ES / EN — English

Caso de estudio · Eficiencia energética

Optimización de aireación con gemelos digitales

Replicar en código el sistema de control de la aireación y simular escenarios para encontrar la configuración que ahorra energía sin afectar la calidad del tratamiento.

Mi rol
Desarrollo de punta a punta y dirección del equipo
Industria
Saneamiento
Estado
En producción
Vista aérea de canales de aireación y sedimentadores de una planta de aguas servidas
Fotografía ilustrativa. Foto de Ivan Bandura en Unsplash.

01 · Contexto

El mayor consumo de la planta

En una planta de tratamiento biológico con lodos activados, la aireación es uno de los mayores consumos de energía y uno de los mayores gastos de operación. Cualquier mejora en cómo se controla se nota en la cuenta.

02 · Solución

Un gemelo digital del sistema de control

Replicar en código el sistema de control que ya tiene la planta, sea de aireadores superficiales o de sopladores. Con los datos de los sensores en línea, construir modelos que simulan cómo responde la planta y evaluar distintos ajustes del control antes de tocar la operación real.

El resultado llega al operador como alertas y recomendaciones dentro de la plataforma.

03 · Cómo funciona

De la planta real a la recomendación

  1. 1Replicar el control

    Traducir a un algoritmo la lógica de control que usa la planta para operar la aireación.

  2. 2Modelar la planta

    Entrenar modelos y sensores virtuales con los datos de operación para predecir cómo responde el proceso.

  3. 3Simular escenarios

    Probar distintos setpoints y configuraciones de uso de los equipos sobre el gemelo digital.

  4. 4Recomendar

    Elegir la configuración que baja el consumo de energía y mantiene la calidad del tratamiento, y llevarla al operador.

04 · Resultados

Qué se observó

Resultados reales · sin cifras por confidencialidad
  • Reducción: Menos consumo total de energía
  • Reducción: Menos consumo específico de energía

En todos los escenarios se monitorearon las variables de salida del tratamiento: el ahorro solo vale si la calidad se mantiene dentro de norma.

05 · Una práctica, no una receta

Cada planta pedía su propio enfoque

Participé en varios proyectos de este tipo, probando distintas metodologías. En algunos usamos machine learning; en otros, algoritmos diseñados a partir de la lógica del proceso. Elegir el enfoque correcto dependía de los datos disponibles en cada planta y de si su sistema de control se podía replicar con fidelidad.

06 · Mi contribución

Del notebook a producción

Desarrollo propioLiderazgo
  1. 01Desarrollo propioEntender
    • Análisis exploratorio de los datos.
    • Entendimiento del proceso y de su control.
  2. 02Replicar
    • Réplica algorítmica de los sistemas de control.
  3. 03Modelar
    • Entrenamiento de modelos y sensores virtuales.
    • Simulación de escenarios.
  4. 04Desplegar
    • Empaquetado de la solución.
    • Despliegue a producción como alertas y recomendaciones.
  5. 05LiderazgoDirigir
    • Dirección del equipo en otros proyectos del mismo tipo.

07 · Tecnologías

Herramientas

Pythonpandasscikit-learnRandom ForestXGBoostRegresión linealDjangoAWS LambdaAWS S3AWS Batch