AquaShield: détection de fuites d'eau par intelligence artificielle

Cette situation est aggravée par le vieillissement du parc immobilier, la hausse des coûts de réparation et la réduction des équipes de maintenance. Au-delà de l’impact économique, les fuites non détectées engendrent également un gaspillage significatif d’eau et d’énergie, ce qui en fait un enjeu croissant de durabilité.

D’un point de vue scientifique, les réseaux d’eau des bâtiments représentent un champ d’étude particulièrement stimulant, en raison de la rareté des capteurs, de la complexité topologique des réseaux, de la stochasticité de la demande, et des fortes contraintes liées à l’installation de capteurs non invasifs.

Approche technique

AquaShield, fondé par Marguerite Benoist et Paul Beckers (MIT, EPFL, Harvard, RWTH et Tsinghua University), dont les parcours associent machine learning, détection d’anomalies, robotique et digital twins, développe des solutions de surveillance basées sur l’intelligence artificielle pour les réseaux de distribution d’eau des bâtiments, afin de détecter et de localiser les fuites avant qu’elles n’entraînent des dommages structurels.

Le projet s’inscrit à la croisée des systèmes physiques et du machine learning, et s’appuie sur le constat que les réseaux d’eau internes aux bâtiments restent aujourd’hui peu instrumentés, alors même qu’ils constituent une source importante de risques opérationnels.

AquaShield fait évoluer la détection de fuites d’une approche reposant sur une instrumentation lourde vers une approche software-first et data-driven, combinant IA avancée et capteurs non invasifs en nombre limité. Le système s’appuie sur des mesures de débit standards au compteur d’eau du bâtiment, éventuellement complétées par des capteurs ultrasoniques installés sur certains tronçons de canalisation, sans découpe des conduites ni interruption de service.

Au cœur du système, AquaShield utilise des Transformer-based time series models, entraînés à partir de données réelles et de données hydrauliques synthétiques générées à l’aide de digital twins. Pour localiser les fuites, des Graph Neural Networks exploitent la topologie du bâtiment pour identifier les segments de canalisation défaillants à partir d’un nombre limité de mesures. Le placement des capteurs est optimisé à l’aide d’algorithmes génétiques, afin de maximiser l’observabilité tout en minimisant le matériel requis.

Un système human-in-the-loop permet aux équipes de maintenance de valider les événements détectés et d’améliorer continuellement les modèles, tandis que des Large Language Models produisent des explications interprétables des anomalies, adaptées à des utilisateurs non experts.

AquaShield connaît une forte dynamique de croissance et recherche des étudiants et chercheurs motivés pour des projets de semestre, des projets de Master, des stages, ainsi que des postes à temps plein en recherche ou en ingénierie. Les projets proposés couvrent notamment le développement de méthodes de machine learning de pointe, le signal processing, l’intégration de Large Language Models (LLMs), ainsi que la conception et la réalisation d’un banc d’essai hydraulique. Les contributeurs travailleront directement sur des déploiements réels, en conditions opérationnelles.

Les personnes intéressées sont invitées à nous contacter à l’adresse email [email protected] .

Partenariats et déploiements pilotes

AquaShield collabore avec des partenaires académiques et met en place des projetspilotes, combinant recherche appliquée et déploiement en condition réelle.

MIT Facilities - Un pilote est actuellement déployé dans plusieurs bâtiments du campus au MIT, exploitant des données réelles de débit afin d’évaluer les performances de détection et de localisation des fuites.

Pilote immobilier en Allemagne - En parallèle, AquaShield déploie des capteurs dans le cadre d’un projet pilote mené avec une grande entreprise immobilière en Allemagne.