Soy Cristina Verde, y a continuación, les mostraré cómo se pueden localizar fugas en lÃnea en una red hidráulica, usando tecnologÃas de inteligencia artificial. El transporte de agua es esencial para la sociedad desde la época de los romanos y Teotihuacanos. En la red hidráulica, un problema grave son las fugas. Se habla de más del 30 por ciento de pérdidas debido a ellos, y eso en buenas condiciones. Existen diversas opciones para identificarlas. La clasificación más general toma en cuenta el tipo de dispositivo usado para captar información del ducto y el principio fÃsico del modelo usado. AquÃ, únicamente hablaré de los modelos basados en software para localizarlos; considerando datos de presión y caudal de algunos puntos de la red tomados en lÃnea. Dentro de los métodos basados en software, hay varias propuestas, basadas prácticamente en tres tipos de modelos. Uno, los modelos analÃticos obtenidos a partir de leyes fÃsicas que requieren de un buen conocimiento de los parámetros de la red. Los modelos empÃricos basados en el conocimiento de expertos sobre la red, y los modelos basados en datos históricos de la red; los cuales son procesados con herramientas computacionales para estimar el estado de la red e identificar las fugas en lÃnea. Estos modelos, junto con la tecnologÃa de inteligencia artificial, son hoy en dÃa una herramienta viable para localizar fugas. Para localizar las fugas, la inteligencia artificial tiene como metas especÃficas dos. Uno, desarrollar modelos computacionales que reconozcan patrones en condiciones de fuga de la red por sà solos, y la construcción de vigilantes virtuales con capacidad de interacción entre ellos, los cuales se implementan en los ejes del sistema de supervisión. Y estos vigilantes reciben en lÃnea datos de los sensores de la red hidráulica, envÃan datos a la nube y se comunican entre sà para estimar, tanto la posición, como la magnitud de la fuga. Con este objetivo en mente, el problema de diseño se plantea de la siguiente manera. Dado un conjunto de caracterÃsticas, mc, y un conjunto de fugas f; encontrar algoritmos capaces de distinguir en lÃnea el patrón asociado a la fuga ocurrida. Emulando una neurona biológica, la neurona artificial propuesta en los años 80 y llamada Perceptrón, es uno de los clasificadores más usados. El modelo básico de esa neurona artificial, es una función donde cada entrada a la neurona, es una caracterÃstica xi y con un peso y sinapsis respectivo. Todas las entradas se propagan hacia la función de activación para generar la respuesta de la neurona. Se le llama entrenamiento de la red neuronal a los ajustes de los pesos wi, y la función de activación, de acuerdo a la respuesta deseada de la red neuronal. Ahora, les muestro el desempeño de un vigilante de fugas diseñado para la red hidráulica de la ciudad de Módena en Italia. En este caso, antes de entrenar la red neuronal, se pre-procesaron los datos con un algoritmo de agrupamiento para zonificar la red hidráulica con un criterio de diagnóstico. Ese criterio fue muy importante para lograr éxito en la localización, o mejorar la localización. La parte superior de la imagen muestra la zonificación óptima para 5 y 25 grupos. La parte inferior de la imagen muestra la precisión de localizador en por ciento para 5, 10, 15 y 20 sensores. Se observa el alto porcentaje exitoso de la localización con menos de 10 zonas y 10 y 20 sensores, para 5 mediciones, que es la lÃnea azul de la gráfica inferior, se aprecia un deterioro en la precisión al aumentar el número de zonas. En conclusión, vi el entrenamiento de una red neuronal, es posible localizar fugas a pocos segundos de su ocurrencia, reduciendo pérdidas en la red hidráulica.
