Como a IoT é implantada no México para garantir água potável segura

Mais de 120 milhões de pessoas vivem no México e milhares de bebedouros foram instalados em todo o país para fornecer às pessoas um serviço de água potável eficiente e de primeira classe. No entanto, oferecer acesso a um abastecimento de água potável por meio de bebedouros em uma grande área geográfica requer uma infraestrutura tecnológica robusta para garantir a disponibilidade e a qualidade da água para salvaguardar a saúde pública.

Neste artigo, descrevemos como internet das coisas (IoT), inteligência artificial (IA) e aprendizado de máquina (ML) foram implantados para desenvolver um sistema preditivo baseado em algoritmos matemáticos para garantir a disponibilidade de água e prever a qualidade da água que se move através canos da cidade. Além disso, falamos sobre como o aspecto preditivo do sistema antecipa os serviços de manutenção necessários para maior eficiência da cadeia de suprimentos, graças à análise de informações estruturadas e não estruturadas de fontes oficiais e medições de sensores IoT.

Ao fazer isso, é mais provável que o pessoal de manutenção tenha as peças e suprimentos necessários para fazer reparos e atualizações no sistema físico de água, conforme necessário.

Medir o estado e a qualidade da água

Com o objetivo de medir a disponibilidade de água nas principais áreas urbanas e metropolitanas do país, a NDS Cognitive Labs implementou diversos sensores que se conectam à rede SigFox. Esses sensores mecânicos se concentraram na medição de três atributos primários do sistema de água:volume, pressão e vazão. Com essa plataforma habilitada para IoT, as equipes de dados coletaram dados em primeira mão sobre a disponibilidade de água nos diferentes bebedouros, encanamentos e tanques de água em todo o país. Complementando os sensores está um microcontrolador e armazenamento de memória para maior agilidade e confiabilidade do sistema.

Cada módulo armazena localmente as informações de cada evento de consumo de água que ocorre durante um intervalo de amostragem definido, neste caso 10 minutos, confirmando que foi o momento certo para ter uma leitura precisa dos dados para extrapolar os padrões de uso de água ao longo do dia. No final deste intervalo, um relatório com os dados registrados é transmitido através da rede SigFox para um hub central e um novo intervalo de amostragem é iniciado.

Depois que as informações dos módulos são enviadas, a plataforma SigFox processa os dados, incluindo sincronização, detecção de erros e correção, bem como sua retransmissão para a plataforma NDS Cognitive Labs, onde um endpoint do hub IoT do Azure é configurado para receber as informações.

Para receber e armazenar corretamente os dados da plataforma SigFox, uma API-KEY configurada serve como cabeçalho da solicitação HTTP enviada. O corpo das mensagens de dados tem o seguinte formato JSON:

Depois que as informações são recebidas no hub IoT do Azure, uma função do Azure é executada para pré-processar os dados recebidos e inseri-los em um banco de dados NoSQL, que serve como uma fonte de informações para a plataforma preditiva e analítica. Especificamente, o sistema usa CosmosDB com um driver MongoDB.

Capacidades e benefícios de manutenção preditiva

Depois de coletadas e analisadas essas informações, as equipes de desenvolvedores deram continuidade ao segundo desafio do projeto, que é a previsão da qualidade da água e a manutenção necessária dos equipamentos.

Para atingir esses objetivos, as equipes de dados extraíram informações estruturadas e não estruturadas de fontes governamentais oficiais, de escritórios federais, estaduais e municipais, e de bancos de dados da repartição governamental responsável pelo sistema de água no México (CONAGUA), bem como de organizações privadas, como laboratórios independentes. Essas informações possuíam formatos e temporalidades distintos para que, além da extração de informações, fosse realizada uma análise das informações para a obtenção das diversas métricas da água que possibilitassem a visualização precisa da qualidade em um determinado ponto geográfico.

A função preditiva se concentrou em prever a manutenção dos filtros e sensores instalados nos bebedouros, tubulações profundas e tanques. Ele utiliza um modelo de regressão linear, que considera diferentes variáveis-chave obtidas pelos sensores IoT, como pressão, volume, vazão, vida útil do filtro, qualidade da água na área e condições de operação.

Da mesma forma, com essas análises, a plataforma recomenda a utilização de determinados tipos de filtros que melhor se adaptam às condições e necessidades de cada localização geográfica, levando em consideração maior capacidade, osmose reversa, volume, pressão, qualidade da água, tempo de vida do filtros, entre outros parâmetros. Desta forma, o sistema fornece recomendações sobre se é necessário fechar um bebedouro, fazer sua manutenção, trocar ou adicionar um filtro, ou quaisquer outras reparações necessárias para garantir a qualidade e disponibilidade da água para a população.

A função de previsão da qualidade da água em pontos geográficos onde não havia sensores foi outro desafio no fornecimento confiável de água potável ao público. Para tanto, as equipes de desenvolvimento utilizaram o algoritmo de Krigagem, que é um método de interpolação capaz de estimar variáveis ​​em um ponto geográfico com a utilização de dados obtidos de amostras e informações não estruturadas, obtendo assim a melhor estimativa linear e imparcial com o mínimo de variância possível.

A função de previsão do sistema é baseada em 17 fatores exigidos pelos padrões nacionais e internacionais:condutividade elétrica, pH da água, coliformes fecais, coliformes totais, sólidos dissolvidos, turbidez, sulfatos, fluoretos, arsênio, manganês, chumbo, ferro, mercúrio, cromo , cádmio, nitratos e dureza total (soma das durezas individuais devido aos íons cálcio, magnésio, estrôncio e bário na forma de carbonato ou bicarbonato).

Para prever o valor de cada um dos parâmetros acima em um ponto do sistema de distribuição de água onde não havia amostras disponíveis, modelos de aprendizado de máquina são usados ​​para cada um dos 17 parâmetros. Esses modelos foram treinados e armazenados em um formato reutilizável que é aplicado durante a inferência (previsão em um novo ponto).

Para a estimativa da qualidade da água, é importante não só levar em consideração os valores de medições anteriores em pontos geográficos próximos, mas também informações de fontes oficiais do governo, de repartições federais, estaduais e municipais, bancos de dados da repartição governamental responsável por o sistema de água no México (CONAGUA), bem como de organizações privadas, como laboratórios independentes.

Ao analisar essas informações estruturadas das amostras e informações não estruturadas de fontes governamentais e privadas, o sistema é capaz de fornecer as medições mais precisas possíveis. Graças ao uso dessas tecnologias, algoritmos e análises, a plataforma atinge uma taxa de precisão de mais de 91%, o que significa que o sistema pode detectar 91% dos casos em que há um problema com as tubulações, bebedouros e caixas d'água , permitindo esforços de manutenção mais rápidos e precisos para manter a qualidade e disponibilidade de água para o público.

Visualização de dados e protocolos IAM

Para exibir todas as informações coletadas, bem como as previsões e análises, as equipes de desenvolvedores criaram uma aplicação web na forma de API REST, utilizando o framework Flask com Python como linguagem de programação de backend. O frontend da plataforma foi desenvolvido usando AngularJS, um framework Javascript para desenvolvimento web, com um design totalmente responsivo que se adapta perfeitamente a diferentes dispositivos, como laptops, tablets e smartphones.

Para visualizar os dados, várias camadas de informações são usadas para diferentes propósitos e funções de pessoal dentro da agência responsável pelo sistema. Exemplos de pontos focais de monitores especializados incluem a camada de qualidade da água potável, camada de indicadores socioeconômicos (que incluem casas sem serviço de água potável, sem acesso à rede elétrica, sem pavimentação e índices de marginalização, entre outros), camada de disponibilidade de estresse hídrico, camada de laboratórios, camada de bebedouros e camada de qualidade de águas residuais (a informação desta última é obtida em formato KMZ para cada parâmetro estabelecido e é obtida a partir de bancos de dados da repartição governamental responsável pelo sistema de água no México). O formato Geo-JSON é utilizado para renderizar e visualizar as camadas de informação em uma plataforma cartográfica, pertencente ao Google Maps.

A fim de melhorar a experiência do usuário e a funcionalidade da plataforma, são utilizados filtros de informação, que incluem o estado atual da água (muito contaminada, contaminada, ruim, boa e excelente), parâmetros de informação específicos, raio de contaminação (por meio do uso de um mapa de calor), fontes de informação (dependendo dos diferentes sensores) ou combinações personalizáveis ​​de camadas de informação.

Por fim, o processo de gerenciamento de identidade e acesso (IAM) é habilitado pelo serviço Auth0, com diferentes funções e tipos de usuários definidos. A cada função é atribuído um conjunto específico de acessos e permissões que lhe permite aceder apenas à informação que lhe corresponde, garantindo assim a confidencialidade das informações e facilitando a eficácia da plataforma para cada função. Com uma vasta quantidade de dados agregados por meio do sistema, é importante que os usuários estejam equipados com as ferramentas para filtrar informações que não pertencem à sua função específica de trabalho.

Conclusão

Com o projeto totalmente implantado, agora é possível identificar e antecipar quando algum município necessitará de novos filtros no sistema hídrico para manter a qualidade e disponibilidade da água. O sistema resultou em vários benefícios, como redução dos custos de manutenção, aumento do tempo de atividade do sistema e, o mais importante, garantia do fornecimento de água seguro e confiável para os necessitados na cidade.

Este projeto é extremamente importante para o México, pois representa o uso de tecnologias como IoT, AI e ML com um sistema preditivo baseado em algoritmos e ciência de dados aplicada a algo tão comum como água potável. Oferecer, e mais importante, manter o serviço de abastecimento de água em bebedouros de uma cidade ou país exige uma robusta infraestrutura tecnológica para salvaguardar a saúde pública.