Resumen Técnico: Un Marco de Redes Neuronales Informadas por la Física con Guía Visual para la Optimización en Tiempo Real de la Dosis de Coagulante en Plantas de Tratamiento de Agua

1. Planteamiento del Problema

La coagulación es un proceso unitario crítico en el tratamiento del agua para reducir la turbidez y el color, sin embargo, la optimización de la dosis de coagulante sigue siendo un desafío debido a las complejas e interacciones fisicoquímicas no lineales involucradas. Las estrategias de control convencionales dependen de mediciones de turbidez en tiempo real o del grado de floculación (DF) como indicadores del proceso. Sin embargo, los autores identifican una limitación fundamental: estas métricas representan resultados macroscópicos de la agregación y sedimentación de partículas que exhiben retrasos físicos inherentes. Debido a que los cambios iniciados en el fondo de un espesador requieren tiempo para propagarse hacia arriba a la capa de sobrenadante, las mediciones de turbidez y DF proporcionan una retroalimentación reactiva y rezagada en lugar de una visión en tiempo real de la evolución de los flóculos. Este desajuste temporal restringe las estrategias de control tradicionales, lo que conduce a un uso ineficiente de los productos químicos y a una reducción de la eficiencia operativa. Además, los modelos de aprendizaje automático puramente basados en datos suelen sufrir de una falta de interpretabilidad física y una baja capacidad de generalización cuando se enfrentan a datos dispersos, ruidosos o fuera de la distribución.

2. Metodología

El estudio propone un marco de Redes Neuronales Informadas por la Física con Guía de Información Visual y Sensores en Tiempo Real (RTS-VG PINNs). Esta arquitectura híbrida integra datos de sensores en tiempo real, percepción visual profunda y leyes físicas gobernantes en un sistema de aprendizaje unificado. La metodología avanza a través de tres etapas:

A. Adquisición de Datos Experimentales

Los experimentos se realizaron utilizando muestras de agua naturales (PDAM) y artificiales (basadas en caolín) con diversas condiciones iniciales (pH, temperatura, conductividad, potencial zeta). Las dosis de coagulante (Policloruro de Aluminio - PAC) se variaron sistemáticamente de 12 a 120 mg/L.

• Sensores: Se monitorearon la turbidez, el pH y la conductividad eléctrica en tiempo real.
• Sistema Visual: Una cámara de alta resolución (Canon 250D, 60 fps) capturó la evolución temporal de las estructuras de los flóculos durante las fases de mezcla rápida, mezcla lenta y sedimentación.
• Conjunto de Datos: Las secuencias de imágenes se categorizaron en cuatro etapas de evolución de los flóculos (dispersión, agregación inicial, crecimiento/densificación y sedimentación) para entrenar los modelos de aprendizaje profundo.

B. Extracción de Características Visuales (La "Guía Visual")

Se emplearon dos arquitecturas de Redes Neuronales Convolucionales (CNN) complementarias para extraer características de las secuencias de imágenes:

1. ResNet-50: Un detector de dos etapas utilizado para la extracción de características de alta sensibilidad para capturar variaciones sutiles en la morfología y densidad de los flóculos.
2. YOLOv8: Un detector de una etapa utilizado para la detección y el seguimiento en tiempo real de la evolución de los flóculos.
   Estos modelos clasifican la densidad de los flóculos y mapean las características visuales a una velocidad de sedimentación efectiva variable en el tiempo, $v_0(t)$. Esta velocidad actúa como un parámetro dinámico que vincula las observaciones visuales brutas con el modelo físico.

C. Arquitectura de la Red Neuronal Informada por la Física (PINN)

El núcleo del marco consiste en dos problemas acoplados:

1. Problema Directo (Modelado hacia adelante):

   • El modelo resuelve la ecuación diferencial parcial (PDE) de sedimentación de Kynch para reconstruir la distribución espacio-temporal de la densidad de los flóculos, $\phi(t, z)$.
   • La velocidad variable en el tiempo $v_0(t)$, inferida de las características visuales de la CNN, modula la PDE.
   • La función de pérdida ($\mathcal{L}_{Total}$) combina la fidelidad de los datos (coincidencia con las observaciones experimentales), las restricciones físicas (minimización de los residuales de la PDE), las condiciones iniciales y las condiciones de contorno (flujo nulo en la superficie).

2. Problema Inverso (Optimización de la Dosis):

   • El modelo estima la dosis óptima de coagulante ($D$) aprendiendo la relación inversa entre las variables operativas (pH, temperatura, turbidez inicial, etc.) y los resultados del proceso.
   • Las restricciones físicas se integran mediante la cinética de adsorción de Langmuir (modelando la evolución del potencial zeta) y la cinética de coagulación de Smoluchowski (modelando la evolución de la turbidez mediante tasas de agregación y ruptura).
   • El marco resuelve la dosis que equilibra los mecanismos de agregación y ruptura.

3. Contribuciones Clave

• Integración de la Percepción Visual con la Física: El artículo introduce un mecanismo novedoso donde las características visuales extraídas mediante aprendizaje profundo (densidad/estructura de los flóculos) informan dinámicamente los parámetros de un modelo de sedimentación físico ($v_0(t)$), utilizando efectivamente la visión como un indicador adelantado para superar el retraso de los sensores.
• Arquitectura de Aprendizaje Híbrido: El marco RTS-VG PINNs logra unificar datos visuales de alta dimensión con leyes físicas de primeros principios (sedimentación de Kynch, cinética de Langmuir-Smoluchowski), creando una arquitectura de aprendizaje físicamente consistente.
• Predicción Inversa bajo Incertidumbre: El estudio demuestra la capacidad de la PINN inversa para estimar la dosis óptima de coagulante no solo de forma determinista, sino también con cuantificación de la incertidumbre mediante el uso de Monte Carlo dropout, mejorando la robustez frente a datos industriales ruidosos o fuera de la distribución.
• Reconstrucción de Estados Latentes: El marco permite la reconstrucción de estados internos del sistema (distribución de densidad de flóculos $\phi(t, z)$) que son inaccesibles para la medición directa, proporcionando una comprensión más profunda de la dinámica del proceso.

4. Resultados Experimentales

• Clasificación Visual: Tanto ResNet-50 como YOLOv8 demostraron una alta precisión en la clasificación de las etapas de evolución de los flóculos. Los modelos visuales identificaron con éxito el tiempo de llegada de la interfaz ($t_s$) y las transiciones de densidad de los flóculos antes de que los sensores de turbidez pudieran detectar la clarificación.
• Desempeño de la Solución Directa: La PINN reconstruyó con éxito el campo de densidad de flóculos espacio-temporal con bajos residuales de la PDE (del orden de $10^{-3}$), confirmando que el modelo cumple con la conservación de la masa y la dinámica de sedimentación. Los campos de concentración interna predichos mostraron patrones de estratificación físicamente consistentes.
• Desempeño de la Solución Inversa: En la estimación de la dosis óptima de coagulante, el marco RTS-VG PINNs superó a los modelos de aprendizaje automático convencionales (Random Forest, Gradient Boosting, SVM y MLP).
  • La PINN alcanzó un coeficiente de determinación ($R^2$) de 0.498, superando a Random Forest (0.484), Gradient Boosting (0.434), SVM (0.285) y MLP (0.063).
  • El modelo capturó eficazmente tendencias no lineales, como la disminución inicial de la turbidez seguida de un aumento debido a la sobredosificación (inversión de carga), que los modelos basados únicamente en datos no lograron representar con precisión.
• Robustez: La inclusión de Monte Carlo dropout permitió que el modelo proporcionara predicciones conscientes de la incertidumbre, manteniendo la consistencia física incluso cuando fue entrenado con datos limitados o ruidosos.

5. Significado y Reivindicaciones

Los autores afirman que el marco RTS-VG PINNs representa un avance significativo en el control inteligente del tratamiento de agua al abordar el problema crítico del retraso de la medición. Al aprovechar la información visual como un sustituto (proxy) de la dinámica temprana de los flóculos, el marco permite estrategias de control proactivas en lugar de reactivas.

El estudio enfatiza que integrar las leyes físicas (ecuaciones gobernantes) en el proceso de aprendizaje mejora significamente la interpretabilidad y la generalización del modelo, particularmente en escenarios donde los datos son escasos o ruidosos. El marco se presenta como una herramienta robusta para la optimización de la dosis de coagulante en tiempo real, capaz de inferir estados internos del proceso y proporcionar predicciones físicamente significativas que los enfoques puramente basados en datos no pueden lograr.

Los autores mantienen una postura modesta respecto al alcance actual, reconociendo que el estudio se limita a condiciones de escala de laboratorio y a una PDE de Kynch unidimensional simplificada. Señalan que será necesario un trabajo futuro para extender el marco a espesadores industriales de escala piloto e integrar modelos físicos más complejos (por ejemplo, CFD) para capturar la hidrodinámica multidimensional.