Protótipo de aplicação doméstica para o monitoramento de sistemas de distribuição de água baseado em internet das coisas

Abstract

Sistemas de distribuição de água, tanto urbanos quanto rurais, possuem complexas interações entre os aspectos de monitoramento quantitativos e qualitativos da água. Tais modelos carecem ainda de uma maior precisão na disponibilização de medidas em tempo real e os impactos de sua distribuição nas redes de canos ao longo do tempo. A estimação de perdas e sua localização é um aspecto possível de ser avaliado através de métodos de aquisição de dados usando redes de sensores e a estrutura de Internet das Coisas (IoT, no inglês). Este trabalho desenvolveu um protótipo de aplicação para o monitoramento residencial de consumo de água utilizando o microprocessador ESP32, obtendo e analisando os dados de medição ao longo de cinco meses de observação, utilizando ferramentas de análise estatísticas para identificar perfis de consumo humano residencial e possíveis falhas na rede de distribuição. Foram monitorados nove pontos de consumo de água, onde a pia de lavar louças apresentou o maior consumo, seguido sucessivamente pelo chuveiro do banheiro da suíte, vaso sanitário do banheiro da suíte, pia de lavar louças, vaso sanitário do banheiro social, chuveiro do banheiro social, máquina de lavar roupas, pia do banheiro da uíte, pia do banheiro social. Os dados foram comparados com a literatura para avaliar peculiaridades de nossa pesquisa e caminhos para evolução de nossa aplicação em trabalhos futuros.

Full text

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
1
Protótipo de aplicação doméstica para o monitoramento de sistemas de distribuição de
água baseado em internet das coisas
Prototype of domestic application for the monitoring of water distribution systems
based on internet of things
Prototipo de aplicación doméstica para el monitoreo de sistemas de distribución de agua
basado en internet de las cosas
Recebido: 09/09/2020 | Revisado: 17/09/2020 | Aceito: 22/09/2020 | Publicado: 24/09/2020
Kilbert Amorim Maciel
ORCID: https://orcid.org/0000-0001-7374-2847
Instituto Federal de Educação, Ciência e Tecnologia do Ceará, Brasil
E-mail: kilbert.maciel@ifce.edu.br
David Martins Leite
ORCID: https://orcid.org/0000-0001-9505-2919
Instituto Federal de Educação, Ciência e Tecnologia do Ceará, Brasil
E-mail: davidmartinsleite@hotmail.com
José Wally Mendonça Menezes
ORCID: https://orcid.org/0000-0003-2605-8633
Instituto Federal de Educação, Ciência e Tecnologia do Ceará, Brasil
E-mail: wally@ifce.edu.br
Resumo
Sistemas de distribuição de água, tanto urbanos quanto rurais, possuem complexas interações
entre os aspectos de monitoramento quantitativos e qualitativos da água. Tais modelos
carecem ainda de uma maior precisão na disponibilização de medidas em tempo real e os
impactos de sua distribuição nas redes de canos ao longo do tempo. A estimação de perdas e
sua localização é um aspecto possível de ser avaliado através de métodos de aquisição de
dados usando redes de sensores e a estrutura de Internet das Coisas (IoT, no inglês). Este
trabalho desenvolveu um protótipo de aplicação para o monitoramento residencial de
consumo de água utilizando o microprocessador ESP32, obtendo e analisando os dados de
medição ao longo de cinco meses de observação, utilizando ferramentas de análise estatísticas
para identificar perfis de consumo humano residencial e possíveis falhas na rede de

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
2
distribuição. Foram monitorados nove pontos de consumo de água, onde a pia de lavar louças
apresentou o maior consumo, seguido sucessivamente pelo chuveiro do banheiro da suíte,
vaso sanitário do banheiro da suíte, pia de lavar louças, vaso sanitário do banheiro social,
chuveiro do banheiro social, máquina de lavar roupas, pia do banheiro da uíte, pia do banheiro
social. Os dados foram comparados com a literatura para avaliar peculiaridades de nossa
pesquisa e caminhos para evolução de nossa aplicação em trabalhos futuros.
Palavras-chave: Internet das coisas; Redes wi-fi; Protocolo mqtt; Sensor de efeito hall;
Sensor de vazão; Sistemas embarcados; Microcontroladores; Esp32.
Abstract
Urban and rural water distribution systems have complex interactions between quantitative
and qualitative water monitoring aspects. Such models still lack greater accuracy in providing
real-time measurements and the impacts of their distribution on pipe networks over time. A
loss estimation and location is one aspect that can be assessed through data acquisition
methods using sensor networks and the Internet of Things (IoT) framework. This work
developed an application prototype for the residential monitoring of water consumption using
the ESP32 microprocessor, obtaining and analyzing measurement data over five months of
observation, using statistical analysis tools to identify residential human consumption profiles
and possible failures in distribution network. Nine water consumption points were monitored,
where the sink for washing dishes had the highest consumption, followed successively by the
shower in the bathroom suite, toilet in the bathroom suite, sink washing dishes, restroom
toilet, restroom shower, washing machine, bathroom sink, and bathroom sink of the social
toilet. The data were compared with the literature to assess peculiarities of our research and a
path for the evolution of our application in future works.
Keywords: Internet of things; Wi-fi networks; Mqtt protocol; Hall effect sensor; Flow sensor;
Embedded systems; Microcontrollers; Esp32.
Resumen
Los sistemas de distribución de agua, tanto urbanos como rurales, tienen interacciones
complejas entre los aspectos cuantitativos y cualitativos del monitoreo del agua. Dichos
modelos aún carecen de mayor precisión para hacer que las mediciones estén disponibles en
tiempo real y los impactos de su distribución en las redes de tuberías a lo largo del tiempo. La
estimación de pérdidas y su ubicación es un posible aspecto a evaluar mediante métodos de
adquisición de datos utilizando redes de sensores y la estructura de Internet de las cosas (IoT).

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
3
Este trabajo desarrolló un prototipo de aplicación para la monitorización residencial del
consumo de agua mediante el microprocesador ESP32, obteniendo y analizando datos de
medición durante cinco meses de observación, utilizando herramientas de análisis estadístico
para identificar perfiles de consumo humano residencial y posibles fallas. en la red de
distribución. Se monitorearon nueve puntos de consumo de agua, donde el fregadero para
lavar platos mostró el mayor consumo, seguido sucesivamente por la ducha en el baño en
suite, inodoro en el baño en suite, lavaplatos, inodoro en el baño social, ducha en el baño
social, Lavadora, lavabo baño, lavabo en el baño. Los datos fueron comparados con la
literatura para evaluar peculiaridades de nuestra investigación y caminos para la evolución de
nuestra aplicación en trabajos futuros.
Palabras clave: Internet de las cosas; Redes wi-fi; Protocolo mqtt; Sensor de efecto hall;
Sensor de flujo; Sistemas embebidos; Microcontroladores; Esp32.
1. Introdução
A água é um recurso essencial à sobrevivência humana, já que nosso organismo é
composto por aproximadamente setenta por cento por ela. A possibilidade de esgotamento da
água potável é o resultado da combinação da variabilidade hidrológica e do elevado uso
humano deste recurso que é finito. (Unesco, 2012).
O Brasil é um dos países que possuem grande abundância de água doce no mundo.
Apesar de ser uma notícia animadora e positiva, os recursos hídricos estão distribuídos de
forma desigual no território brasileiro. Isto associado aos diversos usos da água pelos setores
econômicos nas bacias hidrográficas e aos problemas de qualidade de água gera os chamados
conflitos pelo uso da água (ANA, 2017)
O estado do Ceará, notadamente inserido no polígono das secas do semiárido
nordestino, teve a evolução da sua Política de Recursos Hídricos influenciada diretamente
pelos ciclos de seca, cujos impactos gerados desencadearam ações governamentais reativas,
iniciadas pelo Governo Federal, indo desde a fase hidráulica, com a construção de grandes
açudes, como o Açude Cedro (1890-1906), idealizado após a seca de 1877-1879, passando
pela criação de instituições permanentes, como a Inspetoria de Obras Contra as Secas – IOCS
(1909), hoje Departamento Nacional de Obras Contra as Secas – DNOCS (1945), e a
Superintendência de Desenvolvimento do Nordeste – SUDENE (1959), criadas após a seca de
1958, chegando à década de 80, quando, em decorrência da demanda crescente, resultante do
crescimento urbano, industrial e agrícola, a água disponível tornou-se escassa, impondo a

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
4
necessidade da elaboração de mecanismos de planejamento e gestão dos usos dos recursos
hídricos (Governo do Estado do Ceará, 2018).
O avanço das tecnologias ao longo dos anos preparou a Internet das Coisas (IoT) para
explorar oportunidades inexploradas de tecnologia da informação e comunicação. Prevê-se
que a IoT lidará com a gigantesca rede de bilhões de dispositivos para fornecer muitos
serviços inteligentes aos usuários(Popli et al., 2020).
A IoT surgiu como um novo conceito, onde todos os itens da vida das pessoas se
tornam parte da Internet. Isso tem sido amplamente aplicada em vários cenários, como, por
exemplo, em casas inteligentes e assistência médica móvel. Este reúne médicos e pacientes
para monitoramento em tempo real e atua no gerenciamento da assistência médica, que
envolve vários tipos de sensores vestíveis, como o sensor acelerômetro. Em particular, na área
de saúde, as redes de sensores corporais são usadas para capturar e registrar os dados das
funções do corpo humano (Lu et al., 2019).
1.1. Conceitos e Definições de IoT
O conceito de IoT possui suas origens antes mesmo da Internet, estando relacionado à
tecnologia RFID (Radio Frequency Identification - identificação por radiofrequência), que
tem suas raízes nos sistemas de radares usados durante a segunda guerra mundial. (Faccioni
Filho, 2016). O Quadro 1 nos apresenta algumas definições de IoT encontradas na literatura.

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
5
Quadro 1 - Definições de IoT.
Autor
Definição
(Harwood,
2019)
Consistem em objetos individuais para "coisas" de grandes escalas (como
cidades), adicionando, identificadores exclusivos, sensores / atuadores e
conectividade. Com essa combinação de itens e tecnologias, abre-se um
mundo de interações potenciais que cobrem os mundos físico e digital.
(Oliveira,
2017)
Internet das Coisas não consiste somente em ligar “coisas” na internet, mas
torná-las inteligentes, capazes de coletar e processar informações do
ambiente ou das redes às quais estão conectadas.
(CERP-IoT,
2009)
Uma infraestrutura de rede dinâmica e global com capacidades de
autoconfiguração baseadas em protocolos de comunicação padronizados e
interoperáveis onde as ‘coisas’ físicas e virtuais tem identidades, atributos
físicos, personalidades virtuais, usam interfaces inteligentes e são
completamente integradas na rede de informação.
Fonte: (Harwood, 2019); (Oliveira, 2017); (CERP-IoT, 2009).
A Internet das coisas utiliza-se de objetos inteligentes que, por definição, são
componentes munidos de um elemento sensor e outro atuador, responsáveis pela interação
com o mundo físico, um pequeno microprocessador, que transforma os dados capturados dos
sensores, um dispositivo de comunicação que envia e recebe informações de outros
dispositivos, e uma fonte de alimentação, comumente uma bateria, que fornece a energia
elétrica necessária para o objeto realizar o seu trabalho (Vasseur & Dunkels, 2010).
Este novo elemento de rede, devido principalmente a restrições de energia e custos,
utilizará geralmente de microcontroladores de 8/16/32 bits, o tamanho da memória utilizada é
de apenas alguns kilobytes, a maior parte do tempo ficam em sleep mode, ou seja os
dispositivos dormem e só acordam quando há informações para serem transmitidas, as redes
baixa potência com grande perda de pacotes no caso as LLNs (Low Power and Lossy
Network) serão utilizadas e por fim a topologia de rede será a de malha (mesh), pois os
dispositivos irão realizar roteamento, o que permite uma maior robustez e disponibilidade da
rede (Vasseur & Dunkels, 2010).
As “coisas” ou objetos farão uso de interfaces na forma de serviços que possibilitem as
interações com a Internet, consultar e modificar seus estados ou qualquer informação
relacionados aos mesmos, considerando questões de segurança e privacidade. Prevê-se
também que os objetos serão integrantes ativos do mundo dos negócios, dos processos

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
6
informacionais e sociais nos quais serão capazes de interagir e comunicar-se entre si e com o
ambiente por meio da troca de dados e informações coletadas sobre o mesmo, à medida que
reagem de modo autônomo aos eventos do mundo físico/real provocam processos que
desencadeiam ações e geram serviços com ou sem intervenção humana direta. (CERP-IoT,
2009)
As aplicações IoT vão muito além da comunicação máquina a máquina (M2M-
Machine to Machine), pois são conceitos com significados diferentes. Em M2M, a
comunicação acontece entre dispositivos do mesmo tipo, geralmente fazendo uso de
tecnologias proprietárias. São feitos para resolver um problema específico e atender a uma
única aplicação também específica. Por isso são utilizados diversos sistemas para diversas
aplicações, o que torna as soluções M2M silos verticalizados. (Höller et al., 2014)
2. Metodologia
O fluxograma contido na Figura 1 descreve o princípio de funcionamento da coleta de
dados do protótipo proposto neste trabalho.

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
7
Figura 1 - Fluxograma do Processo de Coleta de Dados.
Conectou
com o
Roteador
Wi-Fi?
SRAM
ESP32
Internet
Internet
Sim
Não
Envia Leitura do
Sensor Para o
Banco de dados
Remoto. (Envio
a cada 1 minuto)
Nova tentativa de Envio de
Dados ao Banco de Dados
Armazenamento
Interno do ESP32
Leitura e
Processamento dos
pulsos PWM
enviados pelo sensor
via efeito Hall
(Leituras a cada 1
segundo)
Dados brutos vindos
dos ESP32 são
enviados ao Servidor
Gratuito em Nuvem
(Adafruit.io)
Servidor Adafruit
armazena por 1 mês
todas as
informações dos
ESP32 minuto a
minuto
Servidor Adafruit
disponibiliza ao usuário
logs e filtragem dos dados
armazenados para
download.
Servidor Adafruit
disponibiliza ao
usuário exibição de
dashboards com
gráficos e logs das
medições em tempo
real via web
Requisição
de usuário
Requisição
de usuário
Requisição
de usuário
Requisição
de usuário
Fonte: Autores.
No Quadro 2 apresenta um melhor detalhamento do fluxograma da Figura 1.

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
8
Quadro 2 - Passo-a-Passo do Processo de Coleta dos Dados.
Sequência
Atividade
Período
1
ESP32 lê os pulsos enviados pelos sensores de
fluxo de água
1 Segundo
2
ESP32 armazena internamente as informações
lidas dos sensores
1 Segundo
3
ESP32 envia as leituras de todos os sensores
para o servidor de dados em nuvem via rede
Wi-Fi doméstica. Caso não consiga estabelecer
conexão com a rede Wi-Fi doméstica, repete em
loop essa tentativa de conexão.
1 Minuto
4
Servidor de Dados em Nuvem, Adafruit,
armazena informações enviadas pelos ESP32.
Em sua base de dados, na conta gratuita do
usuário.
1 Mês
5
Usuário requisita exibição on-line dos dados no
servidor web logando-se em sua conta no
Adafruit.
Qualquer Momento
6
Usuário requisita o download das informações
gravadas na base de Dados em sua conta no
Adafruit.
1 Mês
Fonte: Autores.
A Figura 2 apresenta o arranjo montado para a calibragem dos sensores de fluxo de
água. A calibração foi realizada em três dos nove sensores, considerando esta uma amostra
representativa do conjunto dos sensores, uma vez que foram comprados no mesmo pedido de
compra.

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
9
Figura 2 - Protótipo para Calibragem dos Sensores.
Fonte: Autores.
O método de execução da calibragem ocorreu da seguinte forma, conforme os passos a
seguir:
1. Um balde foi cheio com 6 litros de água e despejado sobre a estrutura exibida na
Figura 3, tendo como destino um segundo bande à frente;
2. À medida que a água passava pelo sensor, o mesmo gerou os pulsos PWM e os enviou
ao microprocessador ESP32, que a cada minuto buscava conexão com a rede Wi-Fi e
enviou os dados ao Servidor em nuvem (Adafruit.io);
3. Via Smartphone, foi possível ao usuário aferir o valor em mililitros que passou pelo
sensor. Este processo foi repetido 10 vezes para aumentar a precisão do fator de
calibração, que discutiremos a seguir.
Figura 3 - Metodologia utilizada na calibração dos sensores.
Fonte: Autores.

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
10
3. Resultados e Discussão
3.1. Introdução
O objetivo deste capítulo é apresentar os principais resultados obtidos a partir da
calibração dos sensores, conectividade do protocolo MQTT, cobertura e qualidade da rede
sem fio, geração e análise matemática dos dados de medição de consumo ao longo de nove
meses de monitoramento contínuo dos usos de água residencial conforme descrito no capítulo
anterior, bem como discutir os mesmos confrontando-os com outros trabalhos correlatos.
3.2. Calibração dos sensores
A Figura 4 nos mostra o trecho de código C++ carregado nos microprocessadores
ESP32 onde podemos observar a inserção da variável calibrationFactor, utilizada para
alcançar uma precisão em torno de 1% de margem de erro. Após 10 repetições esta variável
estabilizou no valor de 7,85 para todos os sensores.
Figura 4 - Trecho de código com o fator de calibração.
Fonte: Autores.
A Figura 5 nos apresenta a evolução do fator de calibração e da curva de erro do
sensor. Note que, ao atingir o valor de 7,85, obtivemos a menor margem de erro, portanto
dentro da margem de calibração do hidrômetro padrão CAGECE apresentado acima.

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
11
Figura 5 - Evolução do Fator de Calibração e Margem de Erro versus número de Repetições.
Fonte: Autores.
3.3. Instalação do protótipo
A Figura 6 e o Quadro 3 nos mostram a localização de instalação dos
microprocessadores e sensores.
Figura 6 - Planta Simplificada da Residência (Escala 1:100).
Fonte: Autores.

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
12
Quadro 3 - Identificação dos Pontos de Instalação.
Pontos de
Instalação
Cluster
Sensores
Pontos
1
Cluster 1 –
Banheiro Suíte
(ESP32_1)
1
Chuveiro
2
Vaso Sanitário
3
Pia
2
Cluster 2 –
Banheiro Social
(ESP32_2)
4
Chuveiro
5
Vaso Sanitário
6
Pia
3
Cluster 3 – Área de
Serviço
(ESP32_3)
7
Pia de Lavar Louças
8
Pia de Lavar Roupas
9
Máquina de Lavar Roupas
4
Roteador Wi-Fi
-
-
Fonte: Autores.
Nas Figuras 7, 8 e 9 podemos identificar as fotos reais de instalação de cada cluster,
com seus respectivos microprocessadores e sensores.
Figuras 7(a), 7(b), 7(c) e 7(d) - Cluster_1 - Banheiro Suíte.
Fonte: Autores.
(a)
(b)
(c)
(d)

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
13
Figuras 8(a), 8(b), 8(c) e 8(d) - Cluster_2 - Banheiro Social.
Fonte: Autores.
Figura 9(a), 9(b), 9(c) e 9(d) - Cluster_3 - Área de Serviço.
Fonte: Autores.
(a)
(b)
(c)
(d)
(a)
(b)
(d)
(c)

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
14
3.4. Análise de conectividade - protocolo MQTT
Desde o início do processo de calibração dos sensores, foi necessário validar a
conectividade com o servidor Adafruit.io, do contrário não seria possível esta atividade. A
Figura 10 apresenta um exemplo do trecho de código carregado nos ESP32 do cluster 1, que
estabelece as entidades MQTT Client (ESP 32) e MQTT Server (adafruit.io). A porta default
TCP para o serviço MQTT é a 1883.
A Figura 11 apresenta o monitoramento de mensagens entre o ESP32 e a rede Wi-Fi,
capturada a partir da porta serial na IDE do Arduino. Note que, após a definição do IP do
ESP32 na rede Wi-Fi local (192.168.25.2), há uma sequencia de zeros, que já representam a
medição dos dados dos sensores sendo enviados a cada minuto.
Figura 10 - Trecho de código referente a criação da conectividade MQTT.
Fonte: Autores.

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
15
Figura 11 - Mensagens capturadas da comunicação entre o ESP32 e o Servidor MQTT
(adafruit.io).
Fonte: Autores.
A Figura 12 contém um gráfico com a medição do sensor um, utilizado para os testes
de calibração, exibido na página web do servidor Adafruit.io, evidenciando a conectividade
entre os microprocessadores e o mesmo. Já na Figura 13 vemos uma lista com os nove
sensores na pasta ‘feeds’ do servidor.

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
16
Figura 12 - Conectividade com o Servidor em nuvem Adafruit.io.
Fonte: Autores.
Figura 13 - Nove Sensores na pasta Feed do servidor adafruit.
Fonte: Autores.
3.5. Análise de cobertura e qualidade da rede sem fio
Utilizando a ferramenta Ekahau, foi plotado o mapa de calor da intensidade do sinal
em dBm da cobertura Wi-Fi da residência, conforme pode ser visto na Figura 14. Os pontos 1,
2 e 3 na figura correspondem aos três clusters de medição anteriormente apresentados na
seção 3.3.

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
17
Figura 14 - Mapa de Calor (em dBm) - Cobertura Wi-Fi da Residência.
Fonte: Autores.
A partir das medições realizadas na fermenta NetSpot, na Figura 15 foi apresentado
um print com a lista de todas as redes Wi-Fi alcançáveis na residência, de onde foi verificado
que a rede com SSID ‘WIFI-3F50’, rede onde estão conectados os 3 microprocessadores, é a
rede predominante, atuando na banda de 2,4GHz, utilizando o canal 11, com capacidade de 20
MHz de largura de banda. Todas as redes detectadas utilizam criptografia de segurança WPA2
Personal e o modo de rede padrão 802.11n.
Figura 15 - Lista de redes Wi-Fi detectadas pela ferramenta NetSpot na residência
monitorada.
Fonte: Autores.
Sobre o nível de interferência dos canais em 2,4 GHz, a Figura 16 nos oferece uma
análise mais detalhada. Foi visto que das redes com os SSIDs ‘TOPNET – DIEGO’, ‘VIVO-

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
18
6E08’ e ‘XIMENES’ oferecem algum nível de interferência no canal 11, utilizado no projeto,
porém somente a partir de -75 dBm.
Figura 16 - Análise de Interferência dos Canais Wi-Fi em 2,4 GHz.
Fonte: Autores.
Considerando a sensibilidade do sistema de radiofrequência de um ESP32 em -97
dBm (Espressif, 2019), o Quadro 4 nos apresenta as medições de cobertura Wi-Fi onde estão
instalados na residência monitorada os três ESP32 coordenadores dos clusters de sensores.
Foram realizadas duas medições em cada cluster, uma com a porta do ambiente aberta e outra
com a porta fechada, a fim de avaliar a perda de sinal em cada situação. Pelas medições
realizadas, foi visto em todas as situações que o nível de sinal em dBm foi maior que o nível
de interferência das redes adjacentes (Figura 47). As medidas reais também corresponderam
aos níveis apresentados no mapa de calor na Figura 15.
Quadro 4 - Medições de Sinal Wi-Fi - Clusters de Sensores.
Cluster
Frequência
(Mhz)
Canal
Sinal Medido
(dBm)
Porta Aberta
Sinal Medido
(dBm)
Porta Fechada
Banheiro Suíte
2462
11
-42
-43
Banheiro Social
-43
-48
Área de Serviço
-65
-70
Fonte: Autores.

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
19
3.6. Construção da base de dados
A construção da base de dados off-line para o projeto adota uma rotina mensal de
downloads da base de dados do Adafruit.io, cujo período máximo de armazenamento de
informações online é de 30 dias.
O Quadro 5 presenta em linhas gerais as características da base de dados gerada a
partir da coleta dos 9 sensores.
Quadro 5 - Informações sobre Base de Dados Gerada pelo Projeto.
Tipo de informação
Detalhamento
Período de coleta de dados
01/11/2019 a 31/07/2020 (9 meses)
Volume de minutos coletados
2.025.723 minutos
Volume de dados coletados
134,46 Mbytes
Quantidade de arquivos gerados
81
Formato dos arquivos gerados
.CSV (separados por vírgula)
Fonte de Coleta
Servidor Adafruit.io
Fonte: Autores.
3.6.1. Consolidado geral
A residência monitorada neste trabalho possui um total de treze pontos consumidores
de água, dos quais nove foram monitorados (69 % do total). A Figura 17 nos apresenta um
gráfico consolidado do consumo de água residencial em metros cúbicos (m3) monitorado por
todos os sensores ao longo dos 5 meses, confrontando com a medição oficial da CAGECE
(Companhia de água e esgoto do Ceará). Em relação aos cômodos monitorados, o gráfico da
Figura 18 nos apresenta um comparativo mensal do consumo de água entre cada um deles.

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
20
Figura 17 - Consolidado geral do consumo (em m3).
Fonte: Autores.
Figura 18 - Detalhamento do consumo geral por cômodo (em m3).
Fonte: Autores.
Através da Figura 19, podemos identificar, no ranking consolidado dos pontos
monitorados, quais os maiores consumidores ao longo dos cinco meses de coleta de dados. O
Quadro 6 apresenta um resumo das características mais relevantes de perfil de consumo
medidas pelos nove sensores.

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
21
Figura 19 - Ranking dos pontos consumidores (em m3).
Fonte: Autores.
Quadro 6 - Resumo com as principais características das medições de cada sensor.
Sensor
Resumo
Sensor 1 – Chuveiro –
Banheiro Suíte
Horários de uso sequem uma lógica de sazonalidade adequada aos
moradores da residência. Destaque para o aumento de uso em
março/2020 em função da pandemia.
Sensor 2 – Vaso
Sanitário – Banheiro
Suíte
Horários de uso sequem uma lógica de sazonalidade adequada aos
moradores da residência.
Sensor 3 – Pia –
Banheiro Suíte
Foram detectados diversos perfis de uso, como escovação de
dente, lavar as mãos e barbear. Destaque para o aumento de uso
em março/2020 em função da pandemia.
Sensor 4 – Chuveiro –
Banheiro Social
Horários de uso sequem uma lógica de sazonalidade adequada aos
moradores da residência. Destaque para o aumento de uso em
março/2020 em função da pandemia. Detectado vazamento no
mês de março/2020.
Sensor 5 – Vaso
Sanitário – Banheiro
Social
Detecção de importante vazamento, detectado em março/2020,
graças as medições do projeto.
Sensor 6 – Pia –
Banheiro Social
Foram detectados diversos perfis de uso, como escovação de
dente, lavar as mãos e barbear. Destaque para o aumento de uso
em março/2020 em função da pandemia.
Sensor 7 – Pia (Lavar
Pratos) – Área de
Serviço
Foi detectada importante redução de consumo em março/2020,
com o início do período da pandemia.
Sensor 8 – Pia (Lavar
Roupas) – Área de
Serviço
Medições influenciadas pela sazonalidade das chuvas e pelo
início do período da pandemia.

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
22
Sensor 9 – Máquina
de Lavar – Área de
Serviço
Medições influenciadas pela sazonalidade das chuvas e pelo
início do período da pandemia.
Fonte: Autores.
3.7. Comparativo com estudos precursores
No Quadro 7 apresenta um paralelo entre este trabalho e estudos precursores
publicados com o intuito de monitoramento do consumo residencial.
Quadro 7 - Comparativo - Estudos Predecessores.
Fonte
Abrangência
Principais Resultados
Autor
Nove sensores coletando
dados reais em nove pontos
de uma residência entre
novembro/2019 e julho/2020,
conectado em nuvem e com
reports via web de consumo
de água. Fonte de energia -
rede elétrica residencial.
Geração de Base de dados com
mapeamento e medição de nove usos
distintos de consumo de água dentro da
residência, bem como a identificação
dos perfis de consumo e sazonalidade
do mesmo dentro do período de
observação. Análise do desempenho da
rede sem fio construída.
Ray &
Goswami
(2020)
Dois sensores instalados em
ambiente controlado,
conectados em nuvem, com
reports de consumo via
aplicativo em smartphone e
modelo de machine learning.
Projeto idealizado
originalmente para
otimização de recursos
hídricos na Índia. Fonte de
energia - solar.
Geração de base dados de consumo e
alimentação o modelo de machine
learning a fim de identificar padrões de
uso e disparar ações de mitigação de
consumo excessivo. Identificação de
riscos e problemas operacionais futuros
com o sistema em operação comercial.
Alves et al.
(2019)
Um sensor em ambiente
controlado, ligado via
protocolo ZigBee ao nó
coordenador há 8,5 metros de
distância. Fonte de energia -
baterias
Testes de conectividade entre o sensor e
o nó coordenador realizados com
sucesso, com detalhamento dos aspectos
de rádio frequência e tráfego de pacotes
de dados na rede sem fio construída.
Testes de funcionalidade do aplicativo
bem sucedidos, com report do consumo
de água monitorado pelo sensor. Não
foi informado se houve geração de base
dados .
Luciani et
al. (2018)
292 usuários conectados na
alimentação geral de água
dos imóveis via módulo de
Geração de Base de Dados de Consumo
geral das residências, , para efeito de
geração de cobrança e estudos futuros

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
23
rádio ISM, coletando dados
de uso geral de água entre
junho/2016 e setembro/2017.
Fonte de energia - não
informado
envolvendo sazonalidades e
vazamentos.
Fontes - Autor; (Ray & Goswami, 2020); (Alves et al., 2019); (Luciani et al., 2018).
4. Considerações Finais
Em comparação com trabalhos anteriores, este trabalho estabeleceu e aplicou uma
metodologia pioneira de monitoramento do consumo interno de água, com a utilização de
microprocessadores ESP32 combinado com a servidor em nuvem do Adafruit.io, construindo
uma considerável base de dados que revela bastante do comportamento de típicos moradores
de um bairro da periferia da cidade de Fortaleza, Ceará, apesar dos desafios encontrados em
relação a instabilidade da conexão Wi-Fi da residência e de algumas quedas de energia ao
longo do período de medição.
Em termos de dados existentes sobre o perfil do consumo e usos finais da água,
verificou-se que ainda não há muitos dados locais disponíveis sobre o assunto. A pesquisa
realizada representa, até o presente momento, um avanço no conhecimento sobre o tema e que
os resultados obtidos se constituem como valores de referência para estudos futuros sobre o
comportamento dos usuários desta região.
Os resultados apresentados, mesmo que ainda não tenham sido monitoradas outras
residências do bairro, demonstram que o trabalho realizado contribuiu para ampliar o
conhecimento sobre as necessidades metodológicas e aplicadas no levantamento do perfil do
consumo e usos finais da água, permitindo à academia e aos órgãos governamentais a
atualização dos valores do perfil de consumo e usos finais da água em residências com este
mesmo perfil socioeconômico.
Tanto a base de dados gerada quanto o sistema de monitoramento e armazenamento de
dados podem ser explorados para novos estudos, bem como melhoramentos tecnológicos que
aumentem sua acurácia, a saber:
a) Adição de dispositivo de reconhecimento individual para precisar
especificamente qual usuário faz uso da água em cada instante;
b) Incremento do módulo de alimentação individual por baterias de lítio ou
solares;
c) Incremento de válvulas solenoides para implementação sistema de controle por

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
24
metas de consumo por ponto consumidor preditivamente estimadas por machine learning.
Referências
Alves, A. J. R., Manera, L. T., & Campos, M. V. (2019). Low-cost wireless sensor network
applied to real-time monitoring and control of water consumption in residences. Revista
Ambiente e Agua, 9(3), 445–458. https://doi.org/10.4136
ANA. (2017). Conjuntura Dos Recursos Do Brasil. http://www.snirh.gov.br/portal/s
nirh/centrais-de-conteudos/conjuntura-dos-recursos-hidricos/conj2017_rel.pdf
CERP-IoT. (2009). Internet of Things Authentication: A Blockchain solution using SRAM
Physical Unclonable Functions. Guardtime, 1–50. https://doi.org/10.1007/978-3-319-23585-
1_2
Espressif. (2019). ESP32 Series - Datasheet. https://www.espressif.com/sites
/default/files/documentation/esp32_datasheet_en.pdf
Faccioni Filho, M. (2016). Internet das coisas : livro digital. In GV-executivo (1a ed.).
UnisulVirtual. https://doi.org/10.12660/gvexec.v5n1.2006.34372
Governo do Estado do Ceará. (2018). Plano de Ações Estratégicas de Recursos Hídricos do
Ceará. Recuperado de https://www.srh.ce.gov.br/wp-content/uploads/sites/90/2018
/07/PLANO-DE-ACOES-ESTRATEGICAS-DE-RECURSOS-HIDRICOS-CE_2018.pdf
Harwood, T. (2019). IoT Overview Handbook. General Overview. Recuperado de
https://www.postscapes.com/iot/
Höller, J., Tsiatsis, V., Mulligan, C., Karnouskos, S., Avesand, S., & Boyle, D. (2014). M2M
to IoT – An Architectural Overview. In A. Press (Ed.), From Machine-To-Machine to the
Internet of Things (1st ed., pp. 61–77). https://doi.org/10.1016/b978-0-12-407684-6.00004-8
Lu, W., Fan, F., Chu, J., Jing, P., & Yuting, S. (2019). Wearable computing for internet of
things: A discriminant approach for human activity recognition. IEEE Internet of Things

Research, Society and Development, v. 9, n. 10, e2059108274, 2020
(CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v9i10.8274
25
Journal, 6(2), 2749–2759. https://doi.org/10.1109/JIOT.2018.2873594
Luciani, C., Casellato, F., Alvisi, S., & Franchini, M. (2018). From Water Consumption
Smart Metering to Leakage Characterization at District and User Level: The GST4Water
Project. Proceedings, 2(11), 675. https://doi.org/10.3390/proceedings2110675
Oliveira, S. de. (2017). Internet das Coisas com Esp8266, Arduino e Raspberry Pi (1a).
Novatec.
Popli, S., Jha, R. K., & Jain, S. (2020). A Survey on Energy Efficient Narrowband Internet of
Things ( NBIoT ): Architecture , Application and Challenges. IEEE Access, 7, 16739–16776.
https://doi.org/10.1109/ACCESS.2018.2881533
Ray, A., & Goswami, S. (2020). IoT and Cloud Computing based Smart Water Metering
System. 2020 International Conference on Power Electronics and IoT Applications in
Renewable Energy and Its Control, PARC 2020, 308–313.
https://doi.org/10.1109/PARC49193.2020.236616
Unesco. (2012). Relatório Mundial das Nações Unidas sobre o Desenvolvimento dos
Recursos Hídricos ( WWDR4 ). Recuperado de http://www.unesco.org/water/wwap
Vasseur, J.-P., & Dunkels, A. (2010). Interconnecting Smart Objects with IP: The Next
Internet. In Morgan Kaufmann. Elsevier. https://doi.org/10.1016/B978-0-12-375165-2.00022-
3
Porcentagem de contribuição de cada autor no manuscrito
Kilbert Amorim Maciel – 50%
David Martins Leite – 30%
José Wally Mendonça Menezes – 20%