💧 WATER 4.0 – Predizione delle Perdite Idriche

WATER 4.0 è un progetto di ricerca orientato alla previsione delle perdite idriche in reti di distribuzione, mediante una pipeline che integra:

• Un modello generativo GAN per la simulazione di scenari plausibili di variabili idrauliche.
• Un modello LSTM per la stima della perdita idrica associata a ciascuno scenario.
• Un’ottimizzazione numerica tramite Continuous Particle Swarm Optimization (CPSO) per il tuning della LSTM.

---

📌 Obiettivo del Progetto

Predire in modo accurato e continuo la quantità di acqua persa (m³/h) nella rete idrica, sfruttando scenari simulati multivariati (pressioni, flussi, domande, livelli) generati da una GAN condizionata.

L'approccio si articola in due fasi:

1. Generazione di scenari realistici tramite una rete Generative Adversarial Network.
2. Predizione della perdita su ciascuno scenario tramite una rete LSTM ottimizzata.

---

🧠 Architettura della Soluzione

Generazione degli Scenari con GAN

• È stato addestrato un modello GAN condizionato per simulare variabili idrauliche multivariate coerenti con i dati storici reali.
• Lo scopo è espandere artificialmente il dataset con scenari realistici e stocastici.
• Gli scenari prodotti hanno la forma (N_scenari, forecast_horizon, n_features) e sono salvati come input per la LSTM.

Predizione con LSTM

• Una rete LSTM bidirezionale con meccanismo di attenzione viene impiegata per mappare ciascuno scenario generato in una previsione puntuale di leakage.
• L'output finale è un valore continuo che rappresenta la perdita idrica aggregata prevista per scenario.
• La rete è stata ottimizzata tramite CPSO su iperparametri chiave (numero layer, neuroni, learning rate, dropout).

---

📊 Vantaggi dell'approccio GAN + LSTM

• Aumento virtuale dei dati (Data Augmentation) senza necessità di simulazioni idrauliche computazionalmente costose.
• Stima probabilistica della perdita idrica tramite simulazione di molteplici scenari e analisi della distribuzione delle predizioni.
• Separazione chiara dei compiti:
  • La GAN genera il "futuro possibile".
  • La LSTM valuta il rischio (leakage) associato a ciascuna possibilità.
• Flessibilità e scalabilità verso scenari reali, anche in condizioni di scarsità di dati osservati.

Modello Predittivo LSTM

Architettura

• LSTM bidirezionale con 2 layer.
• Dropout e BatchNorm per regolarizzazione.
• Meccanismo di attenzione per pesare temporalmente le informazioni più rilevanti.
• Fully connected finale per output continuo.

L’input è un tensore sequenziale ((T, n_features)) mediato su più simulazioni dello stesso scenario. L’output è un valore continuo corrispondente alla perdita prevista.

---

Ottimizzazione con Continuous CPSO

Il tuning della rete LSTM è effettuato tramite CPSO, in grado di:

• Esplorare in modo efficiente lo spazio continuo degli iperparametri.
• Adattare dinamicamente i parametri dello sciame.
• Evitare minimi locali e migliorare la generalizzazione rispetto al tuning tradizionale.

---

Dataset: BattLeDIM 2020

Il dataset utilizzato proviene dalla competizione internazionale BattLeDIM 2020, ed è basato su simulazioni realistiche della rete idrica virtuale L-Town.

Variabili disponibili:

1. Domande (Demands) – 82 nodi (l/h)
2. Flussi (Flows) – 3 sensori (m³/h)
3. Pressioni (Pressures) – 33 sensori (m)
4. Livelli (Levels) – 1 serbatoio (m)
5. Perdite (Leakages) – perdite simulate (m³/h)

Dati registrati ogni 5 minuti, per due anni (2018–2019).

---

Preprocessing e Preparazione dei Dati

A cura del modulo utils/dataset.py:

• Parsing temporale: indicizzazione per timestamp
• Unione delle variabili: concatenazione orizzontale delle features
• Pulizia dei dati: rimozione righe con NaN
• Costruzione target: somma delle perdite su tutti i link
• Normalizzazione: via StandardScaler (Scikit-learn)
• Segmentazione sequenziale: sliding window (seq_len, target)
• Media su simulazioni: aggregazione dei dati generati da GAN

---

📁 Struttura del Progetto

WATER-4.0/
│
├── CPSO/                    # Cartella Ottimizzazione
│ ├── CPSO.py                # Algoritmo di ottimizzazione CPSO
│ ├── f_obj.py               # Funzione obiettivo + Train
│ ├── island_cpso.py         # Ottimizzazione con modello a isole
│ └── ottimizzazione.py      # File che esegue l'ottimizzazione
│
├── data/                    # Cartella dei dati
│
├── models/                  # Cartella del modello 
│ ├── lstm_model.py          # Definizione della rete LSTM
│ ├── generatore.py          # Generatore del modello GAN
│ └── discriminatore.py      # Discriminatore del modello GAN
│
├── utils/                   # Cartella utils
│ ├── dataset.py             # Preprocessing e dataset loader LSTM MODEL
│ ├── evaluate.py            # Metriche di valutazione
│ ├── plot.py                # Visualizzazioni
│ ├── train.py               # Ciclo di training LSTM MODEL
│ │
│ ├── dataset_gan.py         # Preprocessing e dataset loader GAN MODEL
│ ├── generate_scenario.py   # Genera gli scenari possibili
│ └── train_gan.py           # Ciclo di training GAN MODEL 
│
├── config.yaml              # Parametri del modello
├── environment.yml          # Dipendenze Conda
│
├── main_lstm.py             # Script principale per esecuzione della LSTM
├── main_gan.py              # Script principale per esecuzione della GAN
├── run_lstm_on_scenarios.py # Script principale per esecuzione della GAN
│
├── .gitignore               # File Gitignore
│
└── README.md                # File README 

---

Requisiti e Setup

1. Crea un ambiente conda:

conda env create -f environment.yml
conda activate water-leakage-env

2. Avvia l'allenamento del modello:

python main_lstm.py

3. Genera uno scenario allenando la GAN:

python main_gan.py

4. Usando il modello LSTM predici i leakages:

python run_lstm_on_scenarios.py

---

Contatti

Per domande: giovanni.iacuzzo@unikorestudent.it