Estudio y predicción de averías en tuberías de la red de distribución de agua potable

Abstract

L’envelliment progressiu de la xarxa de distribució d’aigua ha incrementat notablement la freqüència d’avaries en els últims anys, fet que subratlla la necessitat de desenvolupar models predictius capaços d’anticipar aquestes avaries i optimitzar les tasques de manteniment.

En aquest treball, s’avalua el rendiment de diversos algoritmes d’aprenentatge automàtic i intel·ligència artificial per a la detecció primerenca d’avaries, incorporant un enfocament col·laboratiu d’intercanvi de dades entre operadores. D’altra banda, mitjançant una anàlisi d’importància basada en valors SHAP (SHapley Additive exPlanations), es desglossa la contribució de cada variable al model, identificant la longitud de la canonada i el nombre acumulat d'avaries com a factors determinants. A més, s’investiga l’envelliment del polietilè (PE) en funció de l’antiguitat dels tubs, aplicant metodologies d’assaig destructiu i no destructiu per caracteritzar el mòdul elàstic del material. Els resultats mostren que una intervenció preventiva, reparant el 5% de les canonades, pot evitar entre el 40% – 55% de les avaries, i que la rigidesa del PE augmenta entre un 12,9% – 20,6% en tubs de 23–24 anys i un 14,4% – 71,5% en tubs de 41 anys. Aquests descobriments demostren l’eficàcia de combinar enfocaments predictius junt amb propietats mecàniques per prolongar la vida útil de la infraestructura, reduir costos operatius i augmentar el rendiment hidràulic de la xarxa.

El envejecimiento progresivo de la red de distribución de agua ha incrementado notablemente la frecuencia de averías en los últimos años, lo que subraya la necesidad de desarrollar modelos predictivos capaces de anticipar estos fallos y optimizar las labores de mantenimiento.

En este trabajo, se evalúa el rendimiento de diversos algoritmos de aprendizaje automático e inteligencia artificial para la detección temprana de averías, incorporando un enfoque colaborativo de intercambio de datos entre operadoras. Por otro lado, mediante un análisis de importancia basado en valores SHAP (SHapley Additive exPlanations), se desglosa la contribución de cada variable al modelo, identificando la longitud de la tubería y el número acumulado de fallos como factores decisivos. Además, se investiga el envejecimiento del polietileno (PE) en función de la antigüedad de los tubos, aplicando metodologías de ensayo destructivo y no destructivo para caracterizar el módulo elástico del material. Los resultados muestran que una intervención preventiva, reparando el 5% de las tuberías, puede evitar entre el 40% – 55% de las averías, y que la rigidez del PE aumenta entre un 12,9% – 20,6% en tubos de 23–24 años y un 14,4% – 71,5% en tubos de 41 años. Estos hallazgos demuestran la eficacia de combinar enfoques predictivos junto con propiedades mecánicas para prolongar la vida útil de la infraestructura, reducir costes operativos y aumentar el rendimiento hidráulico de la red.

The progressive ageing of the water distribution network has significantly increased the frequency of failures in recent years, underscoring the need to develop predictive models capable of anticipating these failures and optimizing maintenance tasks.

In this work, we evaluate the performance of various machine learning and artificial intelligence algorithms for early failure detection, incorporating a collaborative data‑sharing approach among operators. Meanwhile, through a SHAP (SHapley Additive exPlanations) based importance analysis, we break down each variable’s contribution to the model, identifying pipe length and cumulative failure count as decisive factors. Furthermore, we investigate polyethylene (PE) ageing, applying destructive and non‑destructive testing methodologies to characterize the material’s elastic modulus. Results show that a preventive intervention, repairing 5% of pipes, can prevent between 40% - 55% of failures, and that PE stiffness increases by 12.9% – 20.6% in 23–24‑year‑old pipes and 14.4% – 71.5% in 41‑year‑old pipes. These findings demonstrate the effectiveness of combining predictive approaches and mechanical analysis to extend infrastructure lifespan, reduce operating costs, and enhance the hydraulic performance of the network.