Limpiar vías fluviales con inteligencia artificial e IoT

Las tecnologías de vanguardia como la inteligencia artificial en la industria y el Internet de las cosas (IoT) están ayudando a salvaguardar el alto valor de los sistemas de agua natural al evitar que se contaminen. Una historia visual.

 

Los sistemas de agua naturales tienen un alto valor. Apoyan un ecosistema diverso para la flora y la fauna; mantienen a las personas saludables al prevenir enfermedades transmitidas por el agua; y protegen y crean oportunidades de turismo y recreación.

Sin embargo, en ciudades de todo el mundo, y en particular en las ciudades más antiguas, la escorrentía de aguas pluviales y las aguas residuales domésticas se transportan a las plantas de tratamiento de agua en la misma red de tuberías. Una ventaja de estos llamados sistemas combinados de alcantarillado (CSS) es que el agua de escorrentía, que podría estar contaminada con aceite, pesticidas, fertilizantes y más, se purifica antes de liberarla a la naturaleza. Esa es una buena noticia para el medio ambiente.

Pero existe una desventaja: durante las fuertes lluvias o el deshielo, una red de tuberías CSS puede estirarse hasta el límite y el agua sin tratar puede escapar a las vías fluviales a través de la salida de alcantarillado combinado (CSO). Pero las posibilidades de que esto suceda disminuyen considerablemente cuando los bloqueos en la CSO se eliminan a tiempo. Siemens, Yorkshire Water y la Universidad de Sheffield se han unido para desarrollar un sistema que emplea inteligencia artificial (IA) e Internet de las cosas (IoT) para localizar bloqueos antes de que ocurran desbordamientos.

Reducir los incidentes de contaminación en un 50 por ciento

La compañía de agua británica Yorkshire Water opera 55.000 km de alcantarillado. En tiempos de lluvias intensas, los CSO están diseñados para descargar el exceso de agua y aguas residuales en los ríos para evitar inundaciones en las áreas públicas.

Por supuesto, estos incidentes deben reducirse al mínimo absoluto. En el marco del Plan de reducción de incidentes de contaminación de Yorkshire Water 2020-2025, el objetivo es reducir los incidentes de contaminación en un 50 por ciento. La clave para lograr este objetivo es eliminar los bloqueos de CSO y, por lo tanto, minimizar la probabilidad de una liberación.

Desde hace algún tiempo, alrededor de 2000 sensores en las CSO han estado monitoreando los niveles de aguas residuales y emitiendo alertas cuando se ha producido un desbordamiento. Pero, ¿no sería mejor saber dónde es más probable que ocurran obstrucciones para poder eliminar los escombros antes de que se produzca un derrame? Hasta ahora, los expertos de Yorkshire Water han intentado hacer predicciones evaluando los datos de los sensores con métodos estadísticos, pero eso a menudo generaba falsas alarmas y detecciones tardías.

Los datos nos han permitido identificar problemas con nuestra red rápidamente, dando a nuestros equipos la oportunidad de atenderlos antes de que ocurra la contaminación.
Heather Sheffield, gerente de planificación operativa y tecnología en Yorkshire Water

El desafío analítico es cómo dar cuenta del carácter personal de cada OSC. Cada uno responde de manera diferente a las precipitaciones, por lo que es difícil saber si los cambios de nivel observados son normales o no. Aquí entran en juego una serie de factores, como el diseño de la red aguas arriba y aguas abajo, o si el área es montañosa o llana, urbana o rural.

Por lo tanto, la empresa de servicios públicos dio el paso audaz de reemplazar los métodos estadísticos con IA e IoT, un enfoque que ahora se ha probado en 70 sitios en toda la región. “Los resultados del ensayo innovador en toda la región han sido muy positivos. Los datos nos han permitido identificar problemas con nuestra red rápidamente, brindando a nuestros equipos la oportunidad de atenderlos antes de que ocurra la contaminación”, dice Heather Sheffield, gerente de planificación operativa y tecnología de Yorkshire Water.

Análisis de datos basados ​​en la nube con IA e IoT

Los datos de los sensores en los CSO junto con información en tiempo real sobre la lluvia se entregan al Predictor de Bloqueo SIWA. Esta aplicación, que se ejecuta en MindSphere, la IoT industrial líder como solución de servicio, identifica anomalías en el comportamiento del sistema de alcantarillado.

Inicialmente, se entrenó un sistema de IA con datos de sensores para aprender el comportamiento normal de un CSO cuando llueve. Ahora, se ha entrenado un nuevo modelo de IA para cada sitio para aprender su patrón único de comportamiento en respuesta a la lluvia. Luego se emplea la tecnología de lógica difusa para interpretar automáticamente los datos para detectar cualquier diferencia significativa en el comportamiento. Cuando se encuentra un problema, un equipo de respuesta en Yorkshire Water recibe una notificación para visitar el activo y eliminar el bloqueo o el bloqueo en formación. Debido a que SIWA Blockage Predictor está integrado en una aplicación web, los usuarios pueden acceder a ella en dispositivos móviles y PC.

“La inteligencia artificial no es magia. Requiere que los expertos en ciencia de datos se reúnan con personas que realmente entiendan el problema e ingenieros que puedan crear software, conectar hardware y unir una solución que sea segura contra ataques cibernéticos. Este proyecto es un ejemplo de libro de texto de cómo todos los hilos deben unirse”, dice Adam Cartwright, jefe de entrega de aplicaciones de IoT en Siemens.

La inteligencia artificial no es magia. Este proyecto es un ejemplo de libro de texto de cómo todos los hilos deben unirse.
Adam Cartwright, jefe de entrega de aplicaciones IoT en Siemens

Mayor eficacia en varios sentidos

En la prueba que involucró una variedad de activos en 70 sitios, SIWA Blockage Predictor notificó los bloqueos con hasta dos semanas de anticipación, bloqueos que podrían haber llevado a la liberación de efluentes sin diluir en el medio ambiente. Además, el predictor encontró nueve de cada diez problemas potenciales, lo que lo hace tres veces más exitoso que los procesos de predicción que se basaron en métodos estadísticos. Otra ventaja para los equipos de operaciones es una tasa de falsas alarmas extremadamente baja de solo el 3 por ciento. Eso es la mitad de la tasa del enfoque actual basado en métodos estadísticos.

Co-creación: un trabajo en equipo

Un desafío de construir cualquier nueva solución digital es la posibilidad de que sea algo que los clientes no quieran o necesiten. Por esa razón, involucrar a los clientes en un proceso de co-creación conduce a mejores resultados. Yorkshire Water participó en este proyecto desde el principio. Para garantizar que tuvieran el compromiso necesario para avanzar al ritmo, una orden de creación conjunta contribuyó a los costos de desarrollo y el equipo se comprometió a realizar revisiones quincenales e implementar la aplicación en paralelo a su sistema actual. Después de una decisión de "ir" en enero de 2020, se introdujo el primer producto mínimo viable (MVP) en marzo. El lanzamiento global de la aplicación en la tienda MindSphere se produjo en noviembre de 2020.

El viaje de la idea al producto comenzó con una serie de proyectos de investigación entre Yorkshire Water y la Universidad de Sheffield. Durante varios años, el concepto de análisis central se probó en una muestra de activos de Yorkshire Water.

"Al crear una huella digital personalizada para los activos de aguas residuales que refleja cómo responde la red local a la lluvia y superponerla a los patrones de comportamiento diario, hemos podido establecer cuál es la respuesta "normal" de cada activo", dice Joby Boxall, profesor de ingeniería de infraestructura de agua en la Universidad de Sheffield.

Si bien el análisis funcionó, como proyecto académico no fue diseñado para ser escalable ni seguro, y no fue optimizado para un uso diario sencillo. Cuando Siemens se unió al equipo del proyecto, se transfirió el conocimiento de la ciencia de datos y el equipo de la universidad asumió un segundo rol importante: validar la efectividad de cómo Siemens había desarrollado el análisis y cómo se comparaba con la solución existente de Yorkshire Water. Después de analizar 21 300 días de datos, este análisis independiente realizado por la universidad impulsó aún más la confianza de Yorkshire Water en esta nueva herramienta.

Al crear una huella digital personalizada para los activos de aguas residuales, hemos podido establecer cuál es la respuesta "normal" de cada activo.
Joby Boxall, profesor de ingeniería de infraestructura de agua en la Universidad de Sheffield

Listo para un lanzamiento en el mercado