Implementación de la inteligencia artificial basada en machine learning para la mejora del desempeño de sistemas de tratamiento de aguas residuales

Resumen

El presente artículo evalúa el papel de la inteligencia artificial en el uso del machine learning (ML) en la optimización continua del rendimiento en sistemas de tratamiento de aguas residuales (PTAR). En un primer momento, fueron identificados los problemas asociados a la gestión reactiva, caracterizados por los tiempos de espera y por un alto consumo eléctrico, como el proceso de aireación (30-76% del total del costo de energía). En relación con el análisis documental, es posible observar que la implementación del ML permite disminuir la incertidumbre en lo que respecta a los factores biológicos, ya que permite detectar con precisión total (ROC-AUC 1.0) problemas críticos y alertar la posibilidad de fallos de equipo con 2.5 horas de antelación. Al automatizar la gestión a través de la IA, la normativa ambiental se cumple, logrando optimizar la gestión de recursos mediante la reducción de consumo energético en un 49%, obteniendo así ahorros económicos en torno a los $180,000 anuales. Otro de los beneficios de implementación fue la adaptación a la variabilidad del influente, permitiendo ahorrar el 90% en casos de desbordamientos. Por último, con la utilización de sensores virtuales, es posible predecir los parámetros de calidad con un 0.96 R², considerando solamente 10 variables cruciales. Se concluye que el ML, en el marco de la Industria 4.0, permite la transición hacia una gestión predictiva que reemplaza los análisis tradicionales lentos, mejorando drásticamente la resiliencia operativa, la sostenibilidad financiera y el control eficiente de las plantas de tratamiento.