que m capteurs de pression 5, au nombre de six en l'espèce, disposés au niveau de certains noeuds 3. Chaque capteur de débit 4 permet de mesurer le débit passant par la canalisation 2 sur lequel il est prévu. Chaque capteur de pression 5 permet pour sa part de mesurer la pression régnant au niveau du nœud 3 sur lequel il est prévu.

[85]Au moins un capteur de débit 4a est prévu en entrée du réseau 1, en l'espèce juste à la sortie d'un château d'eau 6. Certains capteurs de débits 4b permettent également de diviser le réseau 1 en plusieurs secteurs SI, S2, S3, en l'espèce trois secteurs. Chaque secteur SI, S2, S3 regroupe ainsi une pluralité de canalisations 2 et de nœuds 3 et possède un capteur de débit 4b à chaque entrée ou sortie du secteur SI, S2, S3. Bien que cela ne soit pas représenté ici, certains capteurs de débits peuvent également être prévus au sein d'un secteur donné. Ainsi, outre les capteurs de débits 4b présents aux interfaces des secteurs SI, S2, S3, chaque secteur SI, S2, S3 comprend au moins un autre capteur hydraulique, c'est à dire au moins un autre capteur de débit 4 ou au moins un capteur de pression 5. En pratique, grâce au présent procédé, il est possible de privilégier l'installation de capteurs de pression 5, moins coûteux que des capteurs de débit.

[86] Chaque secteur SI, S2, S3 est également divisé en plusieurs zones Z regroupant quelques canalisations 2 et quelques nœuds 3. Bien que seules quelques zones Z soient représentées sur la figure 1, il faut comprendre que toutes les canalisations 2 du réseau 1 appartiennent à une zone Z bien définie.

[87] Le réseau de fluide 1 possède également un module de caractérisation de fuite 10 qui peut être hébergé au sein d'un ordinateur de la régie d'exploitation du réseau de fluide 1 ou bien au sein d'un serveur distant.

[88] La figure 2 illustre les éléments principaux de ce module de caractérisation de fuite 10. Il comprend ainsi une cartographie numérique 11 du réseau de fluide 1, un modèle numérique de comportement hydraulique 12 du réseau 1, une base de données de scénarios 13, un réseau de neurones 14 (formant un modèle d'apprentissage statistique) et une unité de calcul 15 ; il comprend également tous les éléments électroniques permettant de faire fonctionner un tel module électronique : alimentation, interfaces utilisateur, mémoires etc.

[89] La cartographie numérique 11 comprend la géométrie du réseau de fluide 1, c'est-à-dire la position, l'orientation et la longueur de toutes les canalisations 2, ainsi que la position de tous les équipements du réseau, c'est-à-dire les vannes, les colliers de jonction, les branchements, les bouches à clés etc. La cartographie numérique 11 comprend en outre la localisation de tous les capteurs hydrauliques 4, 5.

[90] Le modèle numérique de comportement hydraulique du réseau 12 comprend des valeurs théoriques de débit en fonction du temps pour chaque canalisation du réseau 1 et des valeurs théoriques de pression en fonction du temps pour chaque nœud 3 du réseau 1 ; ce modèle numérique 12 comprend donc en particulier les consommations estimées de chaque consommateur du réseau 1. De préférence, ces valeurs théoriques, obtenues principalement sur la base de statistiques passées, sont estimées en fonction du moment de la journée, du jour de la semaine et de la période de l'année afin d'approcher autant que possible les valeurs réelles de débit et de pression du réseau 1, quel que soit le moment considéré.

[91] La cartographie numérique 11 et le modèle numérique de comportement hydraulique 12 peuvent être intégrés au sein d'un même outil numérique, par exemple du type EPANET.

[92] La base de données 13 compile pour sa part autant de scénarios que possible représentant des situations les plus diverses possible que peut rencontrer le réseau 1. Ces situations peuvent être réelles ou simulées et peuvent être pourvues ou dépourvues de fuites. La construction de cette base de données 13 sera décrite plus en détail ci-après.

[93] Dans le présent exemple, le réseau de neurones 14 est un réseau convolutif entièrement connecté du type régresseur comprenant trois couches convolutives de filtre temporels. Les couches du réseau de neurones 14 contiennent des filtres temporels de taille entre 1 et 4 heures. Les couches convolutives sont organisées de telle sorte que le nombre de filtres augmente à la deuxième couche, diminue à la dernière couche pour l’estimation finale. Pour éviter le surapprentissage, la technique d'abandon est utilisée.

[94] L'unité de calcul 15 peut notamment prendre la forme d'un processeur : elle est notamment programmée pour être capable de réaliser des simulations hydrauliques, sur la base de la cartographie numérique 11 et du modèle numérique 12. L'entraînement du réseau de neurones 14 est alors représenté sur la figure 3. Une étape préalable à l'entraînement du réseau de neurones 14 est la constitution d'une base de données de scénarios 13 la plus étoffée possible, couvrant les scénarios les plus divers possibles. Pour chaque scénario, la base de données 13 enregistre une série temporelle de valeurs de débit et de pression, constituant des données de comportement hydraulique, pour chacun des capteurs hydrauliques 4, 5 du réseau 1 et l'associe avec les données de fuite du scénario en question, c'est-à-dire la zone Zf et le débit Qf de chaque fuite, ou l'information « pas de fuite » lorsque le scénario est dépourvu de fuite. Dans le présent exemple, les séries temporelles de débit et de pression s'étendent sur 24h, de minuit à minuit, avec un pas de 15 minutes.

[95] La base de données 13 comprend tout d'abord une pluralité de scénarios de consommation nominaux, dépourvus de fuite. Ces scénarios de consommation nominaux sont directement issus du modèle numérique de comportement hydraulique 12 pour différentes périodes de la semaine et de l'année. En particulier, dans le présent exemple, la base de données 13 comprend au moins des scénarios de consommation nominaux pour un jour ouvré et un jour de weekend, en période hivernale d'une part et en période estivale d'autre part. Toutefois, plus le nombre de scénarios de consommation nominaux est important plus l'entraînement du réseau de neurones 14 est efficace : il est ainsi préférable d'enregistrer des scénarios différents pour chaque jour de la semaine et chaque mois de l'année ; il est également intéressant de distinguer les périodes de vacances scolaires du reste de l'année.

[96]Afin de renforcer l'entraînement du réseau de neurones 14 et ainsi réduire la probabilité de fausse détection de fuite, la base de données 13 peut également comprendre des scénarios de robustesse dépourvus de fuite mais comprenant du bruit. En pratique, ces scénarios de robustesse peuvent dériver de certains scénarios de consommations nominaux dans lesquels sont introduites des variations dans les demandes des différents consommateurs. Un scénario de consommation nominal peut ainsi conduire à la génération d'une pluralité de scénarios de robustesse en introduisant des variations différentes d'un scénario de robustesse à l'autre. Ces variations respectent des tirages aléatoires suivant des lois de distribution données, par exemple des lois équiréparties, dans des plages de variations données, ces plages de variations pouvant dépendre du type de consommateur et/ou de la saisonnalité

[97] La base de données 13 comprend ensuite une pluralité de scénarios de fuite, comprenant une ou plusieurs fuites. Une partie de ces scénarios de fuite peut être issue de situations réelles. Ainsi, pour chaque fuite réelle identifiée et caractérisée par un opérateur intervenant sur le réseau, l'ensemble des données relatives à cette fuite est enregistré dans la base de données 13 : en particulier, la caractérisation, comprenant la zone Zf dans laquelle se situe la fuite et le débit de fuite Qf, est enregistrée en association avec les séries temporelles de débit Qi et de pression Pi mesurées par les capteurs hydrauliques 4, 5 sur la période de temps s'étendant entre la détection de la fuite et sa réparation.

[98] Le plus grand nombre des scénarios de fuite est toutefois simulé à partir de la cartographie numérique 11 et du modèle numérique 12. L'unité de calcul 15 introduit ainsi dans la cartographie 11 un nœud 3 supplémentaire, représentant la fuite simulée, dans une zone donnée Zf du réseau 1 et lui assigne un débit Qf dans le modèle numérique 12. L'unité de calcul 15 calcule alors sur la base des autres paramètres du modèle numérique 12 quelles seraient les valeurs de débit Qi et de pression Pi mesurées par l'ensemble des capteurs hydrauliques 4, 5 dans une telle situation. Les séries temporelles de débit Qi et de pression Pi ainsi simulées sont alors enregistrées dans la base de données 13 en association avec les données de la fuite simulée, c'est-à-dire sa zone Zf et son débit Qf.

[99] Pour une zone Zf et un débit Qf donnés, différentes simulations peuvent être réalisées pour différents jours de la semaine ou différentes périodes de l'année, ce qui augmente la taille et la diversité de la base de données 13.

[100] L'unité de calcul 15 simule ainsi un très grand nombre de scénarios de fuite en parcourant successivement, pour chaque jour de la semaine et chaque période de l'année, chaque zone Z du réseau et en incrémentant, pour chaque zone Z, le débit de fuite Qf, par exemple par tirage aléatoire équiréparti de 0,lm3/h à 20m3/h.

[101] Outre des scénarios mono-fuites, la base de données 13 comprend également des scénarios multi-fuites. L'unité de calcul 15 simule de tels scénarios multi- fuites de manière analogue à ce qui a été décrit ci-avant si ce n'est que l'unité de calcul 15 introduit dans ce cas plusieurs nœud additionnels 3 et leur assigne à chacun un débit de fuite Qf. L'unité de calcul parcourt ainsi de manière matricielle les zones de fuite Zf et les débits de fuites Qf pour chacune des fuites ainsi simulées.

[102] Ces scénarios multi-fuites peuvent comprendre un nombre arbitraire de fuites, ce nombre n'étant limité que par la puissance de calcul de l'unité de calcul 15 et par le temps disponible pour constituer la base de données 13. Raisonnablement, la base de données 13 comprend au moins des scénarios comprenant jusqu'à trois fuites.

[103] De plus, afin d'augmenter la taille de la base de données 13 et de renforcer l'entraînement du réseau de neurone 14, notamment en vue d'une plus grande robustesse, chacun de ces scénarios originels, pourvu ou dépourvu de fuite, peut être démultiplié en introduisant de la variabilité stochastique dans les séries temporelles des demandes de consommateurs pour chaque nœud du réseau pour chaque scénario, cette variabilité se répercutant alors sur les séries temporelles simulées de débit et de pression. Ainsi, pour chaque scénario originel, pourvu ou dépourvu de fuite, plusieurs scénarios peuvent être enregistrés dans la base de données 13 avec différents jeux d'offsets stochastiques.

[104] Une fois qu'un grand nombre de scénarios a ainsi été répertorié dans la base de données 13, le réseau de neurones 14 utilise la base de données 13 afin de réaliser son entraînement initial. Une fois l'entraînement initial terminé, le réseau de neurones 14 peut alors être utilisé pour caractériser automatiquement de nouvelles fuites.

[105] Concrètement, chaque journée, les séries temporelles de valeurs de débit Qi et de pression Pi mesurées par les capteurs hydrauliques 4, 5 sont enregistrées et compilées. Comme cela est représenté sur la figure 4, ces séries temporelles de débit Qi et de pression Pi sont alors transmises en entrée du réseau de neurones 14 : grâce à son entraînement, le réseau de neurones 14 est alors capable de déterminer si le réseau 1 comprend une ou plusieurs fuites et, dans ce cas, de caractériser chaque fuite ainsi détectée, c'est-à-dire sa zone Zf et son débit Qf.

[106] Le précédent exemple a été décrit dans le cadre d'un réseau 1 préexistant, possédant en conséquence des capteurs hydrauliques 4, 5 préexistants et une définition préétablie des zones Z. Toutefois, dans une première variante de réalisation, le module de caractérisation de fuite 10 comprend un module de placement optimisé de capteur configuré pour déterminer un emplacement optimisé pour au moins un nouveau capteur hydraulique 4, 5. Cette étape de placement optimisé est réalisée au sein d'un secteur SI, S2, S3 donnée.

[107] Ce module de placement de capteur définit tout d'abord plusieurs localisations potentielles pour un nouveau capteur d'un type donné, par exemple pour un capteur de pression 5. Ces localisations potentielles peuvent être arbitraires ou bien décidées manuellement ou automatiquement sur la base de la cartographie numérique 11 et du modèle numérique 12. En particulier, certaines portions du réseau peuvent être exclue en raison de contraintes techniques ou économiques trop importantes pour implanter un nouveau capteur dans cette portion du réseau. Le module de placement de capteur forme ainsi plusieurs jeux de capteurs incluant chacun les capteurs existants et un capteur potentiel positionné à la localisation potentielle ainsi définie.

[108] Le module de placement optimisé de capteur génère ensuite un nombre important de scénarios, pourvus et dépourvus de fuite, à partir du modèle de comportement hydraulique 12. : l'ensemble de ces scénarios forme alors un ensemble de référence.

[109] Pour chaque localisation potentielle d'un nouveau capteur, le module de placement optimisé de capteur simule, pour chaque scénario de l'ensemble de référence, les séries temporelles de débit et/ou de pression qui seraient mesurées par chaque capteur existant ainsi que par le nouveau capteur potentiel ; il construit alors pour chaque localisation potentielle une matrice de sensibilité comprenant, pour chaque scénario de fuite, l'écart mesuré par chaque capteur par rapport au scénario nominal dépourvu de fuite correspondant.

[110] Une fois une matrice de sensibilité ainsi construite pour chaque localisation potentielle, le module de placement optimisé de capteur attribue à chaque localisation potentielle des points en fonction, d'une part, du nombre de fuite détectées dans la matrice de sensibilité correspondante, c'est-à-dire du nombre de scénarios de fuite ayant effectivement conduit à une déviation notable des mesures d'au moins un capteur du jeu testé par rapport au scénario nominal correspondant ; et en fonction, d'autre part, du nombre de fuites discernées les unes des autres par le jeu de capteurs, c'est-à-dire du nombre de scénarios de fuite ayant des signatures différentes dans la matrice de sensibilité.

[111] Le module de placement optimisé de capteur classe alors les localisations potentielle selon le score obtenu et propose ainsi une sélection de localisations particulièrement prometteuses pour le placement d'un nouveau capteur.

[112] Dans l'exemple ci-dessus, un seul nouveau capteur est envisagé. Cependant, le module de placement optimisé de capteur peut de manière analogue proposer plusieurs nouveaux capteurs simultanément en générant des jeux de capteurs incluant plusieurs capteurs potentiels au lieu d'un seul.

[113] De même, l'exemple précédent inclut des capteurs déjà installé sur le réseau. Cependant, le module de placement optimisé de capteur peut de manière analogue proposer un jeu de capteurs complètement nouveau, par exemple lors de l'installation d'un nouveau réseau. Dans ce cas, les jeux de capteurs manipulés n'incluent que des capteurs potentiels et aucun capteur existant.

[114] Dans une deuxième variante de réalisation, combinable ou non avec la première variante, le module de caractérisation de fuite 10 comprend également un module de définition des zones Z du réseau de fluide 10 permettant de définir les zones Z du réseau 1 de manière plus optimisée, soit initialement, soit dans le cadre d'une redéfinition des zones Z. Cette étape de définition de zones est réalisée au sein d'un secteur SI, S2, S3 donnée, et de préférence au sein de chaque secteur SI, S2, S3. [115] Le module de définition de zones travaille une fois que le jeu de capteurs est connu. Il peut s'agir du jeu de capteurs existants pour un réseau préexistant, ou du jeu obtenu par le procédé de la première variante ci-dessus pour un nouveau réseau ou pour un réseau que l'on souhaite compléter.

[116] Le module de définition de zones génère alors un nombre important de scénarios, pourvus et dépourvus de fuite, à partir du modèle de comportement hydraulique 12. : l'ensemble de ces scénarios forme alors un ensemble de référence. Il peut s'agir du même ensemble de référence que celui utilisé ci- dessus pour le placement de capteurs.

[117] Le module de définition de zones simule alors, pour chaque scénario de l'ensemble de référence, les séries temporelles de débit et/ou de pression qui seraient mesurées par chaque capteur du jeu de capteurs; il construit une matrice de sensibilité comprenant, pour chaque scénario de fuite, l'écart mesuré par chaque capteur par rapport au scénario nominal dépourvu de fuite correspondant. Lorsque la deuxième variante est combinée à la première variante, cette matrice de sensibilité est déjà construite et peut alors directement être réutilisée.

[118] Le module de définition de zones détermine alors dans la matrice de sensibilité les groupes de fuites qui, pour un débit donné, sont indiscernables les unes des autres. Le module de définition de zones définit alors chaque zone Z du secteur de telle sorte que chaque zone Z regroupe les localisations de l'ensemble des fuites indiscernables les unes des autres. On obtient ainsi un jeu de zones de détectabilité minimal pour le jeu de capteurs considéré.

[119] Dans une troisième variante de réalisation, combinable à la première variante et/ou à la deuxième variante ci-dessus, le module de caractérisation de fuite 10 peut également comprendre un module de calibrage du modèle numérique de comportement hydraulique 12, configuré pour ajuster au moins un paramètre du modèle numérique 12 en confrontant un scénario simulé avec le scénario réel correspondant. Un tel calibrage peut notamment être réalisé lorsque le réseau de distribution est modifié ou lorsque des évolutions de profils de consommation sont attendues. [120] Une telle étape de calibration n'est en réalité utile qu'en présence d'une erreur importante, par exemple supérieure à 10%, pour l'une au moins des données de comportement hydraulique entre le scénario simulé avec le modèle numérique 12 et le scénario réel correspondant. Cette calibration est réalisée selon un algorithme d'optimisation minimisant l'erreur entre les données simulées et les données mesurées.

[121] Bien que la présente invention ait été décrite en se référant à des exemples de réalisation spécifiques, il est évident que des modifications et des changements peuvent être effectués sur ces exemples sans sortir de la portée générale de l’invention telle que définie par les revendications. En particulier, des caractéristiques individuelles des différents modes de réalisation illustrés/mentionnés peuvent être combinées dans des modes de réalisation additionnels. Par conséquent, la description et les dessins doivent être considérés dans un sens illustratif plutôt que restrictif. [122] Il est également évident que toutes les caractéristiques décrites en référence à un procédé sont transposables, seules ou en combinaison, à un dispositif, et inversement, toutes les caractéristiques décrites en référence à un dispositif sont transposables, seules ou en combinaison, à un procédé.