An Intelligent Approach for Optimising Sewerage Networks’ Hydraulic Modelling In Storm Water Management Model (SWMM)

Abstract

[Abstract]The efficient management of urban sanitation networks currently faces increasingly complex challenges, intensified by the rapid growth of cities and the greater frequency of extreme weather events resulting from climate change. The combination of increasing urbanisation, which increases soil impermeability and the concentration of runoff, along with more intense and sudden storms, causes drainage and sewer systems to frequently operate at their capacity limits. In this context, wastewater overflows become more frequent and severe, generating significant environmental, health, and operational impacts. Given this reality, it is essential to move towards smarter management strategies capable of anticipating critical situations and supporting real-time decision-making. This doctoral thesis proposes an advanced predictive approach to optimise the operation of wastewater pumping stations, key elements within sanitation networks, whose proper management can contribute to reducing the risk of overflows. The main objective is to develop models that allow for anticipating the evolution of hydraulic levels at these stations and, consequently, enabling more efficient operational responses in both typical and extreme scenarios. The study focuses on three pumping stations belonging to a real wastewater network. Using high-resolution historical data, three complementary modelling approaches were developed and compared: a hydraulic model based on the Storm Water Management Model (SWMM) software, an artificial intelligence model trained exclusively with measured data, and a combined model that integrates both. The hydraulic model offers a coherent representation of the system’s physical dynamics and allows for reproducing the response to rainfall and varying load conditions; however, it tends to exhibit deviations in the magnitude of the levels, hindering its direct applicability for accurate short-term predictions. The artificial intelligence model, on the other hand, improves this accuracy by leveraging patterns present in the data, although it sometimes sacrifices physical consistency when faced with conditions not observed during its training. The combined model represents the most significant methodological contribution of this thesis. It integrates the physical structure provided by SWMM with the correction and adjustment capabilities of artificial intelligence, allowing for the compensation of systematic errors and improved prediction accuracy. The results demonstrate that this hybrid approach clearly outperforms individual models, both in precision and robustness to operational variations and heavy rainfall events. Overall, the research establishes a solid foundation for the intelligent integration of physical and AI models in sanitation networks, contributing to the design of more resilient and sustainable urban infrastructure.

[Resumen] La gestión eficiente de las redes de saneamiento urbano se enfrenta actualmente a desafíos cada vez más complejos, intensificados por el crecimiento acelerado de las ciudades y por la mayor frecuencia de eventos meteorológicos extremos derivados del cambio climático. La combinación de una urbanización creciente, que incrementa la impermeabilización del terreno y la concentración de caudales, junto con tormentas más intensas y repentinas, provoca que los sistemas de drenaje y alcantarillado trabajen frecuentemente al límite de su capacidad. En este contexto, los desbordamientos de aguas residuales se vuelven más frecuentes y severos, generando impactos ambientales, sanitarios y operativos significativos. Frente a esta realidad, resulta fundamental avanzar hacia estrategias de gestión más inteligentes, capaces de anticipar situaciones críticas y apoyar la toma de decisiones en tiempo real. La presente tesis doctoral propone un enfoque predictivo avanzado para optimizar la operación de estaciones de bombeo de aguas residuales, elementos clave dentro de las redes de saneamiento, cuya gestión adecuada puede contribuir a reducir el riesgo de desbordamientos. El objetivo principal es desarrollar modelos que permitan anticipar la evolución de los niveles hidráulicos en estas estaciones y, con ello, habilitar respuestas operativas más eficientes en escenarios tanto habituales como extremos. El estudio se centra en tres estaciones de bombeo pertenecientes a una red de saneamiento real. A partir de datos históricos de alta resolución, se desarrollaron y compararon tres enfoques de modelado complementarios: un modelo hidráulico basado en el software Storm Water Management Model (SWMM), un modelo de inteligencia artificial entrenado exclusivamente con datos medidos y un modelo combinado que integra ambos. El modelo hidráulico ofrece una representación coherente de la dinámica física del sistema y permite reproducir la respuesta ante precipitaciones y condiciones de carga variables; sin embargo, tiende a presentar desviaciones en la magnitud de los niveles, dificultando su aplicabilidad directa para predicciones precisas a corto plazo. Por su parte, el modelo de inteligencia artificial logra mejorar esa precisión aprovechando patrones presentes en los datos, aunque en ocasiones sacrifica consistencia física cuando se enfrenta a condiciones no observadas durante su entrenamiento. El modelo combinado representa la contribución metodológica más relevante de la tesis. Integra la estructura física proporcionada por SWMM con la capacidad de corrección y ajuste de la inteligencia artificial, permitiendo compensar errores sistemáticos y mejorar la fidelidad de las predicciones. Los resultados demuestran que este enfoque híbrido supera claramente a los modelos individuales, tanto en precisión como en robustez ante variaciones operativas y episodios de lluvia intensa. En conjunto, la investigación establece una base sólida para la integración inteligente de modelos físicos y de IA en redes de saneamiento, contribuyendo al diseño de infraestructuras urbanas más resilientes y sostenibles.

[Resumo]A xestión eficiente das redes urbanas de saneamento enfróntase actualmente a desafíos cada vez máis complexos, intensificados polo rápido crecemento das cidades e a maior frecuencia de eventos meteorolóxicos extremos derivados do cambio climático. A combinación da crecente urbanización, que aumenta a impermeabilidade do solo e a concentración de escorrentía, xunto con tormentas máis intensas e repentinas, fai que os sistemas de drenaxe e sumidoiros funcionen con frecuencia aos seus límites de capacidade. Neste contexto, os desbordamentos de augas residuais fanse máis frecuentes e graves, xerando importantes impactos ambientais, sanitarios e operativos. Dada esta realidade, é fundamental avanzar cara a estratexias de xestión máis intelixentes capaces de anticipar situacións críticas e apoiar a toma de decisións en tempo real. Esta tese doutoral propón unha abordaxe preditiva avanzada para optimizar o funcionamento das estacións de bombeo de augas residuais, elementos clave dentro das redes de saneamento, cuxa axeitada xestión pode contribuír a reducir o risco de desbordamentos. O obxectivo principal é desenvolver modelos que permitan anticipar a evolución dos niveis hidráulicos nestas estacións e, en consecuencia, permitir respostas operativas máis eficientes tanto en escenarios típicos como extremos. O estudo céntrase en tres estacións de bombeo pertencentes a unha rede real de augas residuais. Usando datos históricos de alta resolución, desenvolv´eronse e comparáronse tres enfoques de modelado complementarios: un modelo hidráulico baseado no software Storm Water Management Model (SWMM), un modelo de intelixencia artificial adestrado exclusivamente con datos medidos e un modelo combinado que integra ambos. O modelo hidráulico ofrece unha representación coherente da dinámica física do sistema e permite reproducir a resposta á choiva e ás condicións de carga variables; non obstante, tende a presentar desviacións na magnitude dos niveis, o que dificulta a súa aplicabilidade directa para predicións precisas a curto prazo. O modelo de intelixencia artificial, por outra banda, mellora esta precisión aproveitando os patróns presentes nos datos, aínda que ás veces sacrifica a consistencia física cando se enfronta a condicións non observadas durante o seu adestramento. O modelo combinado representa a contribución metodolóxica máis significativa desta tese. Integra a estrutura física proporcionada por SWMM coas capacidades de corrección e axuste da intelixencia artificial, o que permite a compensación de erros sistemáticos e unha mellora da precisión da predición. Os resultados demostran que este enfoque híbrido supera claramente aos modelos individuais, tanto en precisión como en robustez ante variacións operativas e eventos de fortes choivas. En xeral, a investigación establece unha base sólida para a integración intelixente de modelos físicos e de IA en redes de saneamento, contribuíndo ao deseño de infraestruturas urbanas máis resilientes e sostibles.