Wheliver Rivas duran

Pontificia universidad católica madre y maestra, PUCMM

Introducción:

La detección de fugas en redes de distribución de agua potable representa uno de los retos más persistentes en la gestión urbana de recursos hídricos. Estas pérdidas no solo generan impactos económicos significativos, sino que también comprometen la sostenibilidad y disponibilidad del agua en regiones vulnerables. Ante este panorama, el presente proyecto surge como una solución innovadora desarrollada en la Pontificia Universidad Católica Madre y Maestra (PUCMM).

El sistema integra sensores físicos, simulación hidráulica y tecnologías modernas de software para ofrecer un monitoreo continuo y en tiempo real. La motivación del proyecto se basa en la necesidad de sustituir los métodos de inspección manual, lentos e imprecisos, por una plataforma inteligente, automatizada y escalable.

Contexto:

Las pérdidas de agua no contabilizada (Non-Revenue Water) representan hasta un 40% del volumen tratado en algunas ciudades, según estudios globales. Esta fuga de recursos afecta a operadoras, usuarios y el medioambiente. Las tecnologías tradicionales, como la detección acústica o las inspecciones manuales, son costosas, lentas e ineficientes ante fugas pequeñas o intermitentes. Sistemas como SMARTWATER, FIDO AI y LeakMan han demostrado la eficacia del uso combinado de sensores e inteligencia artificial, pero su implementación suele ser costosa o requiere infraestructura de difícil acceso. En ese contexto, este proyecto ofrece una alternativa accesible, escalable y altamente tecnológica.

Vista general del prototipo físico instalado en laboratorio con sensores en línea.

Enfoque de la problemática:

El desarrollo de este proyecto ha implementado un sistema de monitoreo inteligente para detectar fugas en redes hidráulicas urbanas mediante sensores físicos, simulación EPANET, backend en FastAPI y una interfaz Flutter. Se diseñó una red de nodos físicos basada en ESP32, con sensores de presión y flujo, conectados vía MQTT. El sistema permite el análisis en tiempo real, generación de alertas, mapas interactivos, y comparación con modelos simulados, alcanzando una precisión superior al 75% en pruebas de campo. El prototipo demuestra su capacidad para operar de manera continua, con validación cruzada entre sensores y gemelos digitales.

Detalle de los sensores de presión y flujo montados sobre las tuberías.

La metodología adoptada en este proyecto se basó en una arquitectura híbrida que combina la instalación de sensores físicos con simulaciones hidráulicas. En primera instancia, se diseñó una red de distribución a escala utilizando tuberías de CPVC y PVC, sobre las cuales se instalaron sensores de presión (30 PSI) y sensores de flujo tipo DIGITEN. Estos sensores se conectaron a microcontroladores ESP32, encargados de recopilar datos y transmitirlos a un servidor remoto usando el protocolo MQTT sobre redes Wi-Fi. Este enfoque de telemetría IoT permitió monitorear constantemente las condiciones hidráulicas de la red, con una frecuencia ajustable según la necesidad operativa.

Visualización del Sistema y Simulaciones:

Simulación de red hidráulica en EPANET utilizada para la comparación de datos.

Registro de datos:

Para interpretar los datos recolectados, se utilizó un servidor backend desarrollado con FastAPI. Este sistema no solo recibe y almacena los datos, sino que también realiza procesamiento en tiempo real, comparando los valores actuales con simulaciones obtenidas mediante EPANET. Esta integración con el simulador hidráulico permitió evaluar el comportamiento esperado frente a condiciones ideales, identificando cualquier desviación significativa como una posible fuga. La simulación se realizó sobre un modelo .inp ajustado al diseño físico de la maqueta, garantizando coherencia entre ambos entornos.

La interfaz de usuario fue desarrollada con Flutter, presentando mapas interactivos, gráficas dinámicas y tarjetas de información por nodo. Este diseño facilita el acceso a datos en tiempo real, permitiendo que operadores técnicos o usuarios administrativos puedan localizar rápidamente puntos críticos y visualizar las alertas generadas por el sistema. Se incorporaron animaciones visuales como el efecto ripple para representar nodos con fugas, mejorando la interpretación visual del estado de la red.

Recepción de datos en tiempo real vía MQTT y procesamiento en backend FastAPI.

Además, se diseñó un simulador IoT de alto volumen, capaz de emular más de 5000 sensores virtuales, lo que permitió validar la escalabilidad del backend bajo condiciones de estrés, y entrenar modelos de detección usando aprendizaje automático con datos sintéticos. Esta fase fue crucial para asegurar que el sistema mantuviera su estabilidad y tiempo de respuesta, incluso con múltiples conexiones simultáneas.

Limitaciones y Observaciones:

Durante las pruebas, el sistema demostró una tasa de precisión del 78% en la detección de fugas, con una latencia promedio de alerta de 2.3 segundos. El prototipo físico respondió correctamente a variaciones de presión introducidas manualmente, y la visualización de alertas en el mapa interactivo coincidió con la ubicación física de las fugas simuladas. La comparación entre los valores obtenidos en campo y los valores esperados por EPANET mostró una desviación promedio inferior al 10%, validando la efectividad del modelo hidráulico calibrado.

El simulador IoT permitió ejecutar cargas de más de 5000 nodos virtuales sin interrupciones en el backend. Además, las visualizaciones en Flutter conservaron fluidez en la interfaz incluso al mostrar múltiples alertas simultáneas. Estos resultados evidencian la robustez del sistema tanto en su componente físico como en el virtual, confirmando su potencial para implementaciones reales en redes urbanas.

Vista de la interfaz Flutter con geolocalización de nodos en el sistema de detección de fugas.

Interfaz del Usuario:

La convergencia entre sensores físicos, simulación hidráulica e inteligencia artificial permitió desarrollar un sistema de monitoreo integral para redes de agua potable. El prototipo demostró su funcionalidad en un entorno controlado, y su arquitectura es fácilmente escalable para redes reales. La combinación de herramientas como MQTT, FastAPI, EPANET y Flutter ofrece una solución robusta, accesible y altamente visual, que puede adaptarse a diferentes entornos operativos.

Como próximos pasos, se recomienda realizar pruebas en redes reales con condiciones variables, así como extender las capacidades de predicción mediante técnicas de aprendizaje profundo. También se sugiere desarrollar módulos de mantenimiento predictivo y una aplicación móvil dedicada al personal de campo. Este proyecto demuestra que es posible reducir significativamente las pérdidas de agua y mejorar la eficiencia operativa con tecnologías accesibles y bien integradas.

Resultados:

Durante la fase experimental del proyecto, se logró validar la efectividad del sistema en condiciones controladas, obteniendo los siguientes resultados claves: Precisión en la detección de fugas: El sistema alcanzó una precisión del 78% en la identificación de fugas reales, comparando los datos captados por los sensores con los valores simulados por EPANET.

Latencia promedio: El tiempo de respuesta entre la detección de una anomalía y la visualización en la interfaz fue de 2.3 segundos, permitiendo alertas casi en tiempo real.

Estabilidad del sistema: El backend en FastAPI mantuvo conexión constante con sensores físicos y el simulador IoT, incluso bajo condiciones de estrés con más de 5000 nodos virtuales.

Visualización geoespacial: La aplicación Flutter permitió representar los nodos en un mapa interactivo con animaciones visuales para alertas, facilitando la interpretación para operadores técnicos.

Almacenamiento y consulta eficiente: La integración con Firebase garantizó almacenamiento escalable y consultas rápidas de datos históricos.

Conclusiones:

Este proyecto demuestra que es posible implementar un sistema inteligente, robusto y accesible para el monitoreo continuo de redes de agua potable, integrando sensores físicos, simulación hidráulica y visualización interactiva:

Innovación tecnológica aplicada: La combinación de nodos físicos, modelos simulados y procesamiento en tiempo real representa un avance frente a las soluciones tradicionales de detección de fugas.

Escalabilidad y aplicabilidad: La arquitectura modular permite su adaptación a redes reales más complejas, con posibilidad de expansión hacia sectores rurales o urbanos.

Visualización amigable: La interfaz Flutter mejora la usabilidad del sistema para personal técnico y administrativo, facilitando la toma de decisiones operativas.

Base sólida para futuras investigaciones: Este sistema puede ampliarse con aprendizaje profundo, mantenimiento predictivo o integración con datos meteorológicos y sensores de calidad de agua.

Impacto social y ambiental: Al reducir significativamente las pérdidas de agua, la plataforma contribuye a una gestión más sostenible del recurso hídrico.

Referencias:

1. Sharanya, U. G. et al., “Design and Implementation of IoT-Based Water Quality and Leakage Monitoring System,” IEEE, 2024.
2. Peng, H. et al., “Leakage Detection in Water Distribution Systems Based on Logarithmic)” Spectrogram CNN,” Journal of Water Resources, vol. 150, no. 6, 2024.
3. Zhou, X. et al., “Deep Learning for Burst Leakage Localization Using Pressure Data,” Journal of Hydroinformatics, vol. 21, no. 5, 2019.
4. Abusukhon, A. et al., “A Novel Technique for Detecting Underground Water Pipeline Leakage,” Journal of Universal Computer Science, 2023.
5. Rodríguez-Moreno, M. et al., “IoT Architecture for Monitoring and Detection of Water Leaks,” Universidad Politécnica Salesiana, 2022.
6. Elshazly, D. et al., “GIS-Based Machine Learning for Leak Detection in Water Distribution Networks,” Applied Sciences, vol. 14, no. 13, 2024.
7. A. J. Mounce, J. Machell, and J. Boxall, “Development and verification of an online burst detection methodology for water distribution systems,” Journal of Hydroinformatics, vol. 12, no. 2, pp. 173–191, 2010.
8. B. Wu, J. Zhao, and M. Liu, “A Survey of Water Distribution System Monitoring and Leak Detection Technologies,” Sensors, vol. 20, no. 18, pp. 5149, 2020.

1. F. Meneses and P. Ferreira, “Water leakage detection and localization using machine learning and wireless sensor networks,” Procedia Engineering, vol. 89, pp. 251–257, 2014.

1. A. Pardo, L. Rodriguez, and F. Martinez, “EPANET-MATLAB toolkit: An open-source software for pipe network simulation,” Environmental Modelling & Software, vol. 63, pp. 19–25, 2015.
2. S. Puust, Z. Kapelan, D. A. Savic, and T. Koppel, “A review of methods for leakage management in pipe networks,” Urban Water Journal, vol. 7, no. 1, pp. 25–45, 2010.

1. Y. Li, Y. Bi, and S. Liu, “Anomaly Detection in Water Distribution Systems Using Graph Neural Networks,” in Proc. IEEE Int. Conf. on Smart Grid Communications, 2021, pp. 1–6.