AI-Driven Framework for Adaptive Water Network Management with Proof-of-Concept Implementation: Addressing Non-Revenue Water in Jordan

Resumen Técnico: Marco de Trabajo Impulsado por IA para la Gestión Adaptativa de Redes de Agua en Jordania

Planteamiento del Problema
Jordania enfrenta una crisis crítica de escasez de agua, caracterizada por recursos hídricos renovables de solo 90 metros cúbicos per cápita anuales. Un factor principal de esta ineficiencia es el Agua No Contabilizada (ANC), donde aproximadamente el 50% del agua producida se pierde por fugas, robos e inexactitudes en la medición. Los enfoques de gestión tradicionales en Jordania son reactivos, basándose en encuestas periódicas de detección de fugas y análisis manuales. Estos métodos no logran proporcionar un monitoreo continuo, permitiendo a menudo que las pérdidas regresen a sus niveles anteriores tras intervenciones temporales. Además, la distribución de agua en el país opera bajo esquemas de suministro intermitente (ciclos de 24 a 48 horas), lo que crea tensiones hidráulicas ("efecto martillo") que aceleran el deterioro de la infraestructura, complicando la detección de anomalías frente a las fluctuaciones operativas normales.

Metodología
El artículo propone un marco inteligente que integra cinco componentes principales para permitir el monitoreo continuo y la toma de decisiones adaptativa:

1. Adquisición de Datos: Utilización de sistemas SCADA, sensores de flujo/presión y dispositivos IoT para capturar datos de la red en tiempo real.
2. Infraestructura de Big Data: Una plataforma escalable para la transmisión, almacenamiento y análisis en tiempo real de datos de sensores de alto volumen.
3. Gemelo Digital y Modelado Hidráulico: Implementación de simulaciones basadas en la física utilizando EPANET (a través del kit de herramientas Python EPYT) para estimar los estados de la red y calibrar los modelos con datos en tiempo real.
4. Inteligencia de Agentes de IA: Un agente de Modelo de Lenguaje Extenso (LLM) que actúa como el núcleo de decisión. Emplea Generación Aumentada por Recuperación (RAG) para interpretar políticas operativas y llamadas a funciones (function calling) para ejecutar la lógica de control.
5. Sistemas de Control de Red: Mecanismos para transmitir comandos a actuadores (válvulas, bombas) basados en decisiones de la IA, con interbloqueos de seguridad y registro de eventos (logging).

El marco está diseñado para operar en fases, comenzando con el monitoreo y alertas, progresando hacia recomendaciones asistidas por IA y, finalmente, avanzando hacia el control autónomo a medida que la infraestructura se moderniza.

Implementación de la Prueba de Concepto (PoC)
Para validar la viabilidad técnica, los autores desarrollaron un sistema de PoC totalmente offline aplicado a un Distrito de Zona (DZ) representativo en Ammán, que contiene 1,164 uniones y 1,310 tuberías. La arquitectura del sistema consta de tres capas:

• Capa 1 (Simulación Hidráulica): EPYT ejecuta simulaciones hidráulicas y extrae datos de series temporales para presiones y flujos.
• Capa 2 (Procesamiento de Datos): Scripts de Python analizan los resultados de la simulación, calculan métricas estadísticas e identifican anomalías basadas en umbrales (por ejemplo, presión < 20m o > 60m, desviaciones de flujo > 1 L/s).
• Capa 3 (Análisis de IA): Un LLM offline (llama3.1:8b alojado vía Ollama) recibe datos estructurados en formato JSON que contienen los resultados de la simulación y el contexto operativo. Genera informes de salud en lenguaje natural y recomendaciones priorizadas sin depender de APIs en la nube.

Resultos Clave
La PoC demostró las siguientes capacidades técnicas:

• Simulación y Reporte Automatizados: El sistema ejecutó exitosamente simulaciones hidráulicas y generó informes de salud estructurados con tiempos de ejecución de extremo a extremo inferiores a 2 minutos (15–30 segundos para la generación del LLM).
• Detección de Anomalías en Suministro Intermitente: En un escenario de rotura simulado que involucraba una fuga de 30.1 L/s, el sistema identificó la anomalía no mediante caídas de presión en toda la zona (que se mantuvieron estables debido a la topología de bucle alimentada por gravedad), sino a través de la redistribución local de flujo. El sistema señaló 15 tuberías con desviaciones de flujo superiores a 1 L/s, convergiendo en un clúster de 15 uniones para localizar la rotura.
• Viabilidad Offline: El uso de modelos de código abierto alojados localmente eliminó los costos de API en la nube y los riesgos de exfiltración de datos, demostrando que el análisis complejo de redes puede realizarse con recursos computacionales modestos.
• Inteligencia Accionable: El LLM tradujo con éxito los hallazgos computacionales (por ejemplo, desviaciones de flujo, umbrales de presión) en orientación operativa accionable, como el aislamiento de zonas, el despacho de cuadrillas y la identificación de candidatos para Válvulas Reductoras de Presión (PRV).

Significancia y Reivindicaciones
El artículo afirma ofrecer una vía escalable y rentable para que las regiones con escasez de agua aprovechen la automatización inteligente para la reducción de la ANC. Sus principales contribuciones son:

1. Arquitectura de Integración: Una arquitectura de sistema novedosa que combina la simulación basada en EPANET, conceptos de gemelo digital y agentes de LLM específicamente adaptados para condiciones de suministro intermitente.
2. Viabilidad Offline: Una demostración de que el análisis de salud de la red y los reportes estructurados pueden lograrse sin dependencias de la nube, abordando las preocupaciones de privacidad y costo para las empresas de servicios públicos en entornos con recursos limitados.
3. Cambio en el Paradigma de Detección: Evidencia de que, para redes bien conectadas y alimentadas por gravedad, la detección debe cambiar de heurísticas de zonas de presión al análisis de anomalías de flujo local en las tuberías, lo cual el sistema validó con éxito.
4. Implementación por Fases: Una vía de despliegue realista que acomoda la actual limitación de automatización de Jordania, comenzando con el monitoreo y el soporte de decisiones antes de avanzar hacia el control autónomo.

Los autores mantienen una postura modesta, señalando que, si bien la PoC valida la integración técnica de la simulación y la IA, el control autónomo total requiere el desarrollo adicional de interbloqueos de seguridad, integración formal con SCADA y aprobación regulatoria. Actualmente, el sistema sirve como una herramienta de soporte de decisiones más que como un controlador totalmente autónomo.