Detta virtuella event utforskade hur maskininlärning kompletterar traditionella regelbaserade metoder för upptäckt av vattenläckage hos kunder. Regler fungerar bra för vanliga hushåll (t.ex. larm vid nattflöde) men har svårt att hantera avvikande användning och icke-hushållsfastigheter, där intermittenta, lågvolyms- eller kontinuerliga processer döljer läckage.


1. Regler förblir pålitliga: Regelbaserad läckagedetektering är fortfarande effektiv för vanliga hushåll (t.ex. regler för nollflöde mellan kl. 02–04), men har svårt att hantera avvikande användningsmönster såsom industrianläggningar, fastigheter med hög förbrukning och intermittenta läckage med låg volym.
2. Maskininlärning som komplement: Maskininlärning kompletterar regler genom att lära sig mönster från data (övervakad och oövervakad inlärning) för att identifiera subtila läckage och specialfall som regler missar, vilket möjliggör riktade insatser med högre värde.
3. Hybridstrategin vinner: En hybridmetod rekommenderas: använd regler för att effektivt rensa ut enkla fall och applicera maskininlärning på de 20 % av mätarna som står för 80 % av det operativa arbetet och ofta orsakar oproportionerligt stora läckagevolymer.
4. Datadriven implementering: Framgångsrik implementering av maskininlärning kräver hög datakvalitet, skalbar teknik för att hantera miljontals mätare och en sluten återkopplingsloop (verifiering, omträning, prestandaövervakning) för att bibehålla noggrannhet i verkliga miljöer.
5. Kostnadsbesparande intelligens: Även om maskininlärning innebär högre beräkningskostnader än regelbaserade metoder, möjliggör det besparingar genom tidigare upptäckt i komplexa scenarier, vilket stödjer regelefterlevnad och minskar vattenproduktion, uttag och tillhörande utsläpp.