El Gemelo Digital de Tedagua: innovación y optimización en la gestión del agua

Explicó que la empresa tomó la decisión estratégica de desarrollar su propio gemelo digital, en lugar de optar por soluciones comerciales del mercado. Este enfoque buscaba que los expertos hidráulicos y mecánicos de la compañía comprendieran mejor las nuevas tecnologías, incluyendo el uso de inteligencia artificial, modelos predictivos y algoritmos de optimización.

Uno de los principales retos fue introducir la cultura del dato en la organización, asegurando que los operadores y técnicos entendieran la importancia de contar con datos históricos detallados y de calidad, con periodicidades de segundos o minutos, en lugar de registros diarios o semanales.

El desarrollo de la plataforma y sus retos tecnológicos

Díaz del Río explicó que el desarrollo de la plataforma del gemelo digital presentó dos grandes retos.

1. Partir desde cero: Se trató de una decisión estratégica que implicó diseñar toda la arquitectura del sistema sin apoyarse en soluciones comerciales ya establecidas.
2. Intermediar entre expertos en agua y expertos en tecnología: Fue fundamental conectar ingenieros hidráulicos y especialistas en tratamiento de agua con expertos en inteligencia artificial, desarrollo de software y cloud computing, asegurando que los modelos reflejaran con precisión los procesos físicos y químicos de las plantas.

Para facilitar la integración de datos en su plataforma, Tedagua desarrolló una clasificación ontológica de modelos BIM basada en Procesamiento Natural del Lenguaje (NLP). Esto permitió automatizar la identificación de activos dentro de los modelos BIM, sin importar el idioma o la nomenclatura específica utilizada en cada país o planta.

Módulos y herramientas del gemelo digital

Para facilitar la integración de datos en su plataforma, Tedagua desarrolló una clasificación ontológica de modelos BIM basada en Procesamiento Natural del Lenguaje (NLP)

El gemelo digital desarrollado por Tedagua se estructura en varios módulos interconectados, cada uno enfocado en un área específica de optimización.

• Módulo de visualización y cuadros de mando: Se integra con Power BI para proporcionar dashboards intuitivos y personalizables, mejorando la experiencia de usuario y facilitando la toma de decisiones.
• Módulo de predicción de fallos: Utiliza algoritmos de machine learning para anticiparse a fallos en equipos críticos, reduciendo costes de mantenimiento y optimizando el rendimiento de las instalaciones.
• Módulo de simulación de escenarios: Permite introducir variables de operación y restricciones para evaluar diferentes estrategias y optimizar la eficiencia de las plantas.
• Módulo de recomendaciones basadas en IA: Analiza patrones operativos y sugiere ajustes en el proceso para optimizar el consumo energético, la dosificación de reactivos y la estabilidad del sistema.

Casos de uso de la inteligencia artificial en la plataforma

Díaz del Río presentó un caso de aplicación práctica en plantas desalinizadoras, donde se implementó un modelo de aprendizaje automático supervisado (XGBoost) para predecir el consumo de corriente de las bombas de alta presión. Explicó que el modelo fue entrenado con datos históricos de sensores como caudal, presión, vibración y velocidad, logrando una desviación de validación inferior a 0,7 amperios.

Este tipo de modelos permite optimizar el rendimiento de los equipos, reduciendo consumos innecesarios y mejorando la eficiencia energética en la operación.

Arquitectura del sistema y estrategia de almacenamiento de datos

Díaz del Río explicó que la plataforma se basa en una arquitectura cloud, con datos recopilados desde los sistemas SCADA, modelos BIM y herramientas de gestión del mantenimiento (GMAO). Toda esta información se almacena en un data lake, donde se estructuran y procesan antes de ser utilizados por los modelos predictivos y de optimización.

Uno de los mayores desafíos fue limpiar y estructurar los datos, ya que muchas plantas tenían registros con errores, formatos inconsistentes o períodos sin datos debido a paradas de operación. Inicialmente, este proceso se realizó manualmente, pero posteriormente se automatizó mediante algoritmos que detectan y corrigen anomalías en los datos.

Desafíos y barreras en la transformación digital del sector del agua

Para concluir su presentación, Díaz del Río presentó las 12 barreras principales que ha identificado en la digitalización del sector del agua. Entre ellas destacó:

• Falta de calidad en los datos: Muchas plantas no generan datos con la periodicidad y precisión necesarias para su uso en IA.
• Resistencia al cambio: Es difícil que los operadores adopten nuevas tecnologías sin una estrategia clara de capacitación.
• Altos costes tecnológicos: La implementación de soluciones basadas en IA requiere inversiones significativas en infraestructura y personal.
• Regulación rígida: Las normativas del sector a menudo no contemplan el uso de herramientas digitales avanzadas.
• Colaboración público-privada: Es necesario mejorar la relación entre empresas y administraciones para fomentar la innovación.
• Falta de talento especializado: Es fundamental contar con profesionales que combinen conocimiento en agua y habilidades en ciencia de datos e inteligencia artificial.

Su presentación dejó claro que el gemelo digital de Tedagua representa un gran avance en la integración de la inteligencia artificial en la gestión del agua, ofreciendo una herramienta poderosa para mejorar la eficiencia y sostenibilidad del sector.