Machine learning para la gestión estratégica de infraestructura de riego.

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.

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 autralianos. 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.