Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Rolle, Rodrigo P. | - |
Autor(es): dc.creator | Monteiro, Lucas N. | - |
Autor(es): dc.creator | Tomazini, Lucas R. | - |
Autor(es): dc.creator | Godoy, Eduardo P. | - |
Autor(es): dc.creator | IEEE | - |
Data de aceite: dc.date.accessioned | 2025-08-21T19:13:06Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T19:13:06Z | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2021-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/MetroInd4.0IoT54413.2022.9831619 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/245080 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/245080 | - |
Descrição: dc.description | Management of water resources is a big challenge that draws the attention of global initiatives such as the Sustainable Development Objectives of the United Nations. The technological paradigm of the Internet of Things (IoT) provides the potential to enable Smart Cities, which emphasize rational consumption and waste reduction. This work proposes a system to monitor and identify leakages on Water Distribution Networks (WDNs). The monitoring devices must operate in Low-Power Wide Area Networks (LPWAN), networks that enable low power consumption at the cost of limited data throughput. A case study WDN was created on a software environment for data collection in various operation scenarios, including leakages in different locations. The obtained data sets were analyzed through data inference techniques to identify separable classes or features. Then, a Deep Learning algorithm was used to estimate the probable location of leaks in the WDN. The results obtained in the proposed case study indicate that the Deep Learning approach is a viable methodology to identify and locate leakages, despite the limited data throughput from LPWAN technologies. | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Cient�fico e Tecnol�gico (CNPq) | - |
Descrição: dc.description | Sao Paulo State Univ UNESP, Sorocaba, Brazil | - |
Descrição: dc.description | Sao Paulo State Univ UNESP, Sorocaba, Brazil | - |
Descrição: dc.description | CNPq: 142383/2019-8 | - |
Descrição: dc.description | CNPq: 303967/2021-8 | - |
Formato: dc.format | 403-407 | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Ieee | - |
Relação: dc.relation | Proceedings Of 2022 Ieee International Workshop On Metrology For Industry 4.0 & Iot (ieee Metroind4.0&iot) | - |
???dc.source???: dc.source | Web of Science | - |
Palavras-chave: dc.subject | Leak detection | - |
Palavras-chave: dc.subject | Internet of Things | - |
Palavras-chave: dc.subject | Smart Cities | - |
Palavras-chave: dc.subject | Deep Learning | - |
Palavras-chave: dc.subject | Graph Neural Networks | - |
Título: dc.title | Data-driven leak detection and localization using LPWAN and Deep Learning | - |
Tipo de arquivo: dc.type | aula digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: