Un equipo de investigación multiinstitucional ha desarrollado una red de densidad mixta guiada por física (PgMDN) que mejora significativamente el pronóstico de caudales de derivación lateral en grandes sistemas de canales, un factor crítico en la gestión de transferencias de agua entre cuencas. El estudio, publicado en Environmental Science and Ecotechnology el 7 de mayo de 2026 (DOI: 10.1016/j.ese.2026.100703), aborda el desafío de las derivaciones de agua impredecibles que a menudo comprometen el suministro confiable de agua.
Los caudales de derivación lateral—flujos desviados de canales principales a través de canales laterales—frecuentemente se desvían de los objetivos planificados debido a estados hidráulicos en tiempo real y operaciones de compuertas no planificadas. Estas desviaciones producen distribuciones de flujo multimodales y altamente inciertas que los métodos tradicionales basados en física tienen dificultades para modelar de manera eficiente, mientras que los enfoques puramente basados en datos no logran capturar patrones complejos, especialmente en condiciones de escasez de datos. La nueva PgMDN integra leyes hidráulicas físicas en un marco probabilístico de aprendizaje profundo para mejorar tanto la precisión de la predicción puntual como la cuantificación de la incertidumbre.
A diferencia de las redes de densidad mixta estándar que se basan únicamente en el ajuste de datos, la PgMDN incorpora dos restricciones físicas directamente en su función de pérdida. Primero, promueve la consistencia del balance de masa local al alinear las medias de caudal pronosticadas con los valores de entrada menos salida derivados de un modelo hidráulico simplificado. Segundo, impone una regla de consistencia: cuando los caudales medios pronosticados cambian rápidamente—indicando cambios operativos o movimientos abruptos de compuertas—la incertidumbre del modelo aumenta en consecuencia, evitando predicciones demasiado confiadas durante condiciones inestables.
Probado con datos reales de dos tramos del Proyecto de Desviación de Agua Sur-Norte de China, el PgMDN redujo el error absoluto medio (MAE) en más del 25 % y el error cuadrático medio (RMSE) en más del 25 % en comparación con las MDN estándar. La confiabilidad mejoró de 0.45 a 0.82 en el nivel de confianza del 90 %. El modelo mantuvo un rendimiento estable incluso cuando los datos de entrenamiento se redujeron intencionalmente, demostrando una fuerte generalización en condiciones de escasez de datos. Mediante el análisis SHapley Additive exPlanations (SHAP), el equipo identificó las fluctuaciones del nivel del agua y los caudales de entrada en los límites como los principales impulsores de la incertidumbre predictiva, añadiendo interpretabilidad a las predicciones del modelo.
Según los autores, "Queríamos un modelo que no solo diera un número único, sino que realmente dijera a los operadores cuánto confiar en ese número. Al incorporar dos reglas físicas simples en el proceso de aprendizaje—promoviendo la consistencia del balance de masa local y vinculando cambios bruscos de caudal con una mayor incertidumbre—obtuvimos pronósticos mucho más confiables, incluso con datos limitados. Es como enseñar al AI algunos conceptos básicos de hidráulica para que no haga suposiciones físicamente imposibles."
Este enfoque permite una asignación de agua más adaptativa en tiempo real. Los operadores pueden usar pronósticos probabilísticos para ajustar márgenes de seguridad, optimizar operaciones de compuertas y responder de manera más efectiva a eventos inesperados como extracciones no planificadas. El marco es escalable y puede integrarse en modelos hidrodinámicos existentes para estimar rangos plausibles de nivel de agua bajo diferentes escenarios. Al combinar la comprensión física con el aprendizaje basado en datos, el PgMDN ofrece un camino práctico hacia la gestión resiliente de sistemas de agua a gran escala, especialmente en regiones que enfrentan una creciente variabilidad hidrológica. También abre la puerta a modelos híbridos similares en otras aplicaciones de infraestructura ambiental, desde el control de inundaciones hasta las redes de distribución de agua.
La investigación fue realizada por equipos de la Universidad de Wuhan en China, la Oficina de Construcción y Administración de la Ruta Media del Proyecto de Desviación de Agua Sur-Norte, la Universidad de Exeter en el Reino Unido y el Instituto de Investigación del Agua KWR en los Países Bajos. La financiación fue proporcionada por el Programa Nacional de Investigación y Desarrollo Clave de China [Subvención No. 2024YFC3211800] y el Consejo de Becas de China (CSC) [Subvención No. 202406270118].
