-
Hidraqua, gestión del Agua en las Ciudades del Futuro: Aplicación de Inteligencia Artificial para la Optimización del Alcantarillado
Hidraqua es una empresa del sector del agua y del medio ambiente que desarrolla su actividad (captación, potabilización, distribución, depuración y reutilización) por concesión o empresas mixtas, en 79 municipios de la Comunidad Valenciana desde 1971. Desde entonces la empresa ha apostado por transformar el tradicional ciclo integral del agua en el ciclo sostenible del agua, gracias a la incorporación de nuevos modos de trabajo encaminados a preservar los recursos naturales basados en el modelo de Economía Circular. Desde esta perspectiva, Hidraqua actúa además sobre la comunidad local, fortaleciendo las economías locales y favoreciendo la implicación social.Dinapsis Comunidad Valenciana y Cetaqua son los dos pilares fundamentales de la innovación en Hidraqua. Dinapsis se enfoca en impulsar alianzas entre la industria y la ciudad, proporcionando soluciones verdes en la gestión del agua y el medio ambiente, con el objetivo último de promover ciudades digitales más sostenibles y resilientes. Por otro lado, Cetaqua es un centro tecnológico líder en innovación en el ciclo integral del agua y el medio ambiente. Sus proyectos de I+D+i contribuyen al progreso económico, ambiental y social, con una alta tasa de éxito en la obtención de financiación pública europea. La colaboración entre Dinapsis Valencia y Cetaqua es clave, ya que forma un poderoso ecosistema para el desarrollo de proyectos como la buena práctica descrita en la presente aplicación.
TÍTULO DE LA BUENA PRÁCTICA:
Gestión del Agua en las Ciudades del Futuro: Aplicación de Inteligencia Artificial para la Optimización del Alcantarillado
DESCRIPCIÓN CORTA DE LA BUENA PRÁCTICA:
Hidraqua ha implementado sistemas inteligentes que optimizan la renovación y la limpieza de las infraestructuras del alcantarillado a través de tecnología basada en Inteligencia Artificial (IA). En la renovación de redes de alcantarillado, la IA analiza datos históricos de mantenimiento y degradación de las tuberías, junto con datos externos al servicio, para predecir puntos críticos de renovación. Para la limpieza del alcantarillado, se han utilizado algoritmos de predicción de ensuciamiento basados en datos históricos, en conjunto con sistemas de visión por computadora para inspeccionar visualmente el estado de las tuberías y detectar obstrucciones potenciales. La combinación de desarrollos permite priorizar las áreas más susceptibles a problemas, reduciendo costes innecesarios; para poder implementarse de manera práctica, se ha trabajado en su integración en las herramientas de gestión de Hidraqua: GALIA para la limpieza de alcantarillado y METRESA para la renovación de infraestructura del mismo. METRESA se ha implantado en los principales municipios gestionados por Hidraqua y empresas participadas en la Comunidad Valenciana optimizando la renovación de cerca de 2.000 Km de red, la herramienta GALIA está implementada en 55 municipios, eficientando, de una manera inteligente y centralizada, las operaciones de limpieza de 5.166 Km de red. Los beneficios de aplicar IA a la gestión de alcantarillado de ambas herramientas, han sido escalados de manera rápida y con alto impacto para los servicios de gestión del agua.
DESARROLLO DE LA BUENA PRÁCTICA: Adjunto N-3 | Imagen-1.png, Imagen-2.png, Imagen-3.png,
La buena práctica consta del desarrollo y aplicación exitosa de tres desarrollos basados en IA en los productos de gestión del alcantarillado que implementa Hidraqua en las diferentes explotaciones que le han sido encomendadas, GALIA y METRESA.
GALIA, el producto utilizado por Hidraqua para la gestión de las operaciones de limpieza de alcantarillado, destaca por su enfoque integral basado en datos precisos y conocimiento profundo de la red. Al combinar información obtenida de inspecciones previas con factores empíricos y teóricos, GALIA genera un plan de acción de limpieza que aborda las necesidades específicas de cada sección y zona de la red. Este enfoque permite asignar puntuaciones a cada área, identificar ubicaciones prioritarias para la limpieza, determinar el momento óptimo y los métodos adecuados para llevar a cabo las operaciones, y establecer una frecuencia de limpieza que garantice el mantenimiento eficiente y efectivo de la red. Además, GALIA no solo proporciona una guía para la limpieza del alcantarillado, sino que también permite una gestión proactiva al anticipar y abordar los problemas potenciales antes de que se conviertan en emergencias. Al evaluar continuamente el estado de la red y ajustar las estrategias de limpieza en consecuencia, Hidraqua puede optimizar el rendimiento de su infraestructura de alcantarillado, minimizar el riesgo de obstrucciones y asegurar un servicio confiable y eficiente para sus clientes.
Además de GALIA, Hidraqua utiliza METRESA como una herramienta fundamental para gestionar la renovación de la infraestructura de la red de alcantarillado. METRESA es una aplicación diseñada para ayudar en la toma de decisiones durante el proceso de rehabilitación de las redes de alcantarillado. Integrando diversas funcionalidades, METRESA facilita la gestión de inspecciones CCTV, el diagnóstico preciso de las redes, la creación de modelos de envejecimiento, y la recopilación de estadísticas sobre defectos. Esta herramienta también permite la priorización de las acciones de rehabilitación, ayudando a identificar las áreas más críticas que requieren intervención inmediata, así como la selección de las técnicas de rehabilitación más apropiadas para cada caso. Además, METRESA ofrece un estudio económico detallado de las inversiones necesarias en rehabilitación, permitiendo una planificación financiera precisa y eficiente para la mejora continua de la infraestructura de alcantarillado. En conjunto con GALIA, METRESA proporciona a Hidraqua un enfoque integral y basado en datos para la gestión tanto de las operaciones de limpieza como de la renovación de la red de alcantarillado, garantizando un servicio confiable y de calidad para sus clientes.
Tanto GALIA como METRESA pueden beneficiarse enormemente de la aplicación de IA para mejorar su eficacia y eficiencia en la gestión de las operaciones de limpieza y renovación de la red de alcantarillado. Como punto de partida, la IA puede ser aprovechada para analizar grandes volúmenes de datos recopilados por ambas herramientas, identificar patrones y tendencias, y generar insights valiosos para la toma de decisiones. Mediante técnicas de aprendizaje automático, GALIA puede mejorar la precisión en la evaluación del estado de la red y en la predicción de áreas susceptibles a problemas, lo que permite una planificación más proactiva de las operaciones de limpieza. Por otro lado, METRESA puede beneficiarse de la IA al mejorar la precisión en el diagnóstico de las redes de alcantarillado y en la selección de las técnicas de rehabilitación más adecuadas. Mediante algoritmos de IA, METRESA puede analizar de manera más rápida y precisa los datos de inspecciones CCTV, identificar defectos y evaluar el estado general de la infraestructura, lo que facilita la priorización de las acciones de rehabilitación. Estos principios generales son los que han sido aplicados por Hidraqua en colaboración con Cetaqua para conseguir el desarrollo y también la integración de tres algoritmos basados en IA en METRESA y en GALIA.
Respecto del Desarrollo para la Renovación de Infraestructura del Alcantarillado, se presentan a continuación los objetivos del desarrollo, la metodología empleada y finalmente las tecnologías involucradas en el desarrollo.
Objetivos:
El objetivo principal es mejorar el servicio de planificación de inversiones en el alcantarillado, centrándose en la mejora del conocimiento de la red y la reducción de averías. Esto incluye la identificación y corrección de datos erróneos, la evaluación del estado actual de la red, la priorización de inversiones y la determinación de factores incidentes en la reducción de averías.Metodología:
La metodología abarca varias etapas. Primero, se realiza un diagnóstico del estado actual de la red, creando mapas temáticos e indicadores clave para la toma de decisiones. Este proceso implica la recopilación y análisis de datos históricos de mantenimiento y fallos, así como la corrección de datos erróneos en la base de datos de la red. Luego, se utiliza un algoritmo de priorización multicriterio y un modelo de análisis de datos de evaluación de riesgos para predecir el comportamiento futuro de la red y simular escenarios de inversión. Esto permite identificar las áreas críticas que requieren renovación prioritaria y determinar las mejores estrategias de inversión para maximizar el rendimiento y la vida útil de la red de alcantarillado. A continuación, se emplea un modelo de análisis de datos con metodologías de aprendizaje automático (machine learning, ML) para analizar conjuntos de datos de fallos de tuberías y determinar el riesgo de fallo y su evolución a corto y medio plazo. Este análisis permite anticipar problemas potenciales y tomar medidas preventivas para minimizar el riesgo de averías y reducir los costos asociados con el mantenimiento y la reparación de la red de alcantarillado. Esta metodología ha sido desarrollada para redes de agua potable por Cetaqua y está en desarrollo para el caso de alcantarillados.Tecnologías Involucradas:
El desarrollo de soluciones para la renovación de infraestructura del alcantarillado implica el uso de tecnologías avanzadas de análisis de datos y aprendizaje automático. Se utilizan herramientas y bibliotecas de análisis estadístico y de datos, como Python y R, así como algoritmos de aprendizaje automático y machine learning, como regresión logística y árboles de decisión, para realizar diagnósticos, simulaciones y análisis de riesgos. Además, se emplean técnicas de visualización de datos, como mapas de calor y gráficos de dispersión, para crear mapas temáticos e indicadores clave que faciliten la toma de decisiones por parte de los responsables de la planificación de inversiones en el alcantarillado. En conjunto, estas tecnologías permiten una planificación más eficiente y efectiva de las inversiones en la renovación del alcantarillado dentro de METRESA, contribuyendo así a la mejora del servicio y la reducción de averías en la red.Relativo al Desarrollo de Predicción de Ensuciamiento en Alcantarillado, se describen a continuación los objetivos del desarrollo, la metodología empleada y finalmente las tecnologías involucradas en el desarrollo.
Objetivos:
El desarrollo del modelo predictivo para implementación en GALIA, el producto de limpieza de alcantarillado de Hidraqua, tiene como objetivo principal mejorar la eficiencia y efectividad de las operaciones de limpieza del alcantarillado. Se busca predecir con precisión la acumulación de residuos y la probabilidad de obstrucción en las tuberías, lo que permitirá una planificación más estratégica y proactiva de las actividades de limpieza. Además, se pretende optimizar la asignación de recursos y mejorar la calidad del servicio ofrecido a los clientes.Metodología:
La metodología del desarrollo del modelo predictivo se basa en un enfoque multidisciplinario que combina técnicas de análisis de datos, inteligencia artificial y conocimiento experto en el campo del alcantarillado. En primer lugar, se recopilan y procesan datos históricos de limpieza y mantenimiento del alcantarillado, así como información sobre el flujo de agua y los patrones de uso de la red. Estos datos se utilizan para entrenar y validar el modelo predictivo, que emplea algoritmos de aprendizaje automático y técnicas estadísticas para predecir la acumulación de residuos y la probabilidad de obstrucción en las tuberías. Una vez desarrollado el modelo, se procede a su implementación y evaluación en el entorno de GALIA. Se utilizan datos en tiempo real para validar la precisión y fiabilidad del modelo, y se realizan ajustes según sea necesario para garantizar su eficacia y utilidad en las operaciones diarias de limpieza del alcantarillado. Además, se establecen protocolos y procedimientos para la integración del modelo en el sistema de gestión de activos de Hidraqua, lo que permitirá una planificación más estratégica y coordinada de las actividades de limpieza.Tecnologías Involucradas:
El desarrollo del modelo predictivo para implementación en GALIA implica el uso de tecnologías avanzadas de análisis de datos e inteligencia artificial. Se utilizan herramientas y plataformas de análisis de datos, como Python, R y SQL, para el procesamiento y análisis de datos históricos y en tiempo real. Además, se emplean algoritmos y técnicas de aprendizaje automático, como regresión logística, redes neuronales y árboles de decisión, para la construcción del modelo predictivo. La implementación del modelo puede requerir el uso de tecnologías de integración de sistemas y desarrollo de aplicaciones para su integración con GALIA y otros sistemas existentes de Hidraqua. En conjunto, estas tecnologías permiten el desarrollo de un modelo predictivo robusto y escalable que mejora la eficiencia y calidad del servicio de limpieza del alcantarillado ofrecido por Hidraqua.Finalmente, referente al Desarrollo del Modelo para la Clasificación del Nivel de Obstrucción en Alcantarillado, a continuación se describen con más detalle los objetivos, metodología así como las tecnologías que se han incorporado en el mismo.
Objetivos:
El desarrollo del modelo representa un hito significativo en la gestión del alcantarillado, con el objetivo principal de mejorar la eficiencia y la efectividad de las operaciones de mantenimiento y limpieza. Este modelo tiene como objetivo fundamental clasificar con precisión el nivel de obstrucción en las tuberías de alcantarillado, lo que permitirá una identificación temprana de problemas y una planificación más estratégica de las actividades de mantenimiento. Además, se busca optimizar la asignación de recursos y mejorar la calidad del servicio ofrecido a los clientes, promoviendo una gestión más sostenible y eficiente de los sistemas de alcantarillado.Metodología:
El desarrollo del modelo implica un enfoque multidisciplinario que combina tecnologías avanzadas de visión por computadora, análisis de datos y aprendizaje automático. En primer lugar, se recopilan y procesan grandes volúmenes de datos de inspección de alcantarillado, utilizando algoritmos avanzados de procesamiento de imágenes para detectar y extraer características relevantes de las imágenes, como la presencia de obstrucciones y la cantidad de residuos acumulados. Estos datos se utilizan para entrenar y validar el modelo de clasificación, que emplea técnicas de aprendizaje profundo, como redes neuronales convolucionales, para clasificar el nivel de obstrucción en cada tubería. Una vez desarrollado el modelo, se procede a su implementación y evaluación en un entorno de prueba, utilizando conjuntos de datos reales para validar su precisión y fiabilidad. Se realizan ajustes y mejoras en el modelo según sea necesario para garantizar su eficacia y utilidad en las operaciones diarias de mantenimiento del alcantarillado. Además, se establecen protocolos y procedimientos para la integración del modelo en los sistemas de gestión de activos y toma de decisiones de la empresa, lo que permitirá una mayor automatización y eficiencia en la gestión del alcantarillado.Tecnologías Involucradas:
El desarrollo del modelo implica el uso de tecnologías de vanguardia en visión por computadora, análisis de datos y aprendizaje automático. Se utilizan herramientas y plataformas de procesamiento de imágenes, como OpenCV y TensorFlow, para el análisis y procesamiento de datos de inspección de alcantarillado. Además, se emplean algoritmos y técnicas de aprendizaje profundo, como redes neuronales convolucionales, para la construcción del modelo de clasificación. La implementación del modelo puede requerir el uso de tecnologías de integración de sistemas y desarrollo de aplicaciones para su integración con los sistemas existentes de la empresa. En conjunto, estas tecnologías permiten el desarrollo de un modelo avanzado y escalable que mejora la gestión y eficiencia del alcantarillado, contribuyendo así a la calidad del servicio y la sostenibilidad de los sistemas de alcantarillado urbano.RESULTADOS E IMPACTO:
Mejora en la precisión y eficiencia del diagnóstico: La IA ha permitido una evaluación más precisa del estado de la red de alcantarillado, reduciendo errores y optimizando el proceso de diagnóstico tanto en Galia como en Metresa. Esto ha llevado a una toma de decisiones más informada y rápida.
Los modelos predictivos y de detección generados han conseguido una precisión de > 88%Optimización de la planificación y asignación de recursos: Gracias a los algoritmos de IA, Galia y Metresa pueden generar planes de acción más eficientes, priorizar áreas críticas con mayor precisión y asignar recursos de manera más efectiva. Esto ha resultado en una mejora notable en la planificación operativa y una reducción de los costos asociados.
Reducción del tiempo requerido para las acciones de planificación y de limpieza > 20%Aumento en la cobertura y alcance de la evaluación de la red: La implementación de IA ha permitido a Galia y Metresa evaluar un mayor porcentaje de la red de alcantarillado en menos tiempo, lo que ha mejorado la capacidad de detectar problemas potenciales y tomar medidas preventivas.
Reducción de incidencias en las operaciones de alcantarillado > 55%Reducción de costos operativos y aumento de la rentabilidad: La optimización de procesos y la toma de decisiones más acertadas han llevado a una reducción en los costos operativos asociados con las operaciones de limpieza y renovación de la red. Esto ha contribuido a una mayor rentabilidad y eficiencia en la gestión de la infraestructura de alcantarillado.
Reducción de costes en las actividades de mantenimiento del alcantarillado >20%
Resumen de privacidad
Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.




