Stream B1 — Water Loss 2026
Pesquisador brasileiro — verificação remota da setorização (DMAs) usando exclusivamente dados de pressão, com pipeline de oito etapas e DTW + clustering. Caso real na Sanasa Campinas.
Sobre o palestrante
Pesquisador e consultor brasileiro com trabalho técnico ligado à Sanasa Campinas. Apresentou na Stream C1 do IWA Water Loss 2026 um estudo metodológico sobre verificação remota da setorização (DMAs) em redes de distribuição de água usando exclusivamente dados de pressão. A tese central é direta: “pressure data is gold”. Sua palestra combinou pipeline algorítmica clara, caso real com três setores e aí uma reflexão organizacional pesada: ferramenta sozinha não entrega — precisa de processo.
Combina formação em hidráulica com expertise em ciência de dados aplicada. Trouxe ao palco do IWA uma metodologia que parte de dados de campo reais e termina em verdict automático sobre integridade de setor — sem intervencção humana exceto para ação corretiva.
BrasilPesquisadorSanasaA motivação não é teórica: utilities reais não conseguem fechar válvulas, instalar medidores de vazão e auditar fisicamente cada DMA — é caro, demorado e às vezes inviável. Manzi resolve esse gargalo real com uma técnica que usa o que a utility já tem: dados de pressão.
AplicabilidadeCusto-eficiência“Pressure data is gold.”
Tese da palestra
A tese central de Manzi: dado de pressão é mais barato, está em mais pontos da rede e — com a metodologia certa — responde sozinho a perguntas que a utility hoje só sabe responder com campanha física de válvulas e medidores.
"Pressure data is much cheaper than flow data — hardware and installation", afirmou Manzi. Para qualquer modelagem hidráulica e calibração, dados de pressão são essenciais. Mas vão além: permitem inferir comportamento do setor, condições nos pontos críticos e mudanças operacionais. Restrição de custo virou vantagem metodológica.
Pressure firstCost-efficientSetores não têm fronteira fixa: válvulas falham, manutenções alteram a topologia, mudanças operacionais reconfiguram o fluxo. Auditar a setorização "às vezes mensalmente, às vezes nunca" não funciona — verificação contínua via dados é o padrão necessário.
DMA dinâmicaContinuousQuando o algoritmo classifica os pontos pelo comportamento hidráulico medido e a cor do círculo interno (cluster) diverge da cor externa (setor esperado), há mistura entre setores ou válvula falhando. É um veredito auditivél que substitui campanhas físicas em registros e medidores.
VerdictAuditable“Pressure doesn’t lie.”
Dados apresentados
A apresentação ancorou a tese em números concretos — tamanho do estudo, método, escopo do caso real.
“They told us that, yes, there are issues.”
Abordagem técnica
A metodologia tem oito passos sequenciais que transformam dados de pressão de campo em verdict automático sobre a integridade hidráulica do setor. Aqui as três etapas que mais carregam o método.
Etapa 1: aquisição de pressão em campo. Etapa 2: cálculo da carga hidráulica em cada ponto monitorado (pressão + cota). Etapa 3: seleção da janela temporal de análise — período representativo do regime operacional do setor.
ColetaCargaEtapa 4: Dynamic Time Warping (DTW) entre séries para medir similaridade. DTW lida com deslocamento e distorção do eixo do tempo — exatamente o que acontece em redes hidráulicas. Etapa 5: determinação do número ótimo de clusters. Etapa 6: clusterização efetiva.
DTWTime seriesClusteringEtapa 7: comparação com a setorização esperada/atual da utility. Etapa 8: classificação e análise. Métodos baseados em distância (similar a GANs em filosofia) e abordagens estatísticas suportam a etapa final — gerando relatório operacional acionável.
ComparisonClassificationCasos / Aplicações
A teoria vira prática em dois casos concretos apresentados durante a palestra — ambos validados com o operador no campo.
Caso central: três setores principais — verde, azul e roxo — e duas regiões de mistura: uma menor entre verde e azul, outra maior entre roxo e azul. O algoritmo classificou os pontos pelo comportamento hidráulico medido. Onde a cor interna do círculo (cluster medido) divergiu da cor externa (setor esperado), a equipe escalou para o operador, que confirmou: "they told us that, yes, there are issues".
SanasaField validation3 setoresEm outro caso, uma queda persistente de pressão num ponto crítico revelou falha numa válvula redutora de pressão (PRV). Manutenção corretiva foi acionada. O algoritmo identificou o problema antes que ele se manifestasse como vazamento ou queda de fornecimento — transformando o monitoramento em manutenção preditiva real.
PRV failurePreditivaPontos-chave
Setores não têm fronteira fixa: válvulas falham, manutenções alteram a topologia, mudanças operacionais reconfiguram o fluxo. Auditar "às vezes mensalmente, às vezes nunca" não funciona — verificação contínua via dados é o padrão necessário.
Vazão é cara: medidor, instalação, manutenção. Pressão é barata e disponível em mais pontos. Para verificar integridade de setor, identificar misturas e detectar mudanças operacionais, dado de pressão sozinho responde — desde que a metodologia seja adequada.
Dynamic Time Warping mede similaridade entre séries temporais permitindo deslocamento e distorção do eixo do tempo — exatamente o que acontece em redes hidráulicas, onde o mesmo evento chega em momentos ligeiramente diferentes em pontos diferentes. Preferível à correlação ingenua para esse domínio.
A leitura final é visual: cor externa do círculo = setor esperado; cor interna = cluster medido. Combinaram → setorização OK. Não combinaram → há mistura, e o operador é chamado para verificar. É um workflow auditivél que substitui campanhas físicas.
Volumes auditados por DMA e indicadores como ILI dependem da integridade da setorização. Se as fronteiras vazam, o KPI mente. Verificar a setorização por dados de pressão é, portanto, pré-requisito de qualquer programa sério de redução de perdas.
"Need a change of processes". A ferramenta sozinha não entrega resultado: precisa do operador entendendo o que o algoritmo está dizendo, agindo no campo e devolvendo o feedback ao loop. É essa engrenagem humana que faz a diferença entre identificar uma anomalia e efetivamente reduzir perdas.
O estudo usou mais de 200 posições monitoradas em janeiro. Não exigiu instrumentação nova nem capex pesado — usou o parque de medição de pressão que a Sanasa já possuía. Modelo replicável para outras utilities brasileiras com infraestrutura similar.
O trabalho posicionou a setorização brasileira na fronteira metodológica internacional. Não é case de adopção — é método próprio, com tecnologia de ponta (DTW, clustering) aplicada a dado real de utility brasileira.
Filosofia
Manzi fechou a palestra com uma reflexão que ultrapassa o técnico: ter ferramenta tecnológica para verificar setorização remotamente é metade do problema; a outra metade é mudar a mentalidade dos profissionais que recebem o dado, decidem onde intervir e relatam de volta. Sem o operador no loop, o algoritmo identifica anomalias mas ninguém age — e a tese de “pressure as gold” vira slide bonito.
A engrenagem humana é o que separa identificar uma anomalia de efetivamente reduzir perdas. O operador precisa entender o output do algoritmo, agir no campo e devolver feedback. Sem isso, o pipeline gera relatório que ninguém lê — e a pressão que era ouro vira ruído estatístico.
Process changeOperator-in-loop"Systems that are already there need a change of processes." A tecnologia não entrega valor sozinha: ela precisa de processos novos — quem recebe o alerta, qual SLA de resposta, como o feedback do campo retorna ao algoritmo. Implantar a ferramenta sem desenhar isso é comprar dashboard caro que ninguém usa.
Process designMindset“The process can be brave — systems that are already there need a change of processes.”
Water Loss 2026 — Resumo gerado por IA
Transcrição e tradução ao vivo por Nobox Live Translate
