Artificial Intelligence and Data-Driven Leakage Management for Sustainable and Resilient Water Distribution Systems: A Critical Review

El agua es la savia de una ciudad moderna, fluyendo a través de una vasta y oculta red de tuberías que la lleva a hogares, escuelas y negocios. Sin embargo, este sistema está constantemente bajo el asedio de un ladrón silencioso: las fugas. Cuando las tuberías se agrietan o las juntas fallan, el agua tratada se escapa hacia el suelo antes de llegar siquiera a un grifo. Esta pérdida no es solo una cuestión de desperdicio de agua; representa un enorme drenaje de la energía utilizada para bombear y tratar ese fluido, aumenta el costo del servicio y puede debilitar la integridad estructural de toda la red. Durante décadas, encontrar estas fugas ha sido un juego de azar difícil, que a menudo dependía de trabajadores recorriendo las calles escuchando sonidos de siseo o esperando a que una tubería estallara por completo. El desafío es que las fugas pueden ser diminutas, estar enterradas a gran profundidad y sus señales pueden ser fácilmente ahogadas por el ruido normal del uso diario del agua.

En respuesta a este problema persistente, ha surgido una nueva ola de tecnología que promete convertir la red de agua en un sistema inteligente y autoconsciente. Este enfoque se basa en la inteligencia artificial y en modelos basados en datos para escuchar las tuberías, analizar patrones y señalar exactamente dónde se está escapando el agua. Los investigadores están enseñando ahora a las computadoras a reconocer las huellas dactilares sutiles de una fuga, ya sea una rotura repentina o un goteo lento y constante. Sin embargo, a medida que estas tecnologías avanzan, queda una pregunta crítica: ¿realmente se sostienen los sofisticados algoritmos que funcionan perfectamente en las simulaciones por computadora cuando se enfrentan a la realidad desordenada y ruidosa de una ciudad real?

Una revisión exhaustiva realizada por investigadores de la Universidad de Ottawa y el Consejo Nacional de Investigación de Canadá se propone responder a esta pregunta. El equipo no construyó una máquina nueva ni probó un sensor nuevo. En su lugar, actuaron como investigadores de la propia investigación, recopilando y analizando docenas de estudios publicados entre 2010 y 2026. Su objetivo era mapear todo el panorama de cómo se está utilizando la inteligencia artificial para gestionar las fugas de agua, para ver qué métodos funcionan mejor e identificar dónde el campo todavía se queda corto. Examinaron desde simples herramientas estadísticas que buscan cambios inusuales en el flujo de agua hasta complejas redes neuronales que imitan el cerebro humano para procesar datos de sonido y vibración.

La revisión revela que no existe un único algoritmo "bala de plata" que resuelva todos los problemas de fuga. La efectividad de un modelo computacional depende enteramente del contexto en el que se utilice. Por ejemplo, un método que destaca en la detección de una rotura de tubería repentina y ruidosa mediante sensores de presión podría fallar por completo al intentar encontrar una fuga lenta y silenciosa utilizando sensores acústicos. Los investigadores descubrieron que, si bien muchos estudios reportan tasas de éxito increíblemente altas, estos números suelen provenir de entornos controlados. En las simulaciones por computadora, donde los datos son limpias y las reglas son perfectas, los algoritmos pueden lograr una precisión casi perfecta. Pero cuando estos mismos modelos se prueban contra datos del mundo real de redes de agua reales, su rendimiento suele caer. El mundo real introduce variables que las simulaciones luchan por capturar: los materiales variables de las tuberías, el ruido de fondo del tráfico y la construcción, y los cambios impredecibles en la cantidad de agua que la gente usa en diferentes momentos del día.

Uno de los hallazgos más significativos de la revisión es la brecha entre el laboratorio y el campo. Muchos de los estudios más prometedores dependen de datos generados por modelos computacionales de redes de agua, como el ampliamente utilizado software EPANET. Si bien estas simulaciones son valiosas para probar ideas, no pueden replicar completamente la complejidad de una ciudad real. Los investigadores señalaron que los estudios que utilizan datos del mundo real, como grabaciones de sensores acústicos reales en ciudades como Hong Kong o Singapur, tienden a mostrar resultados más modestos pero más fiables. Estas pruebas del mundo real revelan que el ruido y la ubicación de los sensores son factores críticos; un modelo puede funcionar bien en un vecindario pero fallar en otro simplemente porque el suelo o el material de la tubería cambian la forma en que viaja el sonido.

La revisión también destaca un cambio creciente en la forma en que los investigadores abordan el problema. Los esfuerzos iniciales se centraban en la detección simple: diferenciar entre una fuga y la ausencia de una fuga. Hoy en día, el enfoque se está expandiendo para incluir la localización precisa, lo que significa encontrar la tubería o sección exacta donde está ocurriendo la fuga, y la estimación de la gravedad, que determina qué tan grande es la fuga. Están surgiendo técnicas más nuevas, como el uso de "gemelos digitales", que son réplicas virtuales de la red de agua física que se actualizan en tiempo real con los datos de los sensores. Estos gemelos permiten a los ingenieros probar escenarios y predecir dónde podrían ocurrir las fugas antes de que sucedan. También hay un aumento en los enfoques híbridos que combinan las leyes de la física con el aprendizaje automático, asegurando que las predicciones de la computadora tengan sentido de acuerdo con el comportamiento conocido del flujo de agua.

A pesar de estos avances, los investigadores identificaron varias brechas persistentes que impiden que estas tecnologías sean ampliamente adoptadas por las empresas de servicios públicos de agua. Un problema importante es la falta de pruebas estandarizadas. Debido a que cada estudio utiliza diferentes datos, diferentes sensores y diferentes formas de medir el éxito, es difícil comparar un método con otro. Además, muchos estudios no informan con suficiente detalle sobre cómo prepararon sus datos o ajustaron sus modelos, lo que dificulta que otros científicos repitan el trabajo. Otro desafío crítico es el problema del "desequilibrio de clases": en una red de agua típica, las fugas son eventos raros en comparación con el flujo de agua normal. Esto significa que una computadora podría ser entrenada para simplemente adivinar "no hay fuga" en cada ocasión y aun así parecer tener un 99% de precisión, mientras pierde cada una de las fugas reales. La revisión argumenta que el éxito debe medirse por qué tan bien un sistema encuentra las fugas raras y cuántas falsas alarmas genera, en lugar de por una simple puntuación de precisión general.

Los autores también miran hacia el futuro, señalando el potencial de la inteligencia artificial generativa y los modelos de lenguaje extensos para ayudar a los operadores a tomar decisiones. Estas herramientas podrían actuar como asistentes inteligentes, reuniendo datos de sensores, registros históricos y registros de mantenimiento para sugerir el mejor curso de acción. Sin embargo, la revisión advierte que estos sistemas avanzados deben usarse con cuidado. A diferencia de un detector simple que solo suena una alarma, un sistema de toma de decisiones debe estar basado en la realidad física para evitar "alucinar" problemas que no existen o sugerir acciones que podrían dañar la red. El objetivo final no es solo construir algoritmos más inteligentes, sino crear un sistema confiable en el que las empresas de servicios públicos puedan confiar para ahorrar agua, reducir los costos de energía y mantener la infraestructura resiliente.

Al final, la revisión concluye que, si bien la inteligencia artificial ofrece nuevas y poderosas herramientas para gestionar las fugas de agua, la tecnología aún no es un producto terminado. El camino a seguir requiere un alejamiento de los experimentos aislados en entornos simulados y un movimiento hacia pruebas rigurosas en ciudades reales. Exige un enfoque en la transparencia, donde los investigadores informen claramente cómo sus modelos se desempeñan bajo condiciones difíciles y cómo manejan el ruido inevitable del mundo real. Al conectar estos métodos analíticos avanzados con las necesidades prácticas de las empresas de servicios públicos de agua, el campo puede avanzar hacia un futuro donde los sistemas de distribución de agua no solo sean eficientes, sino también verdaderamente sostenibles y resilientes. La tecnología está lista para aprender, pero debe ser enseñada con el mismo cuidado y realismo que los ingenieros aplican a las propias tuberías físicas.