Escolar Documentos
Profissional Documentos
Cultura Documentos
Faculdade de Tecnologia
Limeira
2019
Sandra Maria Cardoso
Limeira
2019
FOLHA DE APROVAÇÃO
• BWSN – The Battle of the Water Sensor Networks (A Batalha das Redes de Sensores de
Água)
• 𝑛𝑠 – Número de sensores
• 𝑃𝑖 – Probabilidade de contaminação
• PA – Paration
• TC – Taxa de Cobertura
1 Introdução 16
2 Objetivo 20
2.1 Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3 Fundamentação Teórica 21
3.1 Controle de qualidade da água em SDA . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Métodos de otimização para alocação de sensores em RDA . . . . . . . . . . . 29
3.3 Algoritmos Evolutivos Mono e Multiobjetivo . . . . . . . . . . . . . . . . . . . 33
3.4 Pós processamento da fronteira Pareto . . . . . . . . . . . . . . . . . . . . . . 37
3.5 Teoria dos Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.5.1 Caminho mais curto em grafos . . . . . . . . . . . . . . . . . . . . . . 43
3.6 Simulação Hidráulica e de Qualidade da água . . . . . . . . . . . . . . . . . . . 45
3.7 Ferramenta de suporte à implementação . . . . . . . . . . . . . . . . . . . . . 48
3.8 Conceito de cobertura de demanda . . . . . . . . . . . . . . . . . . . . . . . . . 48
4 Metodologia 52
4.1 Simulação da qualidade da água . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2 Alocação de sensores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.3 Função de probabilidade de contaminação- FPC . . . . . . . . . . . . . . . . . 60
4.3.1 FPC1- baseada na variação espacial de demanda nodal. . . . . . . . . . 60
4.3.2 FPC2-baseada nas distâncias de nós comuns para os nós de usuários
especiais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.3.3 Função de probabilidade de contaminação baseada na importância dos
nós nas redes principais (FPC3) e variação da porcentagem de rede
troncal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3.4 FPC4- Baseado nos usuários especias, distância entre nós e demanda
nodal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.4 Otimização das funções objetivo considerando as FPC’s. . . . . . . . . . . . . . 64
4.4.1 Tempo de detecção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.4.2 Probabilidade de Detecção . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.5 Abordagem de otimização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5 Resultados e discussões 68
5.1 Validação da metodologia em rede hipotética . . . . . . . . . . . . . . . . . . . 68
5.1.1 Descrição da Rede de distribuição de água . . . . . . . . . . . . . . . . 68
5.1.2 Abordagem NSGA-II e Extração de Regras . . . . . . . . . . . . . . . . 70
5.2 Aplicação da metodologia em rede real . . . . . . . . . . . . . . . . . . . . . . 72
5.2.1 Descrição da Rede de distribuição de água . . . . . . . . . . . . . . . . 72
5.2.2 Rede Troncal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.3 Comparação entre as fronteiras finais de Pareto . . . . . . . . . . . . . . . . . 75
5.3.1 Variação das porcentagens de Rede Troncal . . . . . . . . . . . . . . . 75
5.3.2 Diferentes funções de probabilidade de contaminação . . . . . . . . . . 76
5.4 Comparações de soluções de layout usando a seleção automática . . . . . . . . 79
5.4.1 Layouts gerados pelo método Distância Euclidiana . . . . . . . . . . . 79
5.4.2 Analise da fronteira de Pareto pelo método k-means . . . . . . . . . . 86
6 Conclusões 93
Referências bibliográficas 95
16
Capítulo 1
Introdução
Redes de Sensores de Água (BWSN) (OSTFELD et al., 2008) onde 15 diferentes abordagens de
alocação ótima de sensores para SDA foram comparadas, sendo os objetivos propostos: (Z1)
minimização do tempo de detecção, (Z2) minimização da população afetada antes da
detecção, (Z3) minimização do consumo esperado de água contaminada antes da detecção e
(Z4) maximização da probabilidade de detecção. Tais objetivos são conflitantes, entre si, logo
o problema pode ser entendido como a melhor solução possível que satisfaça os objetivos
simultaneamente. Com isso, há multiplobjetivos e restrições para serem consideradas se
tornando um problema de otimização multiobjetivo.
Diferente da abordagem mono-objetivo esse tipo de problema de otimização pode não ter
uma solução que seja melhor em relação a todos os objetivos. Em vez disso, há um conjunto
de soluções que são conhecidas como soluções Pareto-ótimas ou soluções não dominadas
(COELLO COELLO; LAMONT; VELDHUIZEN, 2002). As soluções desse conjunto, também
chamado de Fronteira de Pareto, representam o melhor compromisso entre os objetivos
conflitantes associados ao problema, portanto, qualquer um delas poderia ser escolhido
(DOLORES, 2014; CHIANDUSSI et al., 2012). Dessa forma, as companhias de abastecimento
de água podem utilizar as soluções encontradas para alocação de sensores como auxílio no
processo de tomada de decisão. Existem diversos métodos de otimização multiobjetivos que
podem ser aplicados a otimização da alocação ótima de sensores (RATHI; GUPTA;
ORMSBEE, 2015; HART; MURRAY, 2010; OSTFELD et al., 2008).
Embora vários métodos tenham sido desenvolvidos e estudados para resolver problemas
de otimização multiobjetivo, poucos trabalhos foram realizados no pós-processamento da
fronteira Pareto. Com isso, para facilitar a etapa de análise pós Pareto-ótima uma das formas
é diminuir o conjunto de soluções promissoras a partir do conjunto de soluções
Pareto-ótimas, sendo essa etapa desafiadora por conter um conjunto extremamente grande
ou até um número infinito de soluções (CHEIKH et al., 2010). Portanto, um método
automatizado que facilite essa etapa auxiliando o decisor para escolher a melhor solução
dentro do conjunto de soluções Pareto-ótimas é de grande utilidade, sendo possível com
métodos de análise pós processamento Pareto (CARPITELLA et al., 2018; CHAUDHARI;
DHARASKAR; THAKARE, 2010; VEERAPPA; LETIER, 2011; ZIO; BAZZO, 2012).
As abordagens clássicas de alocação ótima de sensores consideram a distribuição de
probabilidade de contaminação igual para todos os nós da rede (CARDOSO et al., 2018;
OHAR; LAHAV; OSTFELD, 2015; ELIADES et al., 2015; SCHWARTZ; LAHAV; OSTFELD,
Capítulo 1. Introdução 18
desinfetante), sofrem reações gerando subprodutos considerados ainda mais tóxicos do que
as substâncias primárias (DUIRK; DESETTO; DAVIS, 2009).
Considerando a importância do monitoramento de RDA frente aos riscos de
contaminação proposital por contaminantes químicos, como pesticidas, esse trabalho propõe
examinar o pesticida organofosforado Paration (PA) como um possível contaminante a ser
introduzido no RDA e diferentes probabilidades de contaminação nodal. Para isso, serão
realizadas simulações de eventos de contaminação que incorporem as reações químicas do
contaminante na modelagem da qualidade da água e analisem mudanças reais da
concentração de cloro, que possivelmente servirá como indicativo de contaminação. Assim, o
objetivo deste trabalho é aplicar um algoritmo multiobjetivo baseado na teoria dos
algoritmos genéticos ao problema de determinação da fronteira Pareto-ótima, para a alocação
dos sensores de qualidade da água em RDA e realizar uma análise de pós processamento da
Pareto.
Esses cenários serão utilizados para a alocação ótima dos sensores, feita com auxílio do
algoritmo genético multiobjetivo elitista NSGA-II na ferramenta Matlab. Esse trabalho está
dividido em: (1) Simulação da qualidade da água ao longo da RDA e injeção de contaminante
(PA); (2) otimização simultânea de três objetivos fundamentais: minimizar o tempo de detecção
(Z1) maximizar a probabilidade de detecção (Z4) e minimizar o número de sensores (Z5), em
primeira instância, em rede fictícia da literatura, e otimização das funções objetivo Z1 e Z4
considerando probabilidades de contaminação nodais diferentes aplicado em uma rede real
Jiayou (JYN) (HE et al., 2018) para demonstrar sua utilidade em condição hipotética; (3) Análise
das fronteiras Pareto por meio de dois métodos de tomada de decisão multicritério.
20
Capítulo 2
Objetivo
IV. Avaliar a fronteira Pareto por dois métodos de análise pós Pareto.
21
Capítulo 3
Fundamentação Teórica
Este capítulo é composto por oito seções principais, na quais são apresentadas as
fundamentações teóricas para cada etapa desse trabalho, sendo: Controle de qualidade da
água em SDA; Métodos de otimização para alocação de sensores em RDA; Algoritmos
Evolutivos Mono e Multiobjetivo; Pós processamento da fronteira Pareto; Teoria dos Grafos;
Simulação Hidráulica e de Qualidade da água; Ferramenta de suporte à implementação;
Conceito de cobertura de demanda.
• Na seleção dos locais para coleta de amostras devem ser priorizadas pontas de rede e
locais que alberguem grupos populacionais de risco (Art.28, 2);
• É obrigatória a manutenção de, no mínimo, 0,2 mg/L de cloro residual livre ou 2 mg/L
de cloro residual combinado ou de 0,2 mg/L de dióxido de cloro em toda a extensão do
sistema de distribuição (reservatório e rede) (Art. 34);
• Recomenda-se que o teor máximo de cloro residual livre em qualquer ponto do sistema
de abastecimento seja de 2 mg/L (Art.39, 2);
Tabela 3.1: Número mínimo de amostras e frequência para o controle da qualidade da água
de sistema de abastecimento, para fins de análises físicas, químicas e de radioatividade, em
função do ponto de amostragem, da população abastecida e do tipo de manancial (Anexo 12
do Anexo XX).
50.000 a 50.000 a
<50.000. >250.000 <50.000 >250.000
250.000 250.000
semanal quando o
n◦ de
Cianotoxinas Superficial 1 Dispensada a análise Dispensada a análise
cionobactérias
200.000 cél/ml
Superficial
Demais parâmetros
ou 1 Semestral 1(5) 1(5) 1(5) Semestral
(3)(4)
Subterrâneo
1
Análise exigida de acordo com o desinfetante utilizado
2
As amostras devem ser coletadas, preferencialmente, em pontos de maior tempo de detenção da água no sistema de distribuição
3
A definição da periodicidade de amostragem para o quesito de radioatividade será definido após o inventário inicial, realizado semestralmente no período
4
Para agrotóxicos, observar o disposto no parágrafo 5º do artigo 41.
5
Dispensada análise na rede de distribuição quando o parâmetro não for detectado na saída do tratamento e, ou, no manancial, à exceção de substâncias que
Tabela 3.2: Número mínimo de amostras mensais para o controle da qualidade da água de
sistema de abastecimento, para fins de análises microbiológicas, em função da população
abastecida (Anexo 13 do anexo XX).
Coliformes tratamento)
<5.000 5.000 a 20.000 20.000 a 250.000 >250.000
totais Duas amostras semanais (1)
105+ (1 p/ cada
Escherichia 1 para cada 30+(1 p/
10 5.000 hab.)
coli 500 hab. cada 2.000 hab.)
máx. de 1.000
1
Recomenda-se a coleta de, no mínimo, quatro amostras semanais.
Fonte: (PORTARIA. . ., 2017).
rio Meuse. Em 2001 o abastecimento de água de seis aldeias foi cortado pelas autoridades
Filipinas, após identificarem um cheiro anormal nas torneiras. As autoridades já estavam em
alerta, pois haviam recebido ameaças de envenenamento do abastecimento de água da cidade
de Isabela, ilha de Basilan, dos guerrilheiros de Abu Sayyaf. Em 2002 a polícia italiana prendeu
quatro marroquinos, suspeitos de envolvimento com a Al-Qaeda, por planejarem contaminar
o sistema de abastecimento de água, em Roma. O ataque seria realizado com produto químico
à base de cianeto, incluindo como alvo o edifício da embaixada dos EUA.
Gleick (2006) ainda descreve a descoberta do FBI, em 2002, durante a prisão de um cidadão
libanês em Seattle, recrutador da Al-Qaeda com sede em Londres. Os documentos apreendidos
mostraram o interesse de envenenamento de fontes de água e a busca por informações sobre
abastecimento de água e gestão de água residual nos EUA e no exterior. Com isso em 2003, o
sistema de água dos EUA sofreu ameaça de envenenamento da Al-Qaeda. O último relato de
Gleick (2006), relacionado a envenenamento, ocorreu em 2003-2004 na guerra civil no Sudão,
onde poços de água em Khasan Basao em Dafur foram contaminados como estratégia contra
a população.
Já no Brasil, em 2017 ocorreu a poluição acidental do Rio Atibaia, localizado na cidade de
Sumaré, interior de São Paulo, responsável pelo abastecimento de aproximadamente 70% da
cidade, por meio de Fenol (produto químico industrial) (UOL, s.d.). Outro caso de
contaminação, no Brasil, foi identificado pela Agência Tocantinense de Saneamento,
responsável pelo abastecimento da cidade de Santa Rosa do Tocantins, por um produto
químico não identificado, que levou a paralisação do abastecimento por três dias (PORTAL
G1, s.d.).
Ao estudar o comportamento de contaminantes ao longo da RDA é importante levar em
consideração que a rede possui grande extensão, sendo constituídas por centenas ou milhares
de quilômetros de tubulação; padrões de abastecimento e a demanda variando no tempo e
segundo as necessidades dos clientes; sistemas de distribuição malhados, promovendo a
mistura e diluição de possíveis contaminantes (HART; MURRAY, 2010). Com isso, as
condições de monitoramento por parte das companhias de abastecimento de água podem ser
ineficientes em caso de contaminação, podendo causar danos irreversíveis à sociedade
(ELIADES et al., 2015).
Com a evidência da vulnerabilidade das RDA e com o monitoramento limitado da
qualidade da água por meio da coleta de amostras identifica-se uma dificuldade em garantir
Capítulo 3. Fundamentação Teórica 29
Autores Abordagem
Algoritmos
Alzamora e Ayala
topológicos
Método de otimização
Dorini et al. multiobjectivo com restrições designado “noisy cross entropy sensor
locator (nCESL)”.
Ghimire et al. sensores na proximidade dos nós de maior consumo de água ou então na maior
algoritmos genéticos, com agregação dos quatro objetivos num único objetivo.
Algoritmo genético
Ostfeld e Salomons
Algoritmo genético
Preis e Ostfeld
et al. (2008), com o intuito de obter a alocação ótima de sensores por meio do método
heurístico Sistema de Transformação Ótima Local dos Sensores (SLOTS). Fizeram a
comparação do método heurístico com outros algoritmos greedy e analisaram a sensibilidade
do algoritmo ao atribuirem diferentes entradas. Xu et al. (2010) sugeriram dois modelos
robustos para a minimização da população exposta e maximização da probabilidade de
detecção. Com a atribuição de pesos relativos conseguiram converter as duas funções
objetivo em um único objetivo. O método heurístico SLOTS foi sugerido para resolver o
problema de ótimização para a alocação de sensores.
Guidorzi, Franchini e Alvisi (2009) utilizaram a abordagem algoritmo genético
multiobjetivo elitista II (NSGA-II) para a otimização de dois processos, detecção da presença
de um contaminante e implementação de ações para isolar rapidamente o ponto
contaminado. Weickgenannt et al. (2010) utilizou a mesma abordagem de otimização para
alocação de sensores, buscando a minimização do volume de água contaminada consumida e
o número de falsos positivos. Como mostrado anteriormente, durante os últimos anos, vários
algoritmos evolutivos multiobjetivo foram sugeridos. Isso se deve ao fato de os métodos de
otimização se diferenciarem dos métodos clássicos de otimização, pois lidam
simultaneamente com um conjunto de possíveis soluções (população), que permite a geração
de vários elementos do conjunto de soluções Pareto-ótimas, em uma única “execução”.
Classificação em frente
Ordenação por
de Pareto Pt+1
"crowding distance"
F1
Pt F2
F3
Q
t
Não selecionados
Rt
Fonte: adaptado de (DEB et al., 2002).
geralmente realizada por especialistas, mas existem métodos que possibilitam classificar um
número menor de soluções de forma automatizada.
Cheikh et al. (2010) propuseram selecionar um conjunto restrito de soluções que fosse
mais representativo dentre os pertencentes à fronteira de Pareto. Os autores se basearam nos
métodos de agrupamento que consistem em descobrir, a partir de uma população, grupos de
indivíduos com características semelhantes, para auxiliar o decisor no processo de tomada de
decisão. Para tanto, foi preciso determinar uma solução representativa dentro de cada cluster.
Isso é feito por meio do cálculo da somatória das distâncias quadradas entre a solução ideal e as
soluções do cluster, dessa forma a solução mais próxima da solução ideal será a escolhida como
representante do cluster. Cada grupo é formado por soluções com propriedades semelhantes,
facilitando a etapa de tomada de decisão, uma vez que o decisor terá que avaliar uma única
solução por cluster.
Já Carpitella et al. (2018) utilizaram a combinação de duas análises, a primeira abordagem
multiobjetivo NSGA-II para otimizar quatro critérios, sendo: falta de serviço operacional, custo
operacional, uniformidade de pressão e resiliência da rede. Com isso, foi gerada a fronteira de
Pareto formada de soluções não-dominadas. A segunda abordagem trata-se da Técnica para
Ordem de Preferência por Similaridade à Solução Ideal (TOPSIS) utilizada para classificar o
conjunto de soluções Pareto-ótimas com base em um conjunto de critérios ponderados, com
o intuito de alcançar um ranking final. A TOPSIS baseia-se no conceito de distância para
uma solução ideal positiva e negativa. Com isso, a melhor alternativa é caracterizada pela
menor distância a primeira e a maior até a última. A TOPSIS utiliza uma matriz de decisão
contendo avaliações de alternativas sob um conjunto de critérios de avaliação e vetor de pesos
que refletem as preferências dos especialistas envolvidos no projeto, auxiliando na etapa de
tomada de decisão.
Outra forma de analisar o conjunto de soluções pertencente à fronteira de Pareto, espaço
n-dimensional, é calculando a similaridade entre o ponto de utopia (ideal) e as soluções
Pareto-ótimas em função da distância entre os mesmos. A maneira mais comum de calcular a
distância entre dois pontos a e b no espaço n-dimensional é conhecida por distância
euclidiana (𝑋𝑎,𝑏 )(Equação 3.1) (NETO; MOITA, 1998).
𝑛 2
𝑋𝑎,𝑏
2
= ∑ (𝑑𝑎𝑗 − 𝑑𝑏𝑗 ) (3.1)
𝑗=1
Vale ressaltar que esse método pressupõe saber qual a solução ideal, mas essa condição
nem sempre é verdadeira.
Capítulo 3. Fundamentação Teórica 39
dimensões 𝑚 escritas pelo vetor 𝑥𝑖 = [𝑥1 , 𝑥2 , ..., 𝑥𝑚 ] e um centro 𝑐𝑗 = [𝑐1 , 𝑐2 , ..., 𝑐𝑚 ] a distância
euclidiana pode ser escrita pela Equação 3.2 (BRENTAN, 2017).
Um dado 𝑖 é classificado como pertencente ao grupo 𝑗 se a menor distância entre esses dados
e todos os centros forem 𝑑𝑖 𝑗 (BRENTAN, 2017). Um processo iterativo começa recalculando a
posição dos centros e agrupando novamente o ponto. É necessário recalcular a posição dos
centros para avaliar possíveis mudanças em suas posições. O processo é repetido até que não
ocorra nenhuma alteração (CHEIKH et al., 2010).
Um problema frequente de muitos algoritmos de agrupamento, por exemplo k-means, é a
escolha do número de grupos. Assim, diferentes índices de validade de grupos parciais são
sugeridos para resolver este problema, uma vez que esta é uma questão importante para o
agrupamento geral (TABOADA; COIT, 2006; LIU et al., 2005). O método de plotagem em
silhueta (ROUSSEEUW, 1987) é uma dessas técnicas de avaliação de agrupamento que indica a
qualidade de um processo. Em seguida, o número de grupos que otimiza o índice de qualidade
sob consideração é escolhido como a melhor partição.
Rousseeuw (1987) sugeriu o gráfico de silhueta como critério para analisar a qualidade de
grupos de técnicas de agrupamentos. Para tanto, o valor da silhueta para cada ponto depende
das semelhanças entre os pontos em seu próprio grupo e em comparação com pontos em outros
grupos. O valor conhecido como a largura da silhueta 𝑠(𝑥𝑖 ) (Equação3.3) é um indicador de
confiança na associação entre amostra n e o objeto 𝑥𝑖 (𝑥𝑖 = [𝑥1 , 𝑥2 , ..., 𝑥𝑛 ]). Com isso, o valor
do indicador Silhueta 𝑠(𝑥𝑖 ) varia de +1 ( pontos muito distantes dos clusters vizinhos) a −1 (
pontos que provavelmente estão atribuídos ao cluster errado). O valor 0 indica que os pontos
não estão distintamente em um cluster ou outro, pois 𝑎(𝑥𝑖 ) e 𝑏(𝑥𝑖 ) são aproximadamente iguais
e, portanto, não está claro se 𝑠(𝑥𝑖 ) está atribuído a A ou B. O objeto 𝑥𝑖 fica igualmente distante
de ambos, portanto pode ser considerado como um caso intermediário (ROUSSEEUW, 1987).
em que, 𝑎(𝑥𝑖 ) a distância média entre 𝑥𝑖 e todos os objetos do seu grupo, 𝑏(𝑥𝑖 ) será a distância
média entre 𝑥𝑖 e um outro grupo no qual 𝑥𝑖 não pertença. Dessa forma, o valor da Silhueta de
um objeto diz o quão semelhante ele é com os outros objetos do grupo à que pertence.
Capítulo 3. Fundamentação Teórica 42
O probelma do CMC na teoria dos grafos é parte do problema da teoria do fluxo de custo
mínimo. Ou seja, dado um grafo direcionado 𝐺 = (𝑉 , 𝐸), definido por um conjunto de nós
(arestas) 𝑉 e um conjunto de links (vértices) direcionados 𝐸𝑖𝑗 e caracterizado por: um custo
por unidade de fluxo no (link associado 𝐶𝑖𝑗 que varia linearmente com a quantidade de fluxo
passado por 𝐸𝑖𝑗 ; pela capacidade máxima que pode fliur através de um (link 𝑈𝑖𝑗 ; e um valor
mínimo 𝑙𝑖𝑗 que deve fluir através do (link, sendo o fluxo que flui através de 𝐸𝑖𝑗 denotado 𝑥𝑖𝑗
(AHUJA et al., 1995). A cada nó 𝑖 𝜖𝑉 é atribuido um valor inteiro 𝑏(𝑖) que permite reconhecer
o tipo de nó, sendo nó de suprimento 𝑏(𝑖) > 0; nó demanda 𝑏(𝑖) < 0 e nó transporte 𝑏(𝑖) = 0.
As variáveis de decisão no problema são os fluxos nos (links. A Equação 3.4 determina o CMC
entre dois vértices, onde 𝑃 é um caminho arbitrário (AHUJA et al., 1995).
sujeito a:
⎧
⎪
⎪
⎪
⎪ se 𝑁 𝐼 = 𝑁 𝐹 → 0
⎪
⎪
⎨
⎪ se 𝑁 𝐼 não puder alcançar 𝑁 𝐹 → ∞
⎪
⎪
⎪
⎪ Para qualquer outro caso → Número do nó no CMC
⎪
⎩
Com a matriz (𝑀) é possível classificar os nós de acordo com sua importância no gráfico.
Onde, um nó específico é considerado mais importante quanto maior número de nós que ele
pode alcançar. Esta importância é calculada pela soma de cada linha da matriz (𝑀). A soma
de cada linha é chamada de valor do caminho mais curto acumulado (VCMCA)(CAMPBELL,
2017). A vazão é usada como um multiplicador do VCMCA através de cada tubo. Com isso, é
formada uma hierarquia (ou uma árvore) de links e nós, onde as fontes de suprimento são as
raízes.
O conceito de caminho mais curto (CMC) pode ser implementado através da técnica de
Breadth First Search (BFS) (MOORE, 1959) criado por E.F Moore em 1950. É considerado um
algoritmo simples para a exploração em grafos. Logo, dado um grafo 𝐺 = (𝑉 , 𝐸) e um nó
Capítulo 3. Fundamentação Teórica 45
raiz (𝑅) o algoritmo BFS explora todos os vértices do grafo para encontrar o subconjunto de
nós alcançáveis a partir do nó 𝑅 (MEIRELLES et al., 2018). Com isso, o algoritmo calcula as
distâncias, menor número, do nó 𝑅 para cada um dos nós final. Uma árvore de amplitude é o
resultado do processo que contém todos os nós alcançáveis.
[TERMS] são usadas como termos intermediários nas expressões para o modelo químico na
reação/equilíbrio.
armazenamento
espécies selecionadas
espécie
fonte de entrada
Por não possuir uma interface gráfica, o software necessita de uma execução em linha de
comando, sendo necessários dois arquivos de entrada: (1) arquivo contendo as características
hidráulicas da rede em estudo, sendo esse gerado a partir do EPANET 2.0 padrão que possui a
extensão (.inp); (2) arquivo que descreve as espécies a serem simuladas, as reações químicas
ou modelos de equilíbrio que governam sua dinâmica, sendo esse fundamental para
Capítulo 3. Fundamentação Teórica 48
relação a RDA (SUSE, 2014). Dessa forma, é correto afirmar que se a qualidade da água do nó
amostrado/monitorado é boa, então a qualidade da água dos nós a montante também não é
adequada. A garantia da qualidade da água dada pelas companhias de abastecimento é de
extrema importância para que não haja contaminação em massa. As estações de
monitoramento/sensores consideradas são capazes de monitorar qualquer fração de água
consumida em uma RDA (SUSE, 2014). Para exemplificar como é realizado o cálculo da
cobertura de demanda, Lee e Deininger (1992) utilizaram um sistema hipotético de
distribuição de água (Figura 3.2). A ilustração apresenta o fluxo de água que flui por cada
tubulação, bem como o sentido do escoamento. As demandas associadas a cada no 𝑖 estão
representadas por 𝑑𝑖 .
1
f1=100
f2=60 2 d2=0
3 f8=40
d3=15
f3=45
7 d7=10
f7=5
4
d4=30 f6=25
f4=20
6
5 d6=20
f5=5
d5=25
Fonte: (LEE; DEININGER, 1992).
Nó de amostragem 1 2 3 4 5 6 7
1 1 0 0 0 0 0 0
2 1 1 0 0 0 0 0
3 1 1 1 0 0 0 0
4 1 1 0,9 1 0 0 0,1
6 1 1 0 0 0 1 1
7 1 1 0 0 0 0 1
Fonte: (LEE; DEININGER, 1992)
Considerando que até a menor fração de água que parte de um nó pode ser inferido pelo
nó escolhido para o monitoramento a Taxa de Cobertura (TC) pode ser determinada por meio
das matrizes de contaminação geradas a partir dos eventos de contaminação. E cada cenário
de contaminação pode ser identificado pelo conjunto de sensores alocados de acordo com o
layout ideal. O valor dos eventos detectados será 1 se ele tiver identificação pelo conjunto de
sensores e 0 se não for identificado. Ao dividir a soma dos eventos detectados pela quantidade
total de cenários de contaminação considerados, o valor TC é obtido, conforme mostrado na
Equação 3.7
Capítulo 3. Fundamentação Teórica 51
1
𝑇𝐶 = ∑ 𝑑𝑒 ∗ 100
(𝑆 )
(3.7)
Capítulo 4
Metodologia
Neste capítulo é abordada a metodologia proposta que está dividida em três seções: (1)
Simulação da qualidade da água ao longo da RDA e injeção de contaminante (PA), (2)
alocação ótima de sensores por meio da otimização multiobjetivo e (3) análise de
pós-processamento Pareto.
𝑑[𝑃𝐴]
= −𝐾ℎ𝑜𝑐𝑙,𝑃𝐴 .[𝐻 𝑂𝐶𝐿].[𝑃𝐴] − 𝐾ℎ,𝑃𝐴 .[𝑃𝐴] − 𝐾𝑜𝑐𝑙,𝑃𝐴 .[𝑂𝐶𝐿− ].[𝑃𝐴]
𝑑𝑡
(4.1)
𝑑[𝑃𝐴𝑂]
= 𝐾ℎ𝑜𝑐𝑙,𝑃𝐴 .[𝐻 𝑂𝐶𝐿].[𝑃𝐴] − 𝐾ℎ,𝑃𝐴𝑂 .[𝑃𝐴𝑂] − 𝐾𝑜𝑐𝑙,𝑃𝐴𝑂 .[𝑂𝐶𝐿− ].[𝑃𝐴𝑂]
𝑑𝑡
(4.2)
𝑑[𝑃𝐴𝐻 ]
= 𝐾ℎ,𝑃𝐴 [𝑃𝐴] + 𝐾𝑜𝑐𝑙,𝑃𝐴 .[𝑂𝐶𝐿− ].[𝑃𝐴] + 𝐾ℎ,𝑃𝐴𝑂 .[𝑃𝐴𝑂] + 𝐾𝑜𝑐𝑙,𝑃𝐴𝑂 .[𝑂𝐶𝐿− ].[𝑃𝐴𝑂]
𝑑𝑡
(4.3)
Capítulo 4. Metodologia 54
Sendo: [𝑃𝐴𝑂] e [𝑃𝐴𝐻 ] compostos mãe e filha de 𝑃𝐴; 𝐾ℎ𝑜𝑐𝑙,𝑃𝐴 é o coeficiente de oxidação
de 𝑃𝐴 para 𝑃𝐴𝑂 na presença de [𝐻 𝑂𝐶𝐿]; 𝐾𝑜𝑐𝑙,𝑃𝐴 e 𝐾𝑜𝑐𝑙,𝑃𝐴𝑂 são coeficientes de oxidação para
presença de [𝑂𝐶𝐿− ]; e 𝐾ℎ,𝑃𝐴 , 𝐾ℎ,𝑃𝐴𝑂 são coeficientes da taxa de hidrólise de [𝑃𝐴] e [𝑃𝐴𝑂],
respectivamente.
𝑍 1 = 𝐸 (𝑡𝑑 ) (4.5)
1 𝑠
𝑍4 = ∑ 𝑑𝑟 (4.6)
𝑠 𝑟=1
Capítulo 4. Metodologia 55
𝑍 5 = 𝑚𝑖𝑛.(𝑛𝑠 ) (4.7)
Para exemplificação dos cálculos de cada função objetivo otimizada pelo algoritmo, foi
utilizada uma RDA fictícia (Figura 4.1), composta por 5 nós e 5 tubos. Considerar todos os
tubos com o mesmo comprimento e material, além dos nós terem a mesma pressão. Logo, o
período de simulação é de 8 passos de tempo e a injeção de contaminação nos nós da RDA no
terceiro passo de tempo, sendo cada vez contaminando um nó, gerando 5 cenários de
contaminação. O sensor é capaz de identificar qualquer alteração da qualidade de água dos
nós a montante, sendo alocado no nó 5.
Capítulo 4. Metodologia 56
Fonte:Arquivo pessoal
Nós
Passo de tempo
1 2 3 4 5
1 0 0 0 0 0
2 0 0 0 0 0
3 1 0 0 0 0
4 1 1 0 0 0
5 1 1 1 1 0
6 1 1 1 1 1
7 1 1 1 1 1
8 1 1 1 1 1
Fonte:Arquivo pessoal
Nós
Passo de tempo
1 2 3 4 5
1 0 0 0 0 0
2 0 0 0 0 0
3 0 1 0 0 0
4 0 1 1 1 0
5 0 1 1 1 1
6 0 1 1 1 1
7 0 1 1 1 1
8 0 1 1 1 1
Fonte:Arquivo pessoal
Com os valores de 𝑡𝑗 para cada cénario detectado pelo sensor é possível calcular o menor
tempo de detecção (𝑡𝑑 ) (Equação 4.4). Nesse caso, também valerá “3” passos de tempo,
uma vez que representa o menor valor entre os 5 cenários de contaminação. Com isso,
Z1 também valerá 3 passos de tempo, nesta condições.
cada evento detectado dr=1. Com isso, pode-se calcular Z4 por meio da Equação 4.6,onde
a somatória de dr será igual a 5. Ao dividir o total de eventos detectados (∑ 𝑑𝑟 ) pela
quantidade total de cenários de contaminação considerados (𝑆), sendo 𝑆 = 5, obtemos
um Z4=1, ou seja, ao alocar o sensor no nó 5 teremos 100% de probabilidade de detecção.
Nesse objetivo o número de nós monitorados por sensores (𝑛𝑠 ) irá variar
aleatoriamente dentre os 5 nós pertencentes a rede fictícia em análise. Dessa forma, é
gerado um vetor aleatório composto de 0 e 1, as colunas representando os nós da RDA
fictícia e as linha os nós a serem monitorados, sendo esses gerados aleatoriamente. Em
cada posição cujo valor ocupado seja 1, o modelo interpreta que há o monitoramento
desse nó e quando for 0 não há monitoramento. No caso onde se considera a alocação
de um sensor, tem-se um vetor como o representado na Tabela 4.4. A partir das
matrizes de contaminação geradas pelos cenários de contaminação, já explicados
anteriormente, é possível identificar quantos nós monitorados do layout de sensores
conseguem detectar o maior numero de cenários com um tempo de detecção mínimo, e
dessa forma minimizar o número de sensores. Ou seja, ao considerar que foi alocado
apenas um sensor na rede os resultados são os apresentados na Tabela 4.5.
Vetor (1 sensor)
Nó 1 Nó 2 Nó 3 Nó 4 Nó 5
0 0 0 0 1
Fonte:Arquivo pessoal
1 2 3 4 5
Z1 Z4 Z1 Z4 Z1 Z4 Z1 Z4 Z1 Z4
As demandas nodais são geralmente modeladas com base na densidade ocupacional. Isso
significa que quanto maior a demanda nodal, maior será a possibilidade de atingir um
número maior da população. Logo, ao analisar esse cenário, nós com maiores demandas
possuem maior probabilidade de contaminação intencional. A equação (Equação 4.8) (HE
et al., 2018) mostra a probabilidade de contaminação nodal como a proporção da demanda
nodal em relação às demandas totais da RDA. A probabilidade de contaminação nodal (𝑃1 )
trata-se de uma relação simples e direta entre uma demanda nodal e a demanda máxima da
rede.
∑𝑡=Δ𝑡
𝐴Δ𝑡
𝐷𝑖 (𝑡)
𝑃1(𝑖) = 𝑁 𝐴Δ𝑡
∑𝑖=1 ∑𝑡=Δ𝑡 𝐷𝑖 (𝑡)
(4.8)
no RDA); 𝐷𝑖 (𝑡) é a demanda de água do nó i no tempo t (𝑡 = Δ𝑡, 2Δ𝑡, ..., 𝐴Δ𝑡), 𝐴 número total
de o período de tempo de simulação único Δ𝑡, se Δ𝑡 = 1 e 𝐴 = 24 para uma simulação diária;
∑𝑡=Δ𝑡
𝐴Δ𝑡
𝐷𝑖 (𝑡) é a demanda total de água do nó 𝑖 durante todo o período de tempo (ou seja, todo
o período de tempo da demanda padrão).
Há nós na RDA que atendem usuários especiais como escolas, hospitais e departamentos
governamentais. Esses tipos de usuários são mais suscetíveis a ataques por contaminante,
pois atingem um grupo específico da população causando pânico social. Por ser alvo de
outros tipos de ataques, possuem segurança reforçada, geralmente, e acesso restrito. Logo,
nós de usuários comuns localizados nas proximidades tornam-se possíveis alvos de ataques
intencionais. Os nós localizados a distâncias menores em relação aos nós especiais possuem
uma maior probabilidade de contaminação, já que sabendo o sentido da vazão da rede é
possível atingir indiretamente os nós de usuários especiais. Geralmente, para modelar esse
tipo de usuário, nós especiais são criados para representar essa demanda exclusiva. No caso
dessa pesquisa, seis nós da rede JYN foram considerados como usuários especiais, como
apresentado na pesquisa de He et al. (2018). Ao reconhecer isso, o FPC2 é representado pela
Equação 4.9. A distância Euclidiana (𝑑𝑖,𝑗 ) é a distância entre os nós de usuários especiais (𝑗) e
os nós comuns (𝑖); (𝑥) e (𝑦) representam as coordenadas dos nós, logo a distância pode ser
calculada como:
Observa-se que a distância dos nós especiais é nula (𝑑𝑗,𝑗 = 0). No entanto, isso não exclui a
probabilidade de contaminação dos nós especiais, pois após o calculo das distâncias 𝑑𝑖,𝑗 um
processo de normalização é conduzido, levando a uma distribuição probabilística na qual as
menores distâncias têm maior probabilidade de contaminação. Com isso, os nós especiais
permanecem com a maior probabilidade de serem atacados intencionalmente.
Os valores de 𝑑𝑖,𝑗 são armazenados na matriz 𝐷(𝑛 × 𝑧) (Equação4.10),onde (𝑛) é o número
de nós especiais e (𝑧) e número total de nós da RDA.
Capítulo 4. Metodologia 62
⎛𝑑
⎜ 1,1 ... 𝑑1,𝑗 ⎟
⎞
𝐷(𝑛 × 𝑧) = ⎜ ⋮ ⋱ ⋮ ⎟
⎜ ⎟
(4.10)
⎜ ⎟
⎜𝑑 ⋯ 𝑑𝑖,𝑗 ⎟
⎝ 𝑖,1 ⎠
Após a formação da matriz 𝐷(𝑛 × 𝑧) apenas a menor distância entre nós especiais para
todos os nós comuns da rede, formarão o vetor (𝑧 × 1). Logo, todos os valores do vetor foram
normalizados entre 0 e 1 onde valores de distâncias menores possuem valores normalizados
mais próximos de 1 e os com maiores distâncias mais próximos de 0. Esse valores normalizados
são representados por 𝑃2 (Equação 4.11).
𝑃2 = 𝑚𝑖𝑛(𝑑𝑖 ) (4.11)
A teoria dos grafos (AHUJA et al., 1995; CAMPBELL et al., 2015; 2015; MEIRELLES et al., 2018)
foi aplicada para a determinação do caminho mais curto (CMC) da rede JYN. Dessa forma, os
nós e tubulações pertencentes à rede principal possuem uma importância maior em relação
aos demais nós e tubulações da rede, possibilitando uma maior dispersão do contaminante em
caso de ataque químico. A teoria dos grafos determina que tubulações com valor elevado de
caminho mais curto acumulado (VCMCA), possuem maior importância dentro da rede. Logo,
ao determinar as tubulações e nós com maior importância dentro da rede é possível classificar
os nós com maior chance de ataques intencionais. Nesta pesquisa, o VCMCA foi atribuído
como a FPC3, onde são utilizados os valores normalizado entre 0 e 1 a fim de representar a
probabilidade de ataque em nós de maior importância (𝑃3 ).
A teoria de grafos foi aplicada para a determinação da rede troncal (RT) com diferentes
porcentagens, sendo 20, 30, 50%. Dessa forma, os nós pertencentes às diferentes porcentagens
da rede troncal possuem uma importância maior em relação aos demais nós da rede. Isso se
deve ao fato do nó pertencente a RT conseguir alcançar um maior número nós, facilitando a
dispersão do contaminante. Seguindo a teoria, quanto maior o valor do caminho mais curto
acumulado (VCMCA) em um determinado tubo, maior será sua importância dentro da RT.
Capítulo 4. Metodologia 63
Logo, ao determinar as tubulações e nós com maior importância dentro da rede é possível
classificar os nós com maior chance de ataques intencionais. As três diferentes probabilidade
de contaminação nodal geradas a partir da rede troncal (20, 30 e 50%) foram analisadas com o
intuito de determinar a influência das mesmas na alocação ótima de sensores. Nesta pesquisa,
o VCMCA foi normalizado entre 0 e 1 a fim de representar a probabilidade de contaminação
(𝑃𝑅𝑇 ) em nós de maior importância.
Já a probabilidade de contaminação dos demais nós da RDA, possui o mesmo valor de
probabilidade de contaminação nodal. Esse valor é 10% menor do que a menor probabilidade
de contaminação nodal atribuída nas três condições de porcentagem da RT. Ou seja, foi feito
um levantamento dos menores VCMCA normalizados, nas três condições de porcentagens.
Posteriormente, houve a diminuição em 10% do menor valor entre os VCMCA normalizados.
Assim, considera-se que existe a possibilidade dos demais nós serem contaminados, mas as
maiores probabilidades de contaminação estão atribuídas aos nós da RT.
Como mencionado anteriormente na FPC2, quanto maior a demanda nodal, mais propenso está
um nó para a um ataque. Com isso, é importante garantir que o monitoramento da qualidade
da água nesses pontos da rede seja priorizado. A FPC4 se diferencia da FPC2 por garantir que
nós de usuários especiais tenham uma probabilidade de contaminação maior, em relação aos
outros nós. Ou seja, a probabilidade de contaminação nos nós especiais é independente da
demanda. Para tanto, uma probabilidade (𝜏 ) é atribuída ao grupo de nós especiais. Além disso,
a probabilidade de contaminação dos nós comuns é atribuída por meio da multiplicação da
demanda nodal pela distância mínima entre os mesmos e os nós especiais. Portanto, com base
na função de probabilidade de contaminação para usuários especiais criada por He et al (HE
et al., 2018) e a probabilidade de contaminação (𝑃4 ) está representada pela Equação 4.12
⎧
⎪𝜏 , 𝑖𝜖Ψ
⎪
⎪
𝑃4 (𝑡) = ⎨ (4.12)
𝑡=Δ𝑡 𝐷𝑖 (𝑡)
×
⎪
⎪ ∑𝐴Δ𝑡 1
𝑡=Δ𝑡 𝐷𝑖 (𝑡)
⎪
⎩ 𝑁 ∑𝐴Δ𝑡
∑ 𝑖=1 𝐷
recebem probabilidade de acordo com suas demandas (Equação 4.8) multiplicada pelo inverso
da distância mínima (1/𝐷) entre os nós especiais (Equação 4.9).
O tempo de detecção (Equação 4.13) para o nó 𝑖 contaminado no tempo 𝑡 ,𝛾 (𝑖, 𝑡), pode ser
definido como o tempo decorrido desde o início da intrusão de contaminantes no nó 𝑖, até a
primeira identificação da concentração do contaminante por qualquer um dos sensores
alocados na rede (HE et al., 2018). Portanto, o tempo esperado 𝐹1 pode ser expresso como:
∑𝑁𝑖=1 ∑𝑡=Δ𝑡
𝐴Δ𝑡
𝑃 (𝑖) 𝛾 (𝑖, 𝑡)
𝐹1 =
∑𝑖=1 ∑𝑡=Δ𝑡 𝐼 [𝛾 (𝑖, 𝑡)]
𝑁 𝐴Δ𝑡 (4.13)
⎧
⎪1, 𝛾 (𝑖, 𝑡) > 0
⎪
𝐼 [𝛾 (𝑖, 𝑡)] = ⎨
⎪
(4.14)
0, 𝛾 (𝑖, 𝑡) solução é descartada
⎪
⎪
⎪
⎩
onde 𝑃(𝑖) é a probabilidade de contaminação no nó 𝑖. O indicador 𝐼 = [(𝛾 )((𝑖, 𝑡))] = 1 se a
contaminação no nó 𝑖 no momento 𝑡 for detectada por pelo menos um dos sensores de rede,
se 𝐼 (𝛾( 𝑖, 𝑡) = 0 a solução é descartada.
{ }
𝑁 𝐴Δ𝑡
𝐹2 = ∑ ∑ 𝐼 [𝛾 (𝑖, 𝑡)] 𝑃(𝑖)
[𝐴 ]
1
(4.15)
𝑖=1 𝑡=Δ𝑡
é baseada nas seguintes etapas: (1) obter o conjunto de soluções Pareto por meio do algoritmo
de otimização; (2) Aplicar o algoritmo k-means para formar clusters nas soluções contidas no
conjunto Pareto; (3) Determinar o número “ótimo” de clusters (k), neste conjunto aplicado os
gráficos de silhueta. O maior valor de largura de silhueta, 𝑠(𝑖), determina o número “ótimo” de
clusters no conjunto de soluções Pareto; (4) Seleção de uma solução representativa para cada
cluster. Para tanto, a solução mais próxima de seu centroide de cluster é escolhido como uma
ótima solução representativa.
Capítulo 4. Metodologia 67
tu
68
Capítulo 5
Resultados e discussões
A cloração da rede, para este estudo, foi realizada por meio da injeção de cloro, com uma
concentração de 1.5𝑚𝑙/𝐿 estabelecida pela PORTARIA DE CONSOLIDAÇÃO Nº 5, DE 28 DE
SETEMBRO DE 2017. (2017), nos três reservatórios durante 24h, sendo os cálculos dos
valores da qualidade da água feitos em passos de tempo de 600s, em todo o RDA. Nesse
estudo considerou a injeção do contaminante (PA) após 6 horas de simulação com uma
concentração de 12.4𝑚𝑔/𝐿, sendo essa a concentração de solubilidade do PA limite para que
não seja feita a identificação visual, uma característica viável em caso de ataque. A simulação
da qualidade da água foi realizada com esse padrão para todos os nós da rede, ou seja, para
cada nó da rede foi injetado o contaminante PA e simulado um cenário de contaminação,
gerando 14 possíveis eventos de contaminação. O mesmo não ocorreu para o nó 14, pois não
estava sendo alimentado.
O padrão do comportamento do cloro ao longo do período de simulação, comportamento
extraído do nó 12, oscila seguindo o comportamento da demanda, como esperado (Figura
5.2), mas ao reagir com o contaminante PA , dando extraído do nó 15, ocorre uma diminuição
abrupta do cloro (Figura 5.2) o tempo 6 horas quanto ocorre a contaminação . O mesmo
Capítulo 5. Resultados e discussões 70
comportamento foi observado no estudo de Ohar, Lahav e Ostfeld (2015), devido a esse
comportamento o cloro é um parâmetro indicativo de contaminação, neste estudo.
10-5
Sem contaminação
1.7
Com contaminação
1.6
1.5
1.4
Cloro (mg/L)
1.3
1.2
1.1
0.9
0.8
0.7
0 2 4 6 8 10 12 14
Horas
Em seguida simulou uma otimização considerando três funções objetivo, Z1, Z4 e Z5. Nessa
etapa o número de sensores é gerado aleatoriamente mediante aos cenários de contaminação
e as função objetivo Z1 e Z4. O melhor conjunto de soluções da otimização da localização de
sensores foi obtida em frente de Pareto (Figura 5.4).
Número de
Nós Tempo de detecção (s)
Sensores
1 15 928,9285
2 12 e15 881,7857
4 9, 11, 12 e 15 879,6429
com isso o número de sensores é pré-definido. A metodologia foi aplicada na rede JYN (HE
et al., 2018)(Figura 5.5), a mesma é composta por 300 nós, 451 tubulação e 2 reservatórios.
A cloração da rede para o estudo foi realizada com a injeção de cloro na concentração de
1, 5𝑚𝑔/𝐿 em ambos os reservatórios. O cálculo da simulação da qualidade da água é realizado
no intervalo de tempo de 600s. A simulação tem duração de 48 horas, as primeiras 24horas sem
injeção de contaminante, após esse período houve a injeção de PA com duração de 12 horas
com uma concetração de 12, 4𝑚𝑔/𝐿 (SCHWARTZ; LAHAV; OSTFELD, 2014a). Considerando
que todos os nós podem ser contaminado, 300 eventos de contaminação foram simulados na
rede JYN.
Reservoirs
Junctions
Pipes
O comportamento do cloro (Figura 5.6) durante a simulação normal (sem intrusão), dado
extraído do nó 58, oscila seguindo o comportamento da demanda, como esperado. Ao reagir
com o contaminante do PA, dado extraído do nó N225, ocorre uma diminuição repentina do
cloro, o comportamento já era esperado visto que o cloro ser um parâmetro indicativo de
contaminação, como já determinado por Ohar, Lahav e Ostfeld (2015). Os resultados da
otimização são apresentados em termos da frente de Pareto, comparando a abordagem
probabilística, apresentada neste trabalho, com a clássica, onde a probabilidade de intrusão
nodal é igual para todos os nós.
Capítulo 5. Resultados e discussões 74
10-5
1.8
Sem contaminação
Com contaminação
1.6
1.4
1.2
Cloro (mg/L)
0.8
0.6
0.4
0.2
0
0 6 12 18 24 32 38
Horas
A rede troncal pode ser interpretada como uma árvore de tubos e nós nos quais as fontes
de suprimento formam as raízes. A Figura 5.7 representa as porcentagens 20, 30 e 50% da
RT na rede JYN. O intuito de variar as porcentagens da rede troncal é, verificar a influência
da mesma nos resultados dos pontos de monitoramento por sensores de qualidade gerados
através da abordagem NSGA-II de otimização. Com isso, quanto mais alta a porcentagem da
rede principal em relação a rede JYN, maior será o número de tubulações e nós que compõem
a RT.
Capítulo 5. Resultados e discussões 75
A FPC1 faz a distribuição de probabilidade por meio da análise das demandas nodais em
relação a demanda total da RDA, ou seja quanto maior a demanda nodal maior será a
probabilidade de contaminação nesse ponto. Analisando as fronteiras de Pareto do método
clássico e a gerada pela FPC1 (Figura 5.9), ambas abordagem apresentam grande número de
Capítulo 5. Resultados e discussões 77
soluções não dominadas, isso se explica por serem menos restrita a escolha dos nós para a
alocação dos sensores, possibilitando soluções não dominadas que se distribuem
uniformemente por toda a fronteira de Pareto. A fronteira de Pareto da FPC1 apresenta
soluções pertencentes às regiões dominadas da abordagens clássica.
0 Clássico
solução escolhida- clássico
FPC1
-0.2 solução escolhida- FPC1
Função Objetivo 2
Ponto ideal
-0.4
-0.6
-0.8
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Função Objetivo 1
0
Clássico
solução escolhida- clássico
-0.2 FPC2
solução escolhida- FPC2
Função Objetivo 2
Ponto ideal
-0.4
-0.6
-0.8
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Função Objetivo 1
0 Clássico
solução escolhida- clássico
ponto ideal- Clássico
-0.2 FPC3
Função Objetivo 2
-0.6
-0.8
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Função Objetivo 1
A FPC4 atribui um peso maior aos nós do tipo especiais independente da demanda nodal
e outras probabilidades. Considera probabilidade de contaminação para os nós comuns da
rede ao considerar a distância mínima entre nós comuns e especiais multiplicadas pela suas
respectivas demandas nodais. Como as maiores probabilidade estão restritas a seis nós da
rede (nós de usuários especiais), o conjunto de soluções não dominadas é inferior. Assim, a
fronteira de Pareto que considera a FPC4 (Figura 5.12) apresenta-se descontínua e sem
distribuição uniforme, demonstrando a dificuldade na busca por soluções não dominadas que
Capítulo 5. Resultados e discussões 79
convergem para fronteira Pareto. As soluções não dominadas da FPC4 são dominadas pela
fronteira de Pareto da abordagem clássica.
0
Clássico
solução escolhida- Clássico
-0.2 FPC4
solução escolhida- FPC4
Função Objetivo 2
Ponto ideal
-0.4
-0.6
-0.8
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Função Objetivo 1
Os layouts ideias do projeto da rede de sensores para todas as FPC’s e para a abordagem
clássica foram gerados por meio do método distância Euclidiana. Qualquer solução
pertencente a fronteira de Pareto poderia ser escolhida como solução final, uma vez que são
soluções ótimas. Mas, ao utilizar o método um número menor de soluções ótimas e
representativas pertencentes a fronteira de Pareto são apresentadas ao decisor/companhia de
abastecimento de água. Dessa forma, a etapa de escolha da solução mais adequada para o
problema de alocação ótima de sensores torna-se mais fácil.
Ao aplicar o método distância Euclidiana nas fronteiras de Pareto geradas pela variação
da porcentagem de RT, supõe um ponto ideal na fronteira Pareto normalizada [0,1], em que
0 representa o menor tempo de detecção e 1 a máxima probabilidade de detecção, neste caso.
O resultado é o layout ideal da alocação de sensores para cada condição de porcentagem. Os
layouts das três porcentagens de RT representam a solução mais próxima da ideal do conjunto
Capítulo 5. Resultados e discussões 80
de soluções das fronteiras de Pareto, uma vez que a abordagem multiobjetivo NSGA-II não
gera um único resultado ótimo.
A Figura 5.13 representa o layout ideal para a condição de 20% da RT. Ao analisar o grafo
da RT (Figura 5.13) observa-se que o caminho traçado compõe apenas metade dos nós
selecionados para o monitoramento, além de nós escolhidos para o monitoramento estarem
próximos á locais com maior probabilidade contaminação, nessas condições. Na figura 5.13,
quanto maior a dimensão do nó, maior a demanda nodal.
Já a condição de 50% da RT representada no layout ideal (Figura 5.15 ), com maior cobertura
espacial, ou seja há uma expansão em relação as condição com menores porcentagens de RT.
Apenas dois nós fazem parte da RT. Na figura 5.15, quanto maior a dimensão do nó, maior a
demanda nodal.
O método distância Euclidiana aplicado em todas fronteiras de Pareto geradas pelo estudo de
probabilidade de contaminação segue as seguintes etapas: (1) determinação dos pontos ideias
por meio da otimização de objetivo único das funções objetivo F1 e F2 realizada pela abordagem
NSGA II (DEB et al., 2002), gerando um ponto ideal com uma única solução ótima de tempo de
detecção e probabilidade de detecção, para todos os casos; (2) Aplicação do método de distância
Euclidiana no conjunto de soluções ótima Pareto; (3) Seleção de uma solução representativa
para cada fronteira de Pareto. A solução ideal escolhida representa layout ideal formado pela
alocação ideal dos sensores. As coordenadas dos pontos ideais e dos pontos selecionados para
todas FPC e abordagem clássica são mostrados na Tabela 5.2.
Coordenadas
Função de probabilidade de contaminação
Ponto ideal Ponto escolhido
O layout ideal da abordagem clássica (Figura 5.16) considera todos os nós com a mesma
probabilidade de contaminação, portanto é possível observar que a cobertura espacial
Capítulo 5. Resultados e discussões 83
apresenta nós bem distribuídos na rede JYN. Este cenário forneceu uma cobertura percentual
de 60,93%, consistente com as disposições dos nós.
O layout ideal gerado pela FPC1 (Figura 5.17) considera os nós com maior demanda nodal
como mais inclinados a ataques. Assim, os sensores são espacialmente distribuídos perto de
regiões com alta demanda, possibilitando um aumento na cobertura da rede, com 69,87 % da
RDA sendo monitorada. Na figura 5.17, quanto maior a dimensão do nó, maior a demanda
nodal.
Figura 5.17: Layout da rede de sensores usando FPC1.
Os nós monitorados para o cenário usando o FPC2 são apresentados na figura 5.18. Nesse
caso, nós especiais possuem maior probabilidade de serem contaminados e quanto menor a
distância dos nós comuns em relação aos nós especiais maior será a probabilidade atribuída
aos nós comuns. Com isso, é possível observar que os nós monitorados estão espacialmente
distribuídos e relativamente próximos aos nós especiais. Mas, apesar de os nós especiais
possuírem maior probabilidade de contaminação, nenhum sensor é alocado na posição do nó
especial. A taxa de cobertura do layout ideal da FPC2 é de 60,6%, próxima a apresentada pela
abordagem clássica.
As FPC1 e FPC2 foram as que geraram conjuntos de soluções não dominadas Pareto com
maior uniformidade na fronteira Pareto, sendo esse comportamento semelhante ao
apresentado pelo método clássico. Com isso, as duas FPC’s apresentam a alocação de dois
sensores iguais a abordagem clássica, sendo a posição N7 e N272.
A FPC3 (Figura 5.19) está associada ao maior VCMCA, portanto, os nós mais importantes
segundo o critério da teoria dos grafos, são mais propensos a serem contaminados em relação
aos demais. O layout do posicionamento do sensor é espacialmente distribuído,
proporcionando uma cobertura de 81,46%, corroborando com a distribuição em forma de
Capítulo 5. Resultados e discussões 85
árvore onde os nós com maior número de tubos conectados são de maior importância,
atingindo um número maior de usuários.
A FPC4 atribui um peso maior aos nós do tipo especiais independente da demanda nodal
e outras probabilidades. Já os nós comuns também possuem probabilidade de contaminação,
uma vez que foi considerada a distância mínima entre nós comuns e especiais multiplicadas
pela suas respectivas demandas nodais. Com isso, os nós especiais possuem probabilidade de
contaminação maior em relação aos nós comuns, mas todos possuem probabilidade de
contaminação. Ao analisar o layout ideal Figura 5.20, os nós N84 e N95 são do tipo especiais e
foram selecionados para monitoramento, corroborando com o princípio da FPC4.
Capítulo 5. Resultados e discussões 86
Com isso, o layout é distribuído com dois pontos de usuários especiais sendo monitorados.
Em relação ao percentual de cobertura, essa probabilidade apresenta 75,17%, mesmo com o
monitoramento de nós especiais a porcentagem de cobertura não diminui, como previsto. Os
layouts ideais de FPC3 e FPC4 não possuem nenhuma semelhança com o da abordagem clássica,
corroborando com o fato de não possuírem uma fronteira de Pareto contínua e uniforme como
a apresentada pelo método clássico.
De modo geral, os layouts possuem diferenças mesmo em relação a abordagem clássica,
demonstrando que todas as FPC’s interferem no resultado final da alocação ótima de sensores.
Com isso, é importante que a companhia de abastecimento de água saiba suas preferências
diante do problema de alocação de sensores antes da escolha do melhor layout .
et al., 2002); (2) Aplicar o algoritmo k-means para formar clusters nas soluções contidas no
conjunto Pareto; (3) Determinar o número “ótimo” de clusters (k), neste conjunto aplicado os
gráficos de silhueta. O maior valor do indicador silhueta, 𝑠(𝑖), determina o número “ótimo” de
clusters no conjunto de soluções Pareto; (4) Seleção de uma solução representativa para cada
cluster. Para tanto, a solução mais próxima de seu centroide de cluster é escolhido como uma
ótima solução representativa.
As figuras 5.21, 5.22, 5.23 e 5.24 apresentam as fronteiras de Pareto agrupadas em 5 grupos,
cada qual com sua solução escolhida como ideal e representativa dentro do conjunto.
Figura 5.21: Pontos representativos com soluções k-means na Fronteira de Pareto - FPC1.
70
-1
Função Objetivo 2
60
Taxa de Cobertura
50
-1.5
40
30 -2
20
-2.5
10
0 0
-2 × 10-3 -3
4.5 5 5.5 4.5 5 5.5 6 6.5 7 7.5
6 6.5 7 7.5-4
Função Objetivo 1 Função Objetivo 1
Fonte:Arquivo pessoal.
Figura 5.22: Pontos representativos com soluções k-means na Fronteira de Pareto - FPC2.
60
Taxa de Cobertura
-0.2
50
-0.25
40
-0.3
30
-0.35
20
-0.4
10
-0.45
0 0
-0.2
800 900 -0.5
1000 -0.4 800 900 1000 1100 1200 1300
1100 1200 1300-0.6 Função Objetivo 2
Função Objetivo 1 Função Objetivo 1
Figura 5.23: Pontos representativos com soluções k-means na Fronteira de Pareto - FPC3.
83.5
Função Objetivo 2
-0.018218
Taxa de Cobertura
83
-0.0182185
82.5
-0.018219
82
-0.0182195
81.5
-0.01822
81 -0.018216
-0.018218 -0.0182205
38 39 40 -0.01822 38 38.5 39 39.5 40 40.5 41 41.5 42 42.5 43
41 42 43-0.018222
Função Objetivo 1 Função Objetivo 2 Função Objetivo 1
Figura 5.24: Pontos representativos com soluções k-means na Fronteira de Pareto - FPC4.
Representação dos Centroides na Fronteira de Pareto
Clusters e Centroides × 10-4
-2
Fronteira de Pareto
90 Centroide
-3
85
-4
80
-5
Cluster 1
Cluster 2
Função Objetivo 2
75
Taxa de Cobertura
Cluster 3 -6
Cluster 4
70 Cluster 5
-7
Centroide
65
-8
60
-9
55
-10
50
-11
45 0
-1 -12
0.5 1 1.5 × 10-3 0.5 1 1.5 2 2.5 3
2 2.5 3-2 Função Objetivo 2
Função Objetivo 1 Função Objetivo 1
é o mais importante segundo sua análise do problema, ou seja, analisar qual combinação de
recurso irá atender melhor ao problema de alocação de sensores.
2
5
3
2 3 2
4 3
4 4 1
1
3
5 5
5 4
5
1
1 1 3
5 3
2
4
(1) - Cluster 1
2
(2) - Cluster 2
2
Center
(3) 1
- Cluster 3
4
(4) - Cluster
Center 2 4
(5) - Cluster
Center 3 5
- Nós4Especiais
Center
- Nós5Selecionados
Center
Os layouts da CPF2 (figura 5.26) gerados pelo método k-means alocaram sensores próximos
aos nós especiais, logo está coerente com o proposto em FPC2 onde nós mais próximos aos
nós especiais possuem maior probabilidade de contaminação. Em relação ao método distância
Euclidiana apresenta similaridade da alocação de sensores apenas no cluster 1, onde 4 sensores
foram alocados na mesma posição (N7, N63, N194 e N272).
4 2
1 5
4
2
5
1
4
2
5 5
1 2
3
5
2
3
2
3 1
5 1
3
3
4
(1) - Cluster 1
4 (2) - Cluster 2
Center
(3) 1
- Cluster 3
1
(4) - Cluster
Center 2 4
(5) - Cluster
Center 3 5
- Nós4Especiais
Center
- Nós5Selecionados
Center
3
4
Os layouts da FPC3 (figura 5.27) pelo método k-means possuem dois nós alocados na mesma
posição do método da distância Euclidiana em todos os clusters, sendo a posição 44 e N252.
A taxa de coberturas (Tabela 5.3) também apresenta valores próximos corroborando para a
Capítulo 5. Resultados e discussões 91
análise. A similaridade na alocação pode estar relacionada ao fato da FPC3 priorizar nós a
partir do ASPV, logo a alocação de sensores fica mais restrita.
1 2
5 1 2
3
4 5
3
4
5
1 2
3 5
4 2 2
1
3
4
1
5
3
1 2 (1) - Cluster 1
5
3 (2) - Cluster 2
4
(3) - Cluster
Center 1 3
(4) - Cluster
Center 2 4
(5) - Cluster
Center 3 5
- Nós
Center 4Especiais
- Nós Selecionados
Center 5
Já os layouts de FPC4 (Figura 5.28) apresentados pelo método k-means alocaram sensores
em nós especiais, corroborando com a FPC4 que atribui um peso maior de probabilidade de
contaminações para nós especiais independente das propriedades ou demanda real. Além
disso, em comparação ao método da distância euclidiana as mesmas duas posições de nós
especiais (N84 e N95) foram selecionadas para o monitoramento. O cluster 5 foi o mais
semelhante em ambas abordagens, apresentado 5 posições iguais selecionadas para a
alocação de sensores.
1 2 5
3
2
4
3 1 2
2 5 3
5 4
3 4
2 4
2
5 3
4
(1) - Cluster 1
5
(2) - Cluster 2
1
3
Center
(3) 1
- Cluster 3
5
(4) - Cluster
Center 2 4
(5) - Cluster
Center 3 5
- Nós4Especiais
Center
1 - Nós
Center 5 Selecionados
Capítulo 6
Conclusões
A segurança do SDA é uma questão abordada em diferentes linhas de pesquisa nas áreas de
tecnologia e engenharia, englobando questões de saúde pública, sistemas econômicos e
inteligentes. Isso deve-se ao fato de o sistema ser responsável pelo abastecimento de uma
população com a substância indispensável no dia-a-dia, a água. Portanto, a grande extensão
da rede de água e o fácil acesso a pontos de intrusão são fatores que a tornam vulnerável,
facilitando os casos de contaminação que trazem danos irreversíveis à sociedade. Os estudos
de alocação de sensores ideais visam melhorar o monitoramento da qualidade da água
fornecida aos consumidores e detectar possíveis intrusões de contaminantes por causas
acidentais ou intencionais na rede. Este trabalho propôs avaliar a metodologia de alocação de
sensores ótimos incorporando diferentes probabilidades de contaminação para os nós da
rede, já que nos métodos tradicionais a probabilidade é considerada a mesma para todos os
nós.
Para isso, vários cenários de contaminação foram gerados com a injeção do contaminante
PA. Posteriormente, duas funções objetivo (𝐹1 e 𝐹2 ) foram otimizadas, incorporando quatro
diferentes funções de probabilidade de contaminação, 𝑃𝑖 . A abordagem de otimização
multiobjetivo do NSGA-II foi capaz de gerar soluções não dominadas pertencentes à frente de
Pareto, para o estudo de caso com a rede real JYN. O método de apoio à decisão, distância
Euclidiana, ajudou a escolher o melhor layout de rede de sensores pela empresa de
abastecimento de água..
A análise da fronteira de Pareto pode ser desafiadora por possuir inúmeras soluções não
dominadas. Foram sugeridos dois métodos de tomada de decisão multicritério para etapa de
análise pós Pareto. O método distância Euclidiana possibilitou diminuir o número de
Capítulo 6. Conclusões 94
soluções ótimas para todos os FPC representativo dentro do conjunto de solução Pareto. Com
isso, um layout ideal para cada FPC foi analisado por meio da taxa de cobertura, bem como
pelas prioridades que cada um buscava dentro do problema de alocação de sensores. Já o
método de agrupamento k-means agrupou as fronteiras de Pareto em cinco grupo de acordo
com parâmetros de agrupamentos (F1, F2 e Taxa de cobertura), onde uma solução ideal
representativa de cada grupo foi apresentada ao decisor, bem como o layout ideal. Ambas
abordagens de análise pós processamento da fronteira Pareto mostraram-se eficientes e
colaborativas para etapa de tomada de decisão, mas cabe ao decisor/comapanhia de
abastecimento de água avaliar qual das soluções ótimas é mais adequada segundo sua
preferências.
Além disso, todas as FPC’s interferiram na busca da alocação ótima de sensores. Isso
possibilita determinar quais os nós devem ser priorizado segundo as preferências da
companhia de abastecimento de água ou visando possíveis ataques intencionais na SDA
antes de realizar a otimização da alocação de sensores. O estudo contribui com trabalhos
futuros visando a melhoria da segurança em SDA, a partir da alocação ótima de sensores de
qualidade, incorporando diferentes probabilidades de contaminação na metodologia.
95
Referências bibliográficas
ANDERSSON, J. Sensitivity Analysis in Pareto Optimal Design. Proceedings of the 4th Asia-
Pacific Conference on Simulated Evolution and Learning (SEAL2), v. 1, p. 156–161, 2002.
BERRY, J. W. et al. Water Quality Sensor Placement in Water Networks with Budget
Constraints. Impacts of Global Climate Change, p. 1–11, 2005.
BERRY, J.; HART, W. E.; PHILLIPS, C. A. Sensor Placement in Municipal Water Networks. J.
Water, v. 131, p. 237–243, 2003.
CHEIKH, M.; JARBOUI, B.; LOUKIL, T.; SIARRY, P. A method for selecting Pareto optimal
solutions in multiobjective optimization. Journal of Informatics and Mathematical
Sciences, v. 2, p. 51–62, 2010.
COSTA, P. P. da. Teoria de Grafos e suas Aplicações. Rio Claro - São Paulo: Mestrado
Profissional em Matemática - Universidade Estadual Paulista., 2011.
COUNCIL, N. R. Drinking water and health. Washington, D.C.: [s.n.], 1980. v. 2, p. 144–153.
Referências bibliográficas 97
COZZOLINO, L.; MORTE, R. D.; PALUMBO, A.; PIANESE, D. Stochastic approaches for
sensors placement against intentional contaminations in water distribution systems. Civil
Engineering and Environmental Systems, v. 28, p. 75–98, 2011.
DEB, K.; AGRAWAL, S.; PRATAB, A.; MEYARIVAN, T. A fast and elitist multi-objective genetic
algorithm: NSGA-II. IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, v. 6,
p. 849–858, 2002.
DORINI, G.; JONKERGOUW, P.; KAPELAN, Z.; SAVIC, D. SLOTS: Effective Algorithm for
Sensor Placement in Water Distribution Systems. Journal of Water Resources Planning
and Management, v. 136, p. 620–628, 2010.
ELIADES, D.; POLYCARPOU, M. M. A Fault Diagnosis and Security Framework for Water
Systems. Ieee Transactions on Control Systems Technology, v. 18, p. 1254–1265, 2010.
FREITAS, M.; FREITAS, C. A vigilância da qualidade da água para consumo humano: desafios
e perspectivas para o Sistema Único de Saúde. Ciência e Saúde Coletiva, v. 10, p. 993–1004,
2005.
GUIDORZI, M.; FRANCHINI, M.; ALVISI, S. A multi-objective approach for detecting and
responding to accidental and intentional contamination events in water distribution systems.
Urban Water Journal, v. 6, p. 115–135, 2009.
HART, W. E.; MURRAY, R. Review of Sensor Placement Strategies for Contamination Warning
Systems in Drinking Water Distribution Systems. Journal of Water Resources Planning
and Management, v. 136, p. 611–619, 2010.
HE, G.; ZHANG, T.; ZHENG, F.; ZHANG, Q. An efficient multi-objective optimization
method for water quality sensor placement within water distribution systems considering
contamination probability variations. Water Research, Elsevier Ltd, v. 143, p. 165–175, 2018.
KRAUSE, A.; VANBRIESEN, J.; FALOUTSOS, C.; LESKOVEC, J. Efficient Sensor Placement
Optimization for Securing Large Water Distribution Networks. Journal of Water Resources
Planning and Management, v. 134, p. 516–526, 2008.
LIU, Y.; ÖZYER, T.; ALHAJJ, R.; BARKER, K. Integrating Multi-Objective Genetic Algorithm
and Validity Analysis for Locating and Ranking Alternative Clustering. Informatica, v. 29,
p. 33–40, 2005.
MOORE, E. F. The shortest path through a maze. In: PROC. Int. Symp. Switching Theory, 1959.
[S.l.: s.n.], 1959. p. 285–292.
MURRAY, R.; HAXTON, T.; MCKENNA, S. A.; HART, D. B. Water Quality Event Detection
Systems for Drinking Water Contamination Warning Systems. EPA, p. 1–91, 2010.
OHAR, Z.; LAHAV, O.; OSTFELD, A. Optimal sensor placement for detecting organophosphate
intrusions into water distribution systems. Water Research, Elsevier, v. 73, p. 193–203, 2015.
OSTFELD, A.; SALOMONS, E. Optimal early warning monitoring system layout for water
networks security: Inclusion of sensors sensitivities and response delays. Civil Engineering
and Environmental Science, v. 22, p. 151–169, 2005.
OSTFELD, A.; SALOMONS, E. Sensor Network Design Proposal for the Battle of the Water
Sensor Networks (BWSN). 8th Annual Water Distribution System Analysis Symposium,
pp. 1–16, 2006.
OSTFELD, A.; UBER, J. G.; SALOMONS, E.; HART, W. E. The Battle of the Water Sensor
Networks - BWSN. Journal of Water Resources Planning and Management, v. 134,
p. 556–568, 2008.
PALLETI, V. R. et al. Sensor network design for contaminant detection and identification in
water distribution networks. Computers and Chemical Engineering, Elsevier Ltd, v. 87,
p. 246–256, 2016.
produto-quimico-contaminar-rede.ghtml>.
PREIS, A.; OSTFELD, A. Multiobjective Sensor Design for Water Distribution Systems Security.
8th Annual Water Distribution System Analysis Symposium, p. 1–17, 2006.
Referências bibliográficas 100
RATHI, S.; GUPTA, R.; ORMSBEE, L. A review of sensor placement objective metrics for
contamination detection in water distribution networks. Water Science and Technology:
Water Supply, v. 15, p. 898–917, 2015.
SCHWARTZ, R.; LAHAV, O.; OSTFELD, A. Optimal Sensor Placement in Water Distribution
Systems for Injection of Chlorpyrifos. World Environmental and Water Resources
Congress 2014s Water without Borders. ASCE, 2014.
SETH, A.; KLISE, K. a.; SIIROLA, J. D.; HAXTON, T. Testing Contamination Source
Identification Methods for Water Distribution Networks. Journal of Water Resources
Planning and Management, v. 142, p. 1–11, 2016.
TABOADA, H. A.; COIT, D. W. Data Mining Techniques to Facilitate the Analysis of the
Pareto-Optimal Set for Multiple Objective Problems. In Proceedings of the 2006
Industrial Engineering Research Conference, p. 43–48, 2006.
XU, J.; SMALL, M.; FISCHBECK, P.; VANBRIESEN, J. Integrating Location Models with
Bayesian Analysis to Inform Decision Making. Journal of Water Resources Planning and
Management, v. 136, p. 209–216, 2010.
XU, J. et al. Identifying Sets of Key Nodes for Placing Sensors in Dynamic Water Distribution
Networks. Journal of Water Resources Planning and Management, v. 134, p. 378–385,
2008.
AL-ZAHRANI, M. a.; MOIED, K. Optimizing water quality monitoring stations using genetic
algorithms. The Arabian Journal for Science and Engineering, v. 28, p. 57–75, 2003.