@Sigfox: Sistema de tuberías inteligentes para ciudades inteligentes. El caso mexicano.

°°° IoT Sense, + Notifications Systems + AWS = AHORRAR AGUA °°°

COSAS USADAS EN ESTE PROYECTO

Componentes del hardware

DevKit Sigfox NXTIoT        × 1
Sensor de agua                     × 2
Válvula de solenoide           × 3
Arduino 4 Relays Shield     × 1
Fuente de alimentación OpenBuilds 12V / 29A   × 1
Cables de puente (genéricos) × 1
Tubería × 5
Digilent myDigital Protoboard para NI myDAQ y myRIO × 1

Aplicaciones de software y servicios en línea

Microsoft Windows 10
Amazon Web Services AWS IoT
Amazon Web Services AWS DynamoDB
Sigfox
Arduino IDE

Herramientas manuales y máquinas de fabricación.

Dremel Mototool
Destornilladores
pinzas
Cinta
Soldador (genérico)

HISTORIA

Trasfondo

Ciudad de México, una de las ciudades más sedientas del mundo, se encuentra a 2250 metros sobre el nivel del mar, lo que hace que el suministro de agua sea una de las tareas más difíciles de la ingeniería hidráulica en todo el mundo.

El suministro de agua para beber, lavar, cocinar y limpiar debe bombearse bajo tierra durante cientos de metros, o desde una distancia superior a 100 kilómetros.

En todo el mundo, el agua es más valiosa y se le presta más atención que nunca. Nunca ha habido una necesidad mayor de encontrar nuevas formas de abordar el problema. Hay pocos lugares que demuestren lo anterior con mayor claridad que la Ciudad de México, donde este elemento vital atraviesa un sistema que cada día se vuelve más largo, complejo y superado.

En la ciudad de México, el 38% del agua potable que ingresa a la ciudad se desperdicia en fugas alrededor de la ciudad. Esto se debe a dos razones principales:

1- El sistema de tuberías es antiguo.

2- Las fugas no se abordan a tiempo.

Proponemos un sistema de tuberías inteligente, para que podamos detectar fugas en tiempo real y disparar una alarma, para que podamos saber exactamente dónde está la fuga en la ciudad y apagar el flujo de agua, justo en la tubería donde está la fuga.

Nuestro objetivo es reducir ese 38% del agua desperdiciada a aproximadamente una sexta parte (6% -5%).

Usando el aprendizaje automático, queremos predecir dónde podría haber rupturas y fugas en el sistema de tuberías.

Desafíos
Actualmente, la Ciudad de México tiene muchas variables que deben considerarse al realizar estos cambios, por ejemplo:

1. El túnel en la Ciudad de México no tiene una estandarización total y, por lo tanto, los diámetros de las tuberías cambian de tamaño en toda la ciudad y esto hace que la presión no tenga un valor constante.

2. Todas las tuberías en la Ciudad de México están hechas de diferentes materiales y, debido a esto, tendremos que diseñar las válvulas correctas para cada uno de los materiales.

Estas dos razones hacen que el uso de sensores de presión sea complicado porque con diferentes diámetros cambia la presión en las tuberías, y con diferentes materiales, los cambios de fricción, por lo tanto la velocidad en el fluido laminar (agua) cambia y la presión cambia:

donde:

f = coeficiente de pérdida

L = longitud del tubo (m)

D = diámetro del tubo (m)

V = velocidad media del fluido laminar (m / s)

g = aceleración de la gravedad (m / s ^ 2)

hf = pérdida de energía debido a la fricción (m)

Diferentes materiales:

-CLORURO DE POLIVINILO

-PEAD

– Hierro fundido Ductil.

– acero

– PRFV

– poliéster reforzado

– Hormigón pretensado

Modelo
Nuestro modelo consta de cuatro tuberías que simulan el sistema de tuberías de una región de la ciudad, la primera tubería es la encargada de suministrar el resto con agua, las tres tuberías siguientes están conectadas a una válvula de solenoide y un sensor de nivel de agua.

Cuando el sensor detecta que el agua cierra la electroválvula y envía datos al backend de Sigfox, el backend envía datos a Amazon AWS IoT y ingresa a una tabla en DynamoDB.

Hardware
Utilizamos el devkit 2.0, un tablero de desarrollo basado en Arduino Uno y Wisol para la creación de prototipos del proyecto,

Trabajando todos juntos

Pon todos los dispositivos necesarios para este proyecto:

1. Conecte todas las válvulas solenoides a las tuberías.

2. Devkit 2.0: Usa los 5v del Devkit 2.0 para activar todos los sensores de agua.

3. Conectamos todas las señales de conexión de los sensores de agua al Devkit 2.0.

4. Coloque todas las válvulas solenoides en el protector de relés y en la fuente de alimentación.

5. Cuando conectas todos los dispositivos, parece que esto:

6. Verificamos si la información llega al backend de Sigfox:

7. Configuramos el backend de Sigfox para leer valores hexadecimales.

8. Creamos una devolución de llamada a AWS IoT para enviar toda la información de los sensores.

Cuerpo de JSON:
{

“dispositivo”: “{dispositivo}”,

“datos”: “{datos}”,

“S1_Agua”: “{customData # hum1}”,

“S2_Agua”: “{customData # hum2}”,

“S3_Agua”: “{customData # hum3}”,

“tiempo tiempo}”,

“snr”: “{snr}”,

“estación”: “{estación}”,

“avgSnr”: “{avgSnr}”,

“lat”: “{lat}”,

“lng”: “{lng}”,

“rssi”: “{rssi}”,

“seqNumber”: {seqNumber}

}

9. Una vez que el Backend de Sigfox obtiene los datos de nuestros sensores, publica la información en AWS IoT Core y la coloca en una tabla en DynamoDB.

Modelo funcional

Conectamos la válvula principal a la estación de agua y si el Sensor detecta que el nivel de agua supera el 40%, la válvula solenoide se cerrará para ahorrar agua, evitar una fuga y enviar un mensaje de advertencia para notificar que aparece una fuga.

Conclusiones
Durante la realización de este proyecto, nos dimos cuenta de que este modelo nos ayudará mucho a ahorrar agua y lo mejor de todo es que aún podemos mejorarlo aún más, si agregamos sensores de vibración y resistivos para poder saber cuándo comienza una tubería. rompiendo, podemos obtener un buen conjunto de datos y construir un modelo de aprendizaje automático para hacer predicciones con mayor precisión.

Esta predicción es un valor de una posible fuga en la segunda tubería:

Los valores de X, Y, Z son los movimientos que realiza el sensor de vibración alrededor de la tubería.

Piezas a medida y cerramientos

 

Fuente: hackster