As perdas na distribuição de água para abastecimento em cidades apresentam valores bem elevados em todas as regiões do Brasil, e sua redução é um dos fatores importantes para reduzir a sobrecarga sobre os recursos hídricos. Este trabalho apresenta um Sistema de Suporte à Decisão (SSD) para a detecção automatizada em tempo quase real de vazamentos e outros eventos em sistemas de distribuição de água, por meio de uma metodologia aprimorada de detecção de variações anormais de carga de pressão. A nova metodologia se estrutura a partir do Controle Estatístico de Processo (CEP) como forma de autoaprendizagem, buscando identificar alterações através de análises de curto prazo, longo prazo e interdiários de mesmo horário, realizadas com dados de carga de pressão monitorados de forma contínua em vários pontos da rede. Essas análises foram incorporadas em um SSD que classifica as anomalias por meio de um indicador integrado, que considera as análises com todos os sensores disponíveis. A metodologia foi testada em um estudo de caso que envolveu um setor de um sistema de abastecimento de água do interior de São Paulo. Para isso, sensores armazenadores de carga de pressão foram instalados, utilizando uma frequência de aquisição de dois minutos por um período de nove semanas, e em paralelo ao uso cotidiano pela população nove simulações de vazamentos foram realizadas através da abertura de hidrantes. Os resultados obtidos mostram que a integração das análises por meio do SSD pode filtrar com êxito eventos com vazão superior a 5% da vazão média durante as aberturas.

Losses in water supply distribution in cities are very expressive in all regions of Brazil. Reducing water losses is one of the most important factors to reduce the pressure on water resources. This work shows a Decision Support System (DSS) for the automated detection, in almost real-time, of leaks and other events in water supply distribution systems through an improved methodology for detecting abnormal pressure load variations. The new methodology is based on Statistical Process Control (SPC) as a form of self-learning. It seeks to identify changes through the short-term, long-term, interdaily time analyzes. This identification is carried out by monitoring the pressure load continuously and in several points in the network. These analyzes were incorporated into the DSS which classifies the anomalies through an integrated indicator that considers the analyzes of all available sensors. The methodology was tested in a case study that involved a sector of a water supply system in the interior of São Paulo. For that, pressure load storage sensors were installed, storing data every two minutes for a period of nine weeks. At the same time as the population daily use, nine leak simulations were carried out by opening hydrants. The results show that the integrated analyzes through the DSS can successfully detect events with a flow rate higher than 5% of the average flow during the openings.