El Estado, a través de la Dirección General del Agua (DGA) del Ministerio para la Transición Ecológica y el Reto Demográfico (MITECO), es titular de 375 presas, de las cuales aproximadamente el 84% están clasificadas según el riesgo potencial que pueda derivarse de su posible rotura o funcionamiento
incorrecto en las categorías A y B. La explotación de todas ellas la realizan directamente las Direcciones Técnicas de las nueve Confederaciones Hidrográficas y la Man-comunidad de los Canales del Taibilla, adscritas orgánicamente a la DGA.
Los medios humanos dedicados a la explotación de estas presas, algunas de ellas en fase de envejecimiento, son limitados. Además, la automatización en la toma de lecturas de auscultación todavía no está lo suficientemente generalizada. Ello plantea el reto de mejorar la seguridad de las presas de manera eficiente, optimizando la aplicación de los recursos disponibles.
La aplicación de algoritmos de Machine Learning (ML) en la auscultación de presas ofrece un enfoque innovador y eficaz potencialmente útil para mitigar riesgos y mejorar la seguridad. Estos algoritmos tienen la capacidad de analizar grandes volúmenes de datos, incluso en tiempo real, lo que posibilitaría la detección temprana de anomalías o comportamientos inusuales. Mediante el análisis continuo de las variables externas, como el nivel de agua, la temperatura o las precipitaciones, y las de comportamiento de la presa, como movimientos, filtraciones, presiones de agua, etc., los sistemas de IA podrían identificar patrones de comportamiento y encontrar las relaciones complejas
entre variables y, por lo tanto, proporcionar referencias ajustadas de los valores que sería esperable observar en los aparatos de auscultación. A partir de estos modelos de predicción se podrían calcular umbrales de aviso, o bandas de confianza, que dieran al explotador un criterio para identificar de
manera ágil comportamientos anómalos y así permitir la activación temprana de los mecanismos necesarios para la mitigación del riesgo.
La implementación de modelos eficientes de datos para detectar anomalías podría liberar al personal experto de tareas rutinarias y repetitivas, aumentando la eficiencia operativa, al permitir que centrasen su atención en la anomalía detectada, evaluando si resulta sintomática del inicio de una patología y aumentando la capacidad de respuesta ante potenciales situaciones críticas, al descargar recursos humanos altamente cualificados para abordar los desafíos más complejos y urgentes.
Asimismo, la posibilidad de comprobación de los registros de auscultación de manera automática mediante modelos de ML, permitiría una supervisión más exhaustiva y precisa de las presas, incrementando la capacidad de anticiparse a posibles problemas y de tomar medidas preventivas de manera proactiva.
Ante lo expuesto, la DGA, en el ejercicio de sus competencias y con el objetivo de conocer las posibilidades que ofrecen las técnicas de análisis de datos, basadas en inteligencia artificial, para la mejora en el conocimiento del comportamiento de estas infraestructuras hidráulicas, suscribió un convenio con la Fundación Agustín de Betancourt (FAB) en junio de 2023, cuya finalidad es la promoción de la investigación en la Escuela Técnica Superior de Ingenieros de Caminos, Canales y Puertos. Esta colaboración se ha instrumentado a través del grupo SERPA de Investigación en Seguridad de Presas y Aliviaderos de la ETSI de Caminos, Canales y Puertos de la Universidad Politécnica de Madrid (UPM), que desde el año 2008 desarrolla una línea de investigación orientada al empleo de modelos basados en Machine Learning para la evaluación del comportamiento de presas a través de sus datos de auscultación, y enfocado a la detección temprana de anomalías que puedan evidenciar potenciales problemas. En este convenio se están abordando una serie de trabajos, con una estrecha colaboración entre la DGA y la UPM-FAB, orientados a avanzar en la mejora del conocimiento en este campo, utilizando para ello las últimas metodologías y herramientas en materia de inteligencia artificial.
Los trabajos de investigación se plantearon de manera que se pudiesen abarcar diversas tipologías de presa y diferentes casuísticas para evaluar de una manera amplia los resultados que proporcionan estas metodologías. Para ello se confeccionó una muestra de siete presas de diferentes tipologías pertenecientes a siete Confederaciones Hidrográficas distintas, con distintas características en cuanto al grado de automatización de las lecturas y su registro, de cantidad de datos disponibles y de singularidad de la presa. Las distintas Confederaciones involucradas tendrán acceso a los resultados obtenidos en el resto de presas para poder evaluar las capacidades de estos métodos más allá de su presa en particular.
Para evaluar las posibilidades que ofrece la aplicación de técnicas de análisis de datos basadas en inteligencia artificial a los registros de auscultación de presas, se ha planteado una metodología adaptada a los métodos que se van a emplear.
El proceso se inicia con la ingesta de datos. Esta información se procesa y trata para obtener datos de calidad con los que alimentar los modelos. Se realiza un entrenamiento de los modelos durante el cual se establecen las relaciones entre variables explicativas y de comportamiento. Los resultados obtenidos con estos modelos se evalúan y se seleccionan los mejores modelos a partir de los cuales se desarrollan los criterios de evaluación de los registros de auscultación mediante bandas de confianza. Una vez establecidos estos criterios de evaluación, los modelos se alimentan con datos nuevos de sus variables causales, extrayendo como resultado el rango en el que sería esperable que
se situara la medida de cada variable. Se compara el valor de registro obtenido en la auscultación con el rango esperado y se categoriza la medida como normal o anómala, en cuyo caso, se lanzan los avisos correspondientes.
Para evaluar a más largo plazo la utilidad práctica de estas metodologías, éstas se emplearán durante un periodo de dos años en cada presa.
El texto de la presente noticia es un extracto de la comunicación a las XIII Jornadas Españolas de Presas “Detección temprana de comportamiento anómalo en presas mediante técnicas de inteligencia artificial” celebradas en Barcelona del 17 al 20 de junio de 2024
