⚡ electrical engineering

Performance Prediction and Optimal Rotational Speed Determination of a Variable-Speed Pump as Turbine Using Surrogate Modeling and SOPNN-DE

Este estudio presenta un marco de trabajo basado en datos y computacionalmente eficiente que combina Redes Neuronales Polinómicas Autoorganizadas y Evolución Diferencial para optimizar el control de Bomba como Turbina de velocidad variable, demostrando una ganancia de eficiencia del 13.22% y un periodo de recuperación de 1.23 años mediante la validación en el mundo real en la red de distribución de agua de Teherán.

Autores originales: Sama Mirmahdian, MEHDI FARTASH, MOJTABA tahani, Hadi Veisi

Publicado 2026-09-17

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sama Mirmahdian, MEHDI FARTASH, MOJTABA tahani, Hadi Veisi

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En las vastas y silenciosas arterias de una ciudad moderna, el agua fluye bajo presión para llegar a cada grifo, cada ducha y cada hidrante de incendios. Para mantener este flujo seguro y constante, los ingenieros deben gestionar la presión constantemente, utilizando a menudo válvulas para frenar el agua cuando se mueve demasiado rápido. Durante décadas, este proceso de frenado ha sido un simple acto de desperdicio: la energía excedente del agua que corre se convierte en calor y sonido, disipándose inofensivamente en el aire. Sin embargo, una revolución silenciosa en la forma en que gestionamos las redes de agua sugiere que esta energía desperdiciada podría, en cambio, capturarse y convertirse en electricidad. La clave de esta transformación reside en un dispositivo llamado bomba-como-turbina. Es una bomba de agua estándar, del tipo que se encuentra en sótanos y plantas industriales, pero que funciona a la inversa. En lugar de usar electricidad para empujar el agua, utiliza la fuerza del agua para hacer girar una turbina y generar energía. Aunque el concepto es sólido, la realidad de hacer que estas máquinas funcionen con eficiencia es complicada. Las redes de agua nunca están quietas; la demanda de agua cambia de hora en hora, lo que provoca que el flujo y la presión fluctúen salvajemente. Una máquina diseñada para funcionar a una velocidad única y fija suele tener dificultades para seguir estos cambios, perdiendo eficiencia y fallando en la captura de todo el potencial de la energía disponible.

Un equipo de investigadores de universidades de Irán se propuso resolver este problema enseñando a una bomba-como-turbina a adaptarse en tiempo real. Se centraron en una instalación específica en la red de distribución de agua de Teherán, un sistema que había estado operando durante años y que proporcionaba un rico historial de datos del mundo real. En lugar de depender de complejas simulaciones por computadora que tardan horas en ejecutarse o de experimentos nuevos y costosos, los investigadores recurrieron a un método que aprende directamente de la propia historia de la máquina. Recopilaron más de mil registros de cómo se comportaba la bomba bajo diferentes condiciones, anotando el caudal, la presión, la velocidad del motor giratorio y la cantidad de electricidad producida. Utilizando un tipo sofisticado de aprendizaje computacional conocido como red neuronal polinómica autoorganizada, construyeron un modelo matemático que podía predecir exactamente cómo se desempeñaría la máquina en cualquier situación dada. A diferencia de muchos modelos computacionales que actúan como "cajas negras", dando una respuesta sin explicar el cómo, este modelo produjo ecuaciones claras y legibles que describían la relación entre el flujo de agua y la velocidad de la máquina.

Con este modelo predictivo en mano, los investigadores plantearon entonces una pregunta simple pero poderosa: si el flujo de agua cambia, ¿cuál es la velocidad exacta a la que la bomba debe girar para obtener la mayor cantidad de electricidad posible? Utilizaron un algoritmo de optimización para buscar la velocidad perfecta para cada posible caudal, asegurándose al mismo tiempo de que la máquina siguiera proporcionando suficiente presión para las necesidades de la ciudad. Los resultados fueron sorprendentes. Descubrieron que la velocidad más eficiente no era un número fijo, sino un objetivo móvil que cambiaba suavemente a medida que el flujo de agua cambiaba. Cuando el flujo era bajo, la bomba necesitaba girar más lento; cuando el flujo era alto, necesitaba girar más rápido. Esta estrategia adaptativa permitió que la máquina se mantuviera en su "punto óptimo" de eficiencia con mucha más frecuencia de lo que podría hacerlo una máquina de velocidad constante. De hecho, bajo condiciones de bajo flujo, la nueva estrategia mejoró la eficiencia de la máquina en más de un trece por ciento en comparación con el funcionamiento a una velocidad constante. Los investigadores también descubrieron que la relación entre el flujo de agua y la velocidad ideal era notablemente consistente, siguiendo una línea casi recta que se alineaba con las leyes fundamentales de la mecánica de fluidos, confirmando que su enfoque basado en datos había redescubierto una verdad física.

El estudio fue más allá de solo encontrar la velocidad adecuada; probó qué tan confiable sería este consejo en el mundo real, donde los sensores no son perfectos y las mediciones pueden ser ligeramente erróneas. Simularon errores en las mediciones de flujo para ver si la velocidad recomendada saltaría erráticamente o se mantendría estable. El análisis mostró que el sistema era robusto, pero también destacó una dependencia crítica: la precisión de la medición del flujo. Si el sensor que mide el flujo de agua se desviara incluso una pequeña cantidad, la velocidad recomendada cambiaría en consecuencia. Este hallazgo sugiere que, para que esta tecnología funcione perfectamente, la inversión más importante no es en el software complejo, sino en asegurar que los medidores de flujo sean precisos. Los investigadores también derivaron una fórmula simple y directa de sus complejos resultados de optimización. Esta fórmula actúa como una guía de referencia rápida, permitiendo que un sistema de control calcule instantáneamente la velocidad ideal basándose en el flujo actual, sin necesidad de ejecutar un cálculo lento y complejo cada vez que el nivel de agua cambia. Esto hace posible la instalación del sistema en los controladores industriales estándar que se encuentran hoy en día en las plantas de tratamiento de agua.

Finalmente, el equipo analizó la realidad económica de poner esta idea en práctica. Utilizando los patrones de flujo reales de la estación de Teherán durante un año completo, calcularon cuánta electricidad adicional se podría generar cambiando de una velocidad fija a esta nueva velocidad adaptativa. Las cifras eran convincentes. La estrategia adaptativa generaría 18,133 kilovatios-hora adicionales de electricidad cada año, suficiente para alimentar un pequeño número de hogares de forma continua. A los precios actuales de la electricidad, esto se traduce en unos ingresos adicionales de más de 1,600 euros anuales. El costo de actualizar el sistema existente con el software y el hardware de control necesarios se estimó en solo 2,000 euros. Esto significa que la inversión se pagaría por sí sola en poco más de un año, un plazo excepcionalmente rápido para proyectos de energía. En una década, el proyecto generaría más de 10,000 euros de beneficio neto. El estudio concluye que, al usar los datos para enseñar trucos nuevos a máquinas viejas, las empresas de servicios públicos de agua pueden convertir un desperdicio necesario de energía en una fuente de potencia fiable y rentable, todo ello manteniendo el flujo de agua de manera fluida hacia las personas que lo necesitan.

Resumen Técnico: Predicción del Rendimiento y Determinación de la Velocidad de Rotación Óptima de una Bomba-Turbina de Velocidad Variable mediante Modelado Sustituto y SOPNN-DE

Planteamiento del Problema
Las Bombas-Turbina (PAT, por sus siglas en inglés) de velocidad variable ofrecen un potencial significativo para la recuperación de energía en redes de distribución de agua (WDN) al convertir el exceso de carga hidráulica en energía eléctrica. Sin embargo, su operación efectiva se ve obstaculizada por la falta de datos de rendimiento bajo condiciones de turbina, ya que los fabricantes suelen proporcionar curvas únicamente para el modo bomba. Aunque existen correlaciones empíricas y Dinámica de Fluidos Computacional (CFD), estas sufren de una generalizabilidad limitada, altos costos computacionales o una incapacidad para proporcionar orientación operativa en tiempo real. Además, los modelos existentes basados en datos suelen funcionar como "cajas negras", fallando en proporcionar relaciones analíticas explícitas necesarias para la implementación de un control directo. También existe una brecha en la traducción de los resultados de optimización hacia recomendaciones de velocidad simples e implementables, así como una falta de análisis de robustez respecto a las incertidumbres de entrada, particularmente los errores de medición del caudal.

Metodología
El estudio propone un marco integrado basado en datos que combina Redes Neuronales Polinómicas Autoorganizadas (SOPNN) con el algoritmo de Evolución Diferencial (DE). La metodología se fundamenta en 1,059 registros de datos de campo de largo plazo recolectados de una instalación de PAT operativa en la red de distribución de agua de Teherán.

Preprocesamiento de Datos: Las variables operativas (caudal, carga, potencia, velocidad) se normalizaron frente a los valores del Punto de Máxima Eficiencia (BEP) para crear variables adimensionales ( $Q^*$ , $H^*$ , $P^*$ , $N^*$ ), mejorando la generalizabilidad del modelo en sistemas geométricamente similares.
Modelado Sustituto (SOPNN): Se desarrollaron tres modelos SOPNN independientes para predecir la carga adimensional, la potencia y la eficiencia directamente como funciones del caudal adimensional y la velocidad de rotación. A diferencia de los enfoques tradicionales que calculan la eficiencia de forma indirecta, este estudio modeló la eficiencia de manera explícita para evitar la propagación de errores. El algoritmo SOPNN determinó automáticamente la arquitectura de red óptima, resultando en ecuaciones polinómicas de segundo orden explícitas.
Optimización (DE): Se empleó un algoritmo de Evolución Diferencial restringido para determinar la velocidad de rotación óptima ( $N^*_{opt}$ ) para cualquier caudal dado. El objetivo fue maximizar la eficiencia cumpliendo con las restricciones de carga mínima ( $H^* \geq 0.85$ ) y potencia mínima ( $P^* \geq 0.3$ ).
Relación Analítica de Velocidad: Para facilitar la implementación en tiempo real, se entrenó un modelo SOPNN secundario basado en los resultados de optimización para derivar una ecuación analítica explícita que mapea las condiciones de operación directamente a la velocidad óptima, eliminando la necesidad de una optimización iterativa durante la operación.
Análisis de Sensibilidad y de Incertidumbre: Se realizó un análisis exhaustivo que incluyó la evaluación de gradientes locales, sensibilidad paramétrica global, perturbación de restricciones y simulaciones de Monte Carlo para evaluar la robustez de las recomendaciones de velocidad frente a imprecisiones de medición.

Contribuciones Clave
El artículo identifica cinco novedades principales:

Validación en el Mundo Real: Los modelos fueron desarrollados y validados utilizando extensos datos de campo de largo plazo de una WDN real, capturando la variabilidad hidráulica y el ruido real, en lugar de depender de datos limitados de laboratorio o sintéticos.
Modelado Directo de la Eficiencia: La eficiencia de la turbina se modeló directamente como una función explícita de las variables operativas, reduciendo los errores de predicción en cascada asociados con las estimaciones intermedias de carga y potencia.
Optimización Restringida: El marco integra los sustitutos SOPNN con DE para identificar velocidades óptimas bajo condiciones hidráulicas variables, adhiriéndose estrictamente a las restricciones de carga y potencia mínimas.
Ley de Control Analítica Explícita: El estudio deriva una relación analítica de baja complejidad para la velocidad de rotación recomendada como una función directa del caudal adimensional y la eficiencia, permitiendo la generación rápida de puntos de consigna aptos para la integración en PLC/VFD.
Análisis de Robustez Integral: Un análisis de sensibilidad e incertidumbre multinivel cuantifica la fiabilidad de la estrategia, identificando la precisión de la medición del caudal como el factor dominante que influye en la fiabilidad de la recomendación.

Resultos

Predicción de Rendimiento: Los modelos SOPNN reconstruyeron con éxito el diagrama de rendimiento (hill chart) de la PAT, capturando la migración no lineal de la cresta del Punto de Máxima Eficiencia (BEP). Los modelos alcanzaron una alta precisión con ecuaciones polinómicas explícitas.
Resultados de Optimización: Se encontró que la velocidad de rotación óptima varía continuamente con el caudal, exhibiendo una pendiente normalizada casi constante de 0.975, consistente con las leyes de afinidad clásicas de las bombas. La estrategia de velocidad variable logró mejoras de eficiencia de hasta un 13.22% en comparación con la operación de velocidad fija, particularmente bajo condiciones fuera de diseño de bajo caudal.
Hallazgos de Sensibilidad: El análisis de sensibilidad global reveló que el caudal es el factor dominante que influye en las variaciones de eficiencia ( $S_Q \approx 0.72$ frente a $S_N \approx 0.47$ ). Las simulaciones de Monte Carlo confirmaron que la incertidumbre en la medición del caudal es la principal fuente de varianza en la velocidad recomendada, mientras que la incertidumbre intrínseca del modelo SOPNN tuvo un impacto menor.
Viabilidad Económica: Basado en el perfil hidráulico anual real, la estrategia de control óptima genera una ganancia de potencia promedio de 2.07 kW y una generación de energía anual adicional de 18,133 kWh. Esto corresponde a unos ingresos anuales de €1,632 (con una tarifa de €0.09/kWh). El periodo estimado de recuperación de la inversión simple es de 1.23 años, con un Valor Presente Neto (VPN) a 10 años superior a los €10,000.

Significancia y Reivindicaciones
El artículo afirma que el marco SOPNN–DE proporciona una herramienta de apoyo a la decisión computacionalmente eficiente, interpretable y económicamente atractiva. Al cerrar la brecha entre la optimización compleja y la implementación práctica, el marco permite recomendaciones de velocidad de PAT en tiempo real sin la carga computacional de una optimización iterativa repetida. El estudio sostiene que este enfoque es particularmente valioso para futuros sistemas inteligentes de distribución de agua donde se requiere una recuperación de energía adaptativa bajo condiciones hidráulicas en continuo cambio. Los autores enfatizan que la relación analítica de velocidad derivada permite la integración directa en sistemas de control industrial (por ejemplo, SCADA, PLC), ofreciendo una vía práctica para modernizar las instalaciones de PAT existentes para maximizar la recuperación de energía. El análisis económico respalda aún más la viabilidad del marco, demostrando un rápido retorno de la inversión y una fuerte rentabilidad para las empresas de servicios de agua.

Más como este