📄 ciencias de la Tierra

Joint water-supply and hydropower management in a capacity-depleted multipurpose reservoir: the two-input AD-2I–WE model for Akhangaran

Este estudio introduce un marco de decisión adaptativo de dos entradas (AD-2I–WE) para el embalse de Akhangaran en Uzbekistán, el cual presenta una sedimentación elevada, demostrando que la integración de los niveles de almacenamiento actuales con las órdenes de riego anuales puede mejorar simultáneamente la fiabilidad de la seguridad hídrica en un 6,3 % e incrementar la generación hidroeléctrica en un 33,9 % en comparación con las operaciones observadas.

Autores originales: Khojiakbar Khasanov

Publicado 2026-10-14

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Khojiakbar Khasanov

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

Los embalses son los grandes tanques de almacenamiento de la civilización, reteniendo el flujo estacional de los ríos montañosos para liberar agua lentamente cuando los campos están secos y las ciudades tienen sed. Pero estos tanques tienen un enemigo oculto: el limo. A lo largo de las décadas, la arena y el lodo transportados por el río se asientan en el fondo, llenando lentamente el tanque desde el suelo hacia arriba. Este proceso, conocido como sedimentación, hace más que simplemente reducir la cantidad total de agua que un embalse puede contener; cambia las reglas mismas de cómo se gestiona esa agua. Un nivel de agua que antes significaba un tanque lleno podría significar ahora uno casi vacío, y el momento en que se libera el agua se convierte en un delicado acto de equilibrio entre mantener vivos los cultivos y generar electricidad. En Asia Central, donde el deshielo de la nieve alimenta los ríos en la primavera pero los agricultores necesitan agua principalmente en el cálido verano, este equilibrio es crítico. Si la capacidad de almacenamiento se reduce, la capacidad de trasladar el agua de la estación húmeda a la estación seca disminuye, amenazando tanto la seguridad alimentaria como la generación de energía.

Investigadores de la Universidad de Investigación Nacional TIIAME en Uzbekistán han abordado este problema en el embalse de Akhangaran, una instalación vital cerca de Tashkent que suministra agua para riego y energía hidroeléctrica. Combinando décadas de estudios submarinos con registros diarios de niveles de agua y generación de energía, desarrollaron una nueva forma de gestionar el embalse que se adapta a su tamaño decreciente. El estudio revela que el embalse ha perdido una parte significativa de su capacidad desde la década de 1970, obligando a los operadores a repensar cómo mueven el agua a través de las estaciones. El equipo creó un modelo de toma de decisiones flexible que utiliza dos entradas principales: la cantidad actual de agua en el tanque y el pedido anual de cuánta agua necesitan los agricultores. Este enfoque permite que el sistema priorice primero la seguridad y la entrega de agua, y luego encuentre formas de generar más electricidad sin comprometer el suministro de agua.

La historia del embalse de Akhangaran muestra una tendencia clara y preocupante. Entre 1972 y 2022, el volumen total de agua que el embalse podía contener a su nivel normal cayó de 197,7 millones de metros cúbicos a 169,4 millones de metros cúbicos. Esa es una pérdida de 28,3 millones de metros cúbicos, o aproximadamente el 14 por ciento de su capacidad original. La tasa de esta pérdida se ha acelerado en años recientes, con casi dos tercios de la pérdida total ocurriendo entre 2006 y 2022. Esta reducción significa que el colchón físico disponible para almacenar el deshielo de la primavera para su uso durante los meses secos de verano se ha reducido significativamente. Cuando los investigadores analizaron cómo se estaba operando realmente el embalse entre 2020 y 2025, encontraron que las reglas existentes, que se basaban en las dimensiones más antiguas y grandes del embalse, ya no funcionaban de manera efectiva. Bajo el enfoque anterior, el sistema no logró satisfacer las demandas de agua en casi el 30 por ciento de los períodos de tiempo medidos, siendo las peores escaseces durante julio, agosto y septiembre, cuando las necesidades de riego son más altas.

Para entender cómo solucionar esto, los investigadores probaron tres estrategias de gestión diferentes. La primera fue simplemente observar cómo se gestionaba el embalse actualmente para ver dónde fallaba. La segunda fue un enfoque rígido que intentaba garantizar una cantidad específica de agua permaneciera en el tanque al final de cada año, independientemente de lo que sucediera durante el verano. La tercera fue su nuevo modelo adaptativo, que establecía un piso de seguridad estricto para asegurar que el embalse nunca bajara a un nivel peligrosamente bajo durante el año, mientras también ajustaba cuánta agua se liberaba basándose en la situación actual. El objetivo rígido de fin de año falló porque obligaba al embalse a retener demasiada agua al principio, causando escasez durante los meses críticos de verano. El nuevo modelo adaptativo, sin embargo, tuvo éxito en mantener un margen de seguridad de 15 millones de metros cúbicos en el tanque en todo momento. Al hacer esto, mejoró la confiabilidad de la entrega de agua en aproximadamente un 6 por ciento y redujo la cantidad total de déficit de agua en aproximadamente un 21 por ciento en comparación con las operaciones actuales.

Un hallazgo clave del estudio es que gestionar el tiempo de las liberaciones de agua puede aumentar significativamente la producción de electricidad sin utilizar agua adicional. La energía hidroeléctrica depende no solo del volumen de agua que fluye a través de las turbinas, sino también de la altura del agua sobre ellas; el agua liberada desde un nivel más alto genera más energía. Los investigadores descubrieron que al desplazar la liberación de agua a momentos en que el embalse estaba más lleno y la presión del agua era mayor, podían aumentar la generación de energía anual en casi un 3 de 34 por ciento en comparación con un programa estándar. Este aumento provino enteramente de una mejor programación, no de consumir más agua o de reducir la seguridad del suministro de agua. Incluso con estas mejoras, el modelo produjo menos energía de lo que se observó realmente en años recientes, lo que sugiere que las operaciones en el mundo real podrían estar aprovechando condiciones que son difíciles de predecir o que los límites físicos de las turbinas se están llevando al límite de formas que el modelo no captura completamente.

El estudio también destacó una limitación estructural que ningún tipo de mejor gestión puede resolver. En 2022, un año con una entrada de agua inusualmente alta, el embalse se vio obligado a verter más de 63 millones de metros cúbicos de agua. Este vertido ocurrió incluso cuando el modelo tenía un conocimiento perfecto del clima y los niveles de agua por adelantado. La causa fue una combinación de la capacidad de almacenamiento reducida del embalse y el límite físico de las turbinas, que solo pueden pasar una cierta cantidad de agua por segundo. Cuando el agua entró más rápido de lo que las turbinas podían manejar y el tanque ya estaba lleno, el exceso tuvo que ser liberado. Este hallazgo apunta a una restricción de infraestructura dura: el equipo actual no puede manejar el flujo completo de los años húmedos, lo que provoca un desperdicio de agua que de otro modo podría usarse para energía o almacenarse para después.

Los investigadores también probaron cómo respondería el sistema si la demanda de agua para riego aumentara. Encontraron que pedir más agua no resultó en significativamente más electricidad. A medida que el pedido de irrigación se elevó de 280 millones de metros cúbicos a 350 millones de metros cúbicos, la cantidad de energía generada se mantuvo casi exactamente igual, mientras que la cantidad de demanda de agua no satisfecha creció drásticamente. Esto indica que simplemente demandar más agua no hace que el sistema sea más eficiente; en cambio, crea una brecha mayor entre lo que se necesita y lo que se puede entregar. El estudio concluye que el camino más efectivo hacia adelante es tratar el pedido de irrigación como un objetivo flexible que puede ajustarse según el agua realmente disponible, en lugar de una promesa fija que debe cumplirse a toda costa.

En última instancia, este trabajo demuestra que en un embalse que ha perdido una parte significativa de su capacidad, las viejas reglas ya no se aplican. La solución no es intentar forzar al sistema a comportarse como si todavía estuviera lleno, sino adaptar la estrategia de gestión a la nueva realidad. Al utilizar un modelo que verifica constantemente el nivel de agua actual y las necesidades específicas de la temporada, los operadores pueden proteger el suministro de agua, evitar niveles bajos peligrosos y aún encontrar oportunidades para generar más energía. El estudio proporciona una hoja de ruta clara sobre cómo gestionar un recurso que se encoge, mostrando que, con el enfoque adecuado, es posible mantener la seguridad para los agricultores y las redes eléctricas incluso mientras el paisaje físico cambia debajo de ellos. Los hallazgos sugieren que el siguiente paso para el embalse de Akhangaran es actualizar sus reglas operativas para reflejar su tamaño actual y considerar la actualización de las turbinas para manejar los altos flujos que actualmente causan tales grandes vertidos.

Resumen Técnico: Gestión Conjunta de Suministro de Agua e Hidroelectricidad en un Embalse Multiproposito con Capacidad Depletada

Planteamiento del Problema
El Embalse de Akhangaran en Uzbekistán, una instalación multipropósito que sirve para riego, suministro municipal y energía hidroeléctrica, enfrenta un desafío operativo crítico debido a la sedimentación. Entre 1972 y 2022, la capacidad de almacenamiento del embalse al nivel de la lámina normal (1070.5 m) disminuyó en 28.3 millones de m³ (14.3%), cayendo de 197.7 a 169.4 millones de m³. Esta pérdida de capacidad altera la relación geométrica entre los niveles de agua y el volumen, invalidando las curvas de regla heredadas (basadas en la morfometría de 2006) y volviéndolas operativamente engañosas. El problema central no es meramente una reducción del volumen total, sino una degradación de la capacidad de transferencia estacional (carryover capacity): la habilidad de transferir el flujo de primavera para satisfacer los picos de riego de finales de verano. Además, el estudio aborda el complejo compromiso entre la seguridad hídrica y la generación hidroeléctrica, donde el tiempo óptimo de liberación para la energía (maximizar la carga hidráulica) puede entrar en conflicto con la confiabilidad del suministro de agua, particularmente bajo un almacenamiento reducido y restricciones fijas de turbinas.

Metodología
El estudio desarrolla y evalúa retrospectivamente el modelo AD-2I–WE (Decisión Adaptativa con Dos Entradas para Agua y Energía). La metodología integra:

Integración de Datos: Levantamientos batimétricos repetidos (1972–2022), un registro operativo de 2,192 días (2020–2025), archivos de entrada-salida controlados por calidad (1988–2023) y datos diarios de generación hidroeléctrica.
Marco de Dos Entradas: El modelo es impulsado por dos entradas explícitas controladas por el operador: el almacenamiento actual del embalse ( $V_t$ ) y la orden anual de riego ( $D_{irr}$ ), restringido a un corredor de 280–350 millones de m³.
Optimización Lexicográfica: El modelo emplea un objetivo jerárquico de tres etapas para evitar compromisos implícitos entre la seguridad y la energía:
- Etapa 1: Minimizar el déficit total de agua.
- Etapa 2: Maximizar el almacenamiento terminal (sujeto a la optimalidad de la Etapa 1).
- Etapa 3: Maximizar la energía hidroeléctrica (sujeto a la optimalidad de las Etapas 1 y 2).
Lógica Operativa: El algoritmo utiliza una Relación de Cobertura de Agua (WCR) para clasificar los regímenes operativos (R1–R5) basándose en la relación entre el agua segura pronosticada y la demanda de riego restante. Incorpora un piso de seguridad intraanual estricto ( $V_{safe} = 15$ millones de m³) para evitar que el embalse alcance el volumen muerto.
Modelado de Energía: Una regresión lineal empírica vincula el volumen de almacenamiento con la carga hidráulica ( $H$ ), limitada por límites físicos (27–70 m). Los cálculos de energía consideran un tope de generador de 21 MW y un límite de flujo de turbina de 42 m³/s.

Contribuciones Clave

Integración de la Sedimentación en las Operaciones: El estudio va más allá del análisis morfométrico estático al integrar la batimetría repetida con datos operativos diarios para demostrar cómo la pérdida de capacidad degrada específicamente la "función de transferencia" del agua de primavera hacia la demanda de verano.
Marco de Decisión Adaptativa (AD-2I): A diferencia de la optimización tradicional de curvas de regla o las reglas de cobertura (hedging rules) que pueden reducir implícitamente la demanda a cero para lograr una alta confiabilidad, este modelo mantiene niveles de demanda distintos (mínimo protegido, orden base, máximo condicional) mientras reporta explícitamente los déficits.
Sinergia Agua-Energía mediante el Reajuste Temporal (Retiming): El estudio demuestra que la energía puede incrementarse significamente no consumiendo más agua, sino reajustando el tiempo de las liberaciones a periodos de mayor carga hidráulica sin comprometer la seguridad hídrica.
Identificación de Restricciones Estructurales: El modelo identifica "vertidos estructurales" (vertidos que ocurren incluso con información perfecta) causados por la intersección de la reducción de la capacidad de almacenamiento y los límites fijos de transporte de las turbinas.

Resultados

Impacto de la Pérdida de Capacidad: La pérdida de capacidad del 14.3% ha estrechado el margen de maniobra para la transferencia estacional de agua. Bajo el régimen observado (W0), la confiabilidad volumétrica fue del 69.72% con un déficit anual medio de 240.08 millones de m³, de los cuales el 68.3% ocurrió entre julio y septiembre.
Comparación de Referencia (Benchmarks):
- W0 (Observado): 69.72% de confiabilidad, 240.08 millones de m³ de déficit.
- W1 (Almacenamiento Terminal Fijo): Mejoró la confiabilidad basada en el tiempo, pero causó que el embalse alcanzara el volumen muerto un promedio de 9.7 décadas por año, demostrando que un objetivo terminal por sí solo es insuficiente para la seguridad intraanual.
- W2 (AD-2I Adaptativo): Con un piso de seguridad de 15 millones de m³, la confiabilidad aumentó al 76.05% y el déficit se redujo en un 20.9% (50.20 millones de m³/año) en comparación con W0, manteniendo el piso de seguridad en cada año.
Sensibilidad del Corredor de Riego: Aumentar la orden de riego de 280 a 350 millones de m³ incrementó el déficit en un 35.5%, pero solo produjo un aumento marginal en el agua entregada (12.35 millones de m³), lo que indica que las órdenes nominales más altas no se traducen en entregas proporcionales bajo las restricciones actuales de capacidad.
Ganancias Hidroeléctricas: Al optimizar el tiempo de liberación (AD-2I–WE), la generación de energía anual aumentó de 41.18 GWh (post-procesamiento del esquema de prioridad de agua) a 55.16 GWh (+33.9%) sin degradar la seguridad hídrica.
Vertido Estructural: En el año húmedo 2022, ocurrió un vertido forzado de 63.08 millones de m³ a pesar de contar con información perfecta, revelando una limitación estructural impuesta por la capacidad de la turbina de 42 m³/s y la reducción del almacenamiento.
Modelo vs. Observación: La energía modelada (55.16 GWh/año) se mantuvo un 22.0% por debajo de la generación observada en 2022–2024 (77.51 GWh/año). El autor atribuye esto a que el modelo prioriza estrictamente la seguridad hídrica y los márgenes de seguridad, mientras que las operaciones observadas pudieron haber aceptado mayores riesgos o utilizado flexibilidad operativa no modelada.

Significancia y Reivindicaciones
El artículo sostiene que la operación adaptativa de dos entradas puede mejorar conjuntamente la seguridad hídrica y el valor hidroeléctrico en embalses con capacidad depletada. Argumenta que la sedimentación no es solo un problema batimétrico, sino una crisis de confiabilidad operativa donde las reglas heredadas basadas en niveles ya no corresponden a volúmenes seguros.

El estudio posiciona modestamente sus resultados como un benchmark retrospectivo de información perfecta en lugar de un pronóstico en tiempo real. Establece explícitamente que el modelo AD-2I–WE no maximiza todos los objetivos simultáneamente, sino que prioriza la seguridad del agua primero, y luego maximiza la energía dentro de la libertad operativa restante. La brecha del 22% entre la energía modelada y la observada se presenta no como un fallo del modelo, sino como evidencia de que el modelo evita con éxito los riesgos asumidos por las operaciones observadas.

El autor concluye que el colchón de seguridad de 15 millones de m³ y el corredor de riego de 280–350 millones de m³ representan un punto operativo práctico dentro de la compensación entre seguridad hídrica y disponibilidad, más que un óptimo formal. Enfatiza que el vertido de 63.08 millones de m³ en 2022 señala la necesidad de evaluaciones tecno-económicas para la modernización de la infraestructura (por ejemplo, mejoras en las turbinas) en lugar de solo cambios operativos. Finalmente, el artículo afirma que la arquitectura del modelo es transferible, aunque los parámetros específicos (curvas H-V, demanda, restricciones) deben localizarse para cada instalación.

Más como este