FACSA desarrolla una herramienta basada en IA para predecir el caudal y la conductividad del agua residual y los fangos en la EDAR de Maqua

El desarrollo de herramientas de predicción aplicadas a la gestión del ciclo integral del agua es clave para optimizar recursos y mejorar el rendimiento de los procesos. En la EDAR de Maqua, estas herramientas adquieren especial relevancia debido a la elevada conductividad de sus aguas, asociada a la salinidad por intrusión de agua marina.

La EDAR de Maqua, situada al noreste de Avilés (Asturias), presta servicio a Castrillón, Corvera, Gozón y Avilés, con una capacidad de tratamiento de 215.000 Hab-Eq. Su cercanía a la costa favorece la intrusión de agua marina en los colectores, lo que incrementa la conductividad del agua residual y puede provocar efectos inhibitorios en procesos biológicos como los fangos activos y la digestión anaerobia.

Imagen aérea de la EDAR de Maqua.

Actualmente, la EDAR está en proceso de mejora para optimizar sus unidades operacionales con el objetivo de mejorar la calidad de tratamiento. Destaca la incorporación de la digestión anaerobia para la reducción de la cantidad de fangos y la producción de biogás.

La presencia de sodio en el agua de mar puede inhibir el proceso de digestión anaerobia al aumentar la presión osmótica y provocar la deshidratación de las bacterias. A concentraciones entre 5–10 g NaCl/L se reduce parcialmente la producción de biogás, mientras que por encima de 30 g NaCl/L el proceso puede inhibirse [1]. En este contexto, la predicción de la conductividad y del caudal del agua influente resulta clave para anticipar episodios de elevada salinidad que afecten al funcionamiento del proceso.

Con el fin de analizar el efecto de la salinidad sobre los procesos biológicos de la EDAR se ha desarrollado una herramienta de apoyo a la toma de decisiones basada en IA predictiva para predecir el caudal y la conductividad del agua residual y de los fangos en la EDAR de Maqua. Esta herramienta permite anticipar incrementos bruscos de caudal asociados a episodios de lluvia y detectar intrusión de agua marina en el colector, facilitando la implementación de estrategias operativas que minimicen el impacto de la salinidad sobre los procesos biológicos y mejoren la eficiencia global.

Patrón diario de marea-conductividad de agua influente por fase lunar

Los modelos basados en IA predictiva requieren de conjuntos de datos adecuados para su entrenamiento, que permitan identificar patrones y relaciones entre variables para predecir parámetros como el caudal y la conductividad del agua residual influente y de los fangos. La identificación de variables clave y la recopilación de datos históricos son fundamentales para el desarrollo de los modelos. Estos datos se emplean durante la fase de entrenamiento, permitiendo calibrar y validar modelos. Además, es necesario disponer de datos de estas variables de forma continua, de modo que la herramienta pueda alimentarse de nuevos datos y mantener su capacidad predictiva.

La selección de variables requiere comprender el fenómeno de intrusión marina en la EDAR de Maqua. El caudal y la conductividad del agua de entrada dependen de tres contribuciones principales: el agua residual urbana, el agua marina y el agua procedente de precipitaciones. Cabe destacar que la intrusión marina en el colector de aguas residuales está influenciada por el régimen de mareas, variaciones periódicas del nivel del mar causadas por la atracción gravitatoria de la Luna. En el mar Cantábrico, el régimen mareal es semidiurno, con dos pleamares y dos bajamares cada 24 horas. Durante los periodos de pleamar es esperable una mayor intrusión de agua marina en el sistema de colectores, lo que se refleja en un incremento de la conductividad del agua de entrada a la EDAR, con cierto desfase temporal. Por tanto, la consideración del estado de la marea resulta clave para mejorar la capacidad predictiva de los modelos.

Los datos históricos de las variables objetivo —caudal y conductividad del agua influente y de los fangos— se obtuvieron a partir de registros internos de la EDAR, que dispone de sensores en continuo de conductividad y caudalímetros. Asimismo, se incorporaron variables meteorológicas, como temperatura y precipitación acumulada, variables mareográficas y astronómicas. El análisis de los datos evidenció que la relación entre la conductividad del agua y el régimen de mareas varía en función de la fase lunar, lo que pone de manifiesto la complejidad del fenómeno de intrusión marina y la necesidad de considerar estas variables en los modelos predictivos.

Interfaz herramienta toma de decisiones operacionales

Se recopilaron datos horarios correspondientes al año 2025 procedentes de bases de datos públicas y de los sistemas internos de la EDAR. Los datos fueron sometidos a un proceso de pretratamiento que incluyó validación para evitar errores derivados de fallos de sensor o desalineaciones temporales. En particular, se realizó una sincronización temporal, así como la detección y eliminación de valores atípicos, la estandarización de formatos y la normalización de las variables.

Posteriormente, los datos procesados se analizaron mediante técnicas matemáticas y estadísticas orientadas a identificar correlaciones y patrones entre variables con capacidad predictiva sobre el caudal y la conductividad. A partir de este análisis, se desarrollaron y evaluaron distintos modelos de predicción, combinando diferentes conjuntos de variables hasta seleccionar aquellos que presentaban mejores métricas de regresión.

Los modelos de predicción del caudal y de la conductividad del agua influente permiten anticipar, con un horizonte de hasta 48 horas, tanto la carga hidráulica horaria como la evolución de la conductividad. El modelo de caudal incorpora como variables principales las ventanas de acumulación y categorización de la precipitación, el estado y la dinámica del ciclo de mareas, la fase lunar y variables temporales como el mes, la hora y el día de la semana, alcanzando una precisión relativa cercana al 80%.

Por su parte, el modelo de conductividad considera la dinámica de mareas —incluyendo altura, pleamares y bajamares—, la precipitación agregada y el caudal de entrada, presentando una desviación media inferior al 19% respecto a los valores reales. En conjunto, ambos modelos proporcionan una herramienta predictiva eficaz para anticipar episodios de lluvia intensa, gestionar los riesgos asociados a sobrecargas hidráulicas en cabecera de planta y detectar de forma temprana posibles intrusiones de agua marina en el colector, así como evaluar su impacto sobre los procesos biológicos aguas abajo.

Imagen de la depuradora de aguas residuales de Maqua.

Por su parte, el modelo de predicción de la conductividad del fango estima la conductividad final del fango mediante un enfoque híbrido que combina conocimiento termodinámico con técnicas de IA. En concreto, integra ecuaciones de balance de masas y tiempos de retención teóricos basados en la volumetría de los tanques, junto con un modelo de aprendizaje automático basado en XGBoost. Este modelo presenta una desviación media del 11,5% respecto a los valores reales. Su aplicación permite diseñar estrategias operativas durante la digestión anaerobia que minimicen el impacto de la salinidad sobre la producción de biogás.

La herramienta de apoyo a la toma de decisiones integra estos tres modelos predictivos, alimentándose de datos en tiempo real procedentes de los sensores de la EDAR, así como de fuentes externas de información marina y meteorológica. La plataforma centraliza, monitoriza y analiza las correlaciones entre las principales variables de interés, generando predicciones con un horizonte de hasta 48 horas. Además, dispone de una interfaz visual que permite al usuario interactuar con la herramienta y gestionar la operación de la EDAR.

La implementación de la herramienta en la EDAR de Maqua permitirá que los modelos de predicción continúen su entrenamiento, mejorando su capacidad predictiva.

La implementación de la herramienta en la EDAR de Maqua permitirá que los modelos de predicción continúen su entrenamiento, mejorando su capacidad predictiva. Asimismo, se han identificado áreas del proceso que requieren mayor digitalización, impulsando la incorporación de nuevos caudalímetros y sensores. Esta ampliación de la infraestructura de monitorización permitirá alimentar la herramienta con información más completa, favoreciendo la mejora continua de las predicciones mediante técnicas de aprendizaje automático. Además, se están desarrollando estrategias operativas basadas en IA, orientadas a reducir el impacto de la salinidad sobre la producción de biogás durante la digestión anaerobia de los fangos.

Esta ampliación de la infraestructura de monitorización permitirá alimentar la herramienta con información más completa, favoreciendo la mejora continua de las predicciones mediante técnicas de aprendizaje automático

Bibliografía

[1] Mei W., Li L., Zhao Q., Li X., Wang Z., Gao Q., Wei L., Wang K., Jiang J. (2025). A critical review of effects, action mechanisms and mitigation strategies of salinity in anaerobic digestion. Renewable and Sustainable Energy Reviews, 208.