Machine learning para la gestión estratégica de infraestructura de riego

Uso del aprendizaje automático para reducir los costos de gestión de las infraestructuras de riego sin comprometer el nivel del servicio.

El problema

Goulburn-Murray Water (G-MW) había emprendido un enorme programa de renovación de sus infraestructuras de riego que automatizaba el suministro de agua a fin de proporcionar un alto nivel de servicio por igual a todos sus clientes. Algunos de ellos se plantearon si un nivel de servicio tan elevado conllevaba mayores costos de mantenimiento, por lo que G-MW comenzó a examinar la forma de gestionar sus infraestructuras de manera que pudieran ser asequibles y apropiadas para sus clientes, y estuvieran en consonancia con sus prioridades y voluntad comercial de pagar por el servicio prestado.

La solución de Adasa

Adasa utilizó técnicas de aprendizaje automático (machine learning) para estudiar la relación entre los costos de mantenimiento de las infraestructuras de riego y el nivel de servicio prestado a sus clientes. Se recogieron datos sobre los suministros de agua, las infraestructuras, la meteorología, las alarmas electromecánicas y las tarifas, y se elaboró un modelo del nivel de suministro agua de los diferentes canales.

A partir de este modelo, se modificaron algunas variables como la frecuencia de mantenimientos rutinarios o el momento en el que debían sustituirse ciertas baterías para determinar los posibles efectos en el nivel de servicio. También se examinaron actividades de mantenimiento costosas, como el dragado o el desbrozado de los canales, para valorar si el servicio mejoraba en general tanto como se creía.

image

Resultado

Gracias a estas técnicas de machine learning, Adasa pudo detectar una serie de factores que influían en el nivel de servicio, así como determinar los cambios en las prácticas de mantenimiento que podrían traer consigo un ahorro anual de al menos 1,25 millones de dólares australianos.

Adasa recomendó introducir algunos cambios en la secuencia Problema-Causa-Reparación utilizada por el personal de mantenimiento para mejorar la capacidad de predicción de los modelos.

Adasa también redactó un plan de mejora de los datos en conjunto y definió métricas para ayudar a Goulburn-Murray Water a mejorar la calidad de los datos y la precisión y la solidez de los modelos.

Hoy en día, Goulburn-Murray Water tiene una visión más precisa de la relación que existe entre los costos y los niveles de servicio, y dispone de un conjunto de herramientas, programas informáticos y modelos con los que está llevando a cabo un estudio más amplio.

image

Cliente

Situada a 200 km al norte de Melbourne, Goulburn-Murray Water (G-MW) es uno de los mayores gestores de agua de Australia. Gestiona los sistemas de almacenamiento, suministro y drenaje de agua en los 68.000 km2 de su cuenca de captación y suministra agua a 39.000 clientes, entre los que se encuentran agricultores, empresas de agua municipales, empresas hidroeléctricas e industrias. Gestionan 6.300 km de canales de riego, ríos y acuíferos, así como 24 presas.

Descargas

Machine learning para la gestión estratégica de infraestructura de riego

Descubra nuestros proyectos

¿NO HA ENCONTRADO LO QUE BUSCABA?

Póngase en contacto con nuestros expertos