Methods, apparatus and/or systems are provided for detecting water ingress at a wastewater asset of a wastewater network For example, a method, apparatus and/or system configured to include: receiving a first set of time segments associated with a positive rate of change of a time series ground water level dataset associated with the wastewater asset; receiving a second set of time segments associated with negative rate of change of the time series ground water level dataset associated with the wastewater asset; applying a first set of time series rainfall data for the wastewater asset that is associated with the first set of time segments to a trained machine learning (ML) model configured for predicting a set of wastewater flow data associated with wastewater flow through the wastewater asset, where the trained ML model is trained based on a training dataset comprising historical wastewater measurement data for the wastewater asset that is associated with the second set of time segments and a second set of time series rainfall data for the wastewater asset that is associated with the second set of time segments; calculating a set of wastewater flow delta data for the wastewater asset based on the difference between a set of measured wastewater flow data for the wastewater asset that is associated with the first set of time segments and the predicted set of wastewater flow data; and detecting water ingress for the wastewater asset based on identifying those portions of the set of wastewater flow delta data associated with water ingress.

L'invention concerne des procédés, un appareil et/ou des systèmes pour détecter une entrée d'eau au niveau d'un actif d'eaux usées d'un réseau d'eaux usées. Par exemple, un procédé, un appareil et/ou un système conçus pour comprendre : la réception d'un premier ensemble de segments temporels associés à un taux positif de changement d'un ensemble de données de niveau d'eau terrestre de série chronologique associé à l'actif d'eaux usées ; la réception d'un second ensemble de segments temporels associés à un taux négatif de changement de l'ensemble de données de niveau d'eau terrestre de série chronologique associé à l'actif d'eaux usées ; l'application d'un premier ensemble de données de pluie de série chronologique pour l'actif d'eaux usées qui est associé au premier ensemble de segments temporels à un modèle d'apprentissage automatique entraîné (ML) configuré pour prédire un ensemble de données de flux d'eaux usées associées à un flux d'eaux usées à travers l'actif d'eaux usées, le modèle ML entraîné étant entraîné sur la base d'un ensemble de données d'entraînement comprenant des données historiques de mesure d'eaux usées pour l'actif d'eaux usées qui est associé au second ensemble de segments temporels et un second ensemble de données de pluie de série chronologique pour l'actif d'eaux usées qui est associé au second ensemble de segments temporels ; le calcul d'un ensemble de données delta de flux d'eaux usées pour l'actif d'eaux usées sur la base de la différence entre un ensemble de données de flux d'eaux usées mesurées pour l'actif d'eaux usées qui est associé au premier ensemble de segments temporels et l'ensemble prédit de données de flux d'eaux usées ; et la détection d'une entrée d'eau pour l'actif d'eaux usées sur la base de l'identification de ces parties de l'ensemble de données delta de flux d'eaux usées associées à l'entrée d'eau.