Modelo de deterioro en tuberías de agua potable con métodos probabilísticos y de inteligencia artificial

Abstract

El agua no facturada (ANF) corresponde a la diferencia entre el volumen de agua producida y el volumen de agua facturada a los clientes y representa el 33,4% del volumen total de agua potable producida. Se estima que del total de ANF, el 75% corresponde a pérdidas físicas en las redes de distribución de agua potable (Superintendencia de Servicios Sanitarios, 2020). En el escenario actual de sequía en la zona central de Chile, se hace fundamental la protección y buen manejo de los recursos hídricos, lo que incluye un correcto manejo y operación de los sistemas de distribución de agua potable, dentro de los que se encuentran tanto la predicción y detección de fugas como las buenas prácticas de mantención de redes. El envejecimiento en redes de distribución y el deterioro natural asociado a este produce un aumento en las fallas de tuberías, aumentando las pérdidas físicas con los años. Este deterioro puede ser modelado con métodos estadísticos y métodos de inteligencia artificial con el fin de predecir que tuberías serán más propensas a fallar dadas sus condiciones actuales. En el presente trabajo se utilizaron tres algoritmos de inteligencia artificial (Gradient Boosting Trees, Multi Layer Perceptron y Support Vector Machine) para predecir el deterioro en tuberías de agua potable, los que fueron aplicados a un caso de estudio. El algoritmo con un mejor desempeño fue el Gradient Boosting Trees. Sin embargo, el Multi Layer Perceptron presentó un desempeño levemente inferior con un tiempo de entrenamiento menor. Los algoritmos se aplicaron en redes experimentales en conjunto con un análisis probabilístico de riesgo sísmico, considerando las variaciones producto del envejecimiento en el coeficiente de pérdida de carga de las tuberías, permitiendo evaluar los efectos de escenarios sísmicos en el contexto del deterioro de las redes. Se concluye que este tipo de algoritmos puede ser útil siempre que se cuente con registros lo suficientemente extensos como para hacer el entrenamiento. Además, los resultados extraíbles de estos son fáciles de complementar con modelos multiamenazas que consideren el deterioro como una de sus variables.