Cómo el Machine Learning puede proteger el agua urbana

El agua es, quizás, el recurso natural más único de la Tierra. Como el recurso natural más abundante, el agua cubre cerca del 71% de la superficie de la Tierra, pero solamente 1,2% del agua dulce es agua potable. Esto hace el agua potable tan escasa y valiosa como ciertos metales preciosos.

El agua dulce tomada de ríos y cauces puede ser utilizado para muchos fines: comerciales, domésticos, de emergencias e industriales. Dada esta versatilidad, y la escasez impulsada por el cambio climático, el agua dulce se ha convertido en un punto de controversia en países y ciudades con poblaciones urbanas en crecimiento. Para asegurar un suministro constante de agua, buena gobernanza urbana y resiliencia urbana, es imperativo que las ciudades tengan una infraestructura hidráulica robusta.

Un componente crítico de la infraestructura hidráulica urbana es la red de distribución de agua. Una red de distribución de agua eficiente tiene la capacidad de suplir la demanda de agua potable con pérdidas mínimas o nulas. Las filtraciones de agua son la principal causa de pérdidas en la red de distribución, y la consecuente brecha entre la demanda y la oferta, especialmente en las ciudades, son las fugas de agua.

Las filtraciones de agua pueden suceder en cualquier etapa, en la transmisión, tratamiento, distribución o almacenamiento. En cierta medida, el problema de la filtración de agua ya se ha enfrentado de varias formas en ciudades, especialmente porque la disminución de la cantidad de agua no facturada (el agua que se pierde en el tránsito) puede conducir a mejores resultados socioeconómicos, ambientales, de salud y de seguridad para las ciudades.

Las ciudades generalmente se enfocan en identificar las fuentes de filtraciones de agua y la magnitud de las filtraciones a través de sistemas de gestión del agua. A grandes rasgos, estos sistemas de gestión se concentran en cuantificar la cantidad de agua perdida, detectar los puntos "calientes" de filtración y el efectivo control de los futuros niveles de filtración.

A pesar de estas mediciones, y de acuerdo al Banco Mundial, los países en vías de desarrollo pierden cerca de 45 millones de metros cúbicos de agua por día. Este agua, bombeado pero perdido o no cuantificado, puede costar tanto como 3 mil millones de dólares al año. Poder salvar la mitad de estas perdidas podría conducir a suministrar agua suficiente para 90 millones de personas al año. Es una cantidad considerable, especialmente para un país como la India, que, de acuerdo con un reporte del NITI Aayog, se espera que duplique la demanda de suministro de agua de aquí a 2030.

Hay una necesidad urgente de renunciar a los métodos tradicionales y existentes de gestión de las filtraciones de agua por tres razones principales.

En primer lugar, los métodos existentes son correctivos y no predictivos. El componente predictivo en la red de distribución actual del agua es el mantenimiento predictivo, que es agendado con anterioridad, realizado manualmente, y consume mucho tiempo. Incluso para implementar medidas correctivas para grandes filtraciones, muchas secciones del suministro de agua frecuentemente se apagan, afectando negativamente la cotidianidad de la ciudadanía.

En segundo lugar, mientras la escala de las filtraciones en ciudades varían en magnitud, la mayoría de las medidas correctivas son tomadas sobre filtraciones grandes, mientras que las filtraciones más pequeñas por lo general no se revisan durante temporadas prolongadas. Como resultado, las filtraciones pequeñas y sin verificar, causan pérdidas de agua muy significativas, tanto en volumen como en facturación. Organizaciones civiles pueden pueden perder entre cien mil a un millón de dólares en ingresos durante un periodo de cinco años.

En tercer lugar, en las peores instancias, una filtración en las tuberías principales han causado cortocircuitos en cables de alta tensión, por consiguiente representando un riesgo letal para la población masiva. Estas limitaciones elevan la necesidad de unos sistemas de gestión del agua más efectivos y eficientes que sean simultáneamente correctivos y predictivos.

Una solución ampliamente reconocida para revisar y controlar las fugas de agua en las ciudades radica en el funcionamiento de redes de sensores en tiempo real con Machine Learning (ML). Las redes de sensores en tiempo real incluyen principalmente componentes como sensores, supervisión de la red, almacenamiento en la nube y aplicaciones de apoyo.

Esta red inalámbrica de sensores con lectura en tiempo real, al ser acoplada con modelos de Machine Learning, podrá predecir una anomalía —filtración de agua— y puede detectar con precisión lo mismo en la red de distribución de agua. Este sistema puede tener múltiples beneficios para la ciudad.

En primer lugar, las ciudades pueden esperar una predicción más precisa de la escala y la complejidad de las fugas de agua. Esto es beneficioso para las ciudades que tienen un sistema de distribución de agua envejecido y que es más propenso a las fugas de agua. La predicción precisa de la escala y la complejidad puede conducir a la identificación correcta y oportuna de la ubicación de las fugas de agua. Esto, a su vez, reducirá las pérdidas de agua y aumentará los ingresos de la ciudad.

En segundo lugar, la localización precisa y oportuna de las fugas acelera el ritmo y la eficiencia de la resolución de problemas. Un tiempo de respuesta más corto en la resolución de fugas de agua es fundamental cuando a menudo se cierran secciones enteras de la red de distribución de agua en búsqueda del punto de fuga. Además, esto garantiza la reducción de los costos colaterales que se derivan de actividades como la excavación/reconstrucción de caminos para localizar las fugas de las tuberías subterráneas.

En tercer lugar, la consiguiente eficiencia en abordar las fugas de agua reducirá el tiempo de inactividad de los sistemas de suministro de agua, mejorando así la fiabilidad del suministro y la calidad del agua. Esto es de alta prioridad para las ciudades que experimentan una crisis aguda de agua durante los veranos, las horas pico, y que tienen una alta dependencia del agua para las actividades económicas.

Por último, este sistema de redes de sensores en tiempo real y ML es relativamente barato y fácil de implementar. Este sistema también puede asistir a los gobiernos locales, a la ciudad y a los ciudadanos en la anticipación de las condiciones de restricción del suministro de agua y ayudar en la adopción de medidas de conservación del agua. La adopción de estos sistemas puede contribuir a la deseada transformación urbana.

Los beneficios socioeconómicos, medioambientales, sanitarios y de seguridad que se derivan del uso de una red de sensores en tiempo real con ML son evidentes. Además de esto, con la rápida urbanización, el aumento de los precios del agua y el agotamiento de las fuentes de agua, el despliegue de soluciones tecnológicas avanzadas, como el ML, es crítico en términos de tiempo, si las ciudades han de evitar el estrés hídrico urbano exacerbado.