Cet événement virtuel a exploré comment l'apprentissage automatique complète les méthodes traditionnelles basées sur des règles pour la détection des fuites d'eau chez les clients. Les règles fonctionnent bien pour les foyers standards (par exemple, les alertes de débit nocturne), mais sont moins efficaces pour les usages atypiques et les propriétés non résidentielles, où des processus intermittents, à faible volume ou continus masquent les fuites.

Regarder à la demande ici
Three experts from Arqiva seated in armchairs in a studio setup with microphones on stands in front of them, a lit round shelf with plants and books in the background, and wooden side tables holding coffee mugs.

Lutter contre les fuites grâce à l'apprentissage automatique

L'apprentissage automatique identifie des modèles à partir des données — via des approches supervisées et non supervisées — pour détecter des anomalies nuancées propres à chaque compteur, s'adapter aux changements de comportement et réduire le bruit, ce qui le rend efficace pour les « 20 % difficiles » qui mobilisent 80 % des efforts. Le modèle recommandé est complémentaire : utilisez des règles pour traiter les cas simples à grande échelle, puis appliquez l'apprentissage automatique aux exceptions pour une précision et un ciblage accrus.

Le succès dépend de la qualité des données, d'une ingénierie évolutive pour des millions de compteurs et d'une boucle de rétroaction fermée pour valider les résultats, réentraîner les modèles et maintenir les performances. Bien que l'apprentissage automatique implique des coûts de calcul plus élevés, il génère des économies grâce à une meilleure récupération des fuites, des gains réglementaires et une efficacité opérationnelle accrue, l'intégration d'un outil unique améliorant la priorisation et le reporting. La confidentialité des données doit être traitée par une conception et une gouvernance système appropriées.
Obtenir le livre blanc

Intervenants

‍

  • Jason King, Responsable développement commercial, Arqiva
  • Stephanie Edmonson, Responsable produit senior, Arqiva
  • Jack Kilvington, Responsable Data Science, Arqiva

‍

Three experts from Arqiva seated in armchairs in a studio setup with microphones on stands in front of them, a lit round shelf with plants and books in the background, and wooden side tables holding coffee mugs.

Points clés

1. La fiabilité des règles : La détection des fuites basée sur des règles reste efficace pour les foyers standards (par exemple, les règles de débit nul entre 2h et 4h du matin), mais elle peine face aux usages atypiques tels que les sites industriels, les propriétés à forte consommation et les fuites intermittentes à faible volume.

2. L'apport de l'apprentissage automatique : L'apprentissage automatique complète les règles en identifiant des modèles à partir des données (apprentissage supervisé et non supervisé) pour détecter des fuites subtiles et atypiques que les règles ne voient pas, permettant ainsi des interventions ciblées à plus forte valeur ajoutée.

3. La stratégie hybride gagnante : Une approche hybride est recommandée : utilisez des règles pour traiter efficacement les cas simples et appliquez l'apprentissage automatique aux 20 % de compteurs qui consomment 80 % des efforts opérationnels et sont souvent à l'origine de volumes de fuites disproportionnés.

4. Déploiement axé sur les données : Un déploiement réussi de l'apprentissage automatique exige une qualité de données robuste, une ingénierie évolutive capable de gérer des millions de compteurs et une boucle de rétroaction fermée (vérification, réentraînement, suivi des performances) pour garantir une précision réelle.

5. Intelligence et économies : Bien que l'apprentissage automatique entraîne des coûts de calcul supérieurs aux méthodes basées sur des règles, il permet de réaliser des économies grâce à une détection plus précoce dans les scénarios complexes, favorisant ainsi la conformité réglementaire et réduisant la production d'eau, le prélèvement et les émissions associées.


« Il ne s'agit pas de choisir l'un ou l'autre ; la combinaison de règles et d'apprentissage automatique fonctionne très bien pour passer à l'échelle sur l'ensemble du parc et gérer aussi bien les cas standards que les cas atypiques. »
Jack Kilvington
Responsable Data Science, Arqiva

Regarder le webinaire ICI