Del dato a la gota: uso de Inteligencia Artificial para la detección de fugas de agua en Chihuahua
DOI:
https://doi.org/10.20983/cienciavital.2026.02.apl.02Palabras clave:
Machine Learning, Fugas de agua, Redes hidráulicas, Inteligencia artificial, SCADAResumen
La pérdida de agua por fugas en las redes de distribución representa uno de los mayores desafíos para el manejo sostenible de este recurso. En países en desarrollo, se estima que más del 40 % del agua enviada a la red se desperdicia, mientras que en algunas ciudades del estado de Chihuahua estas pérdidas superan el 50 %. Ante este panorama, la inteligencia artificial (IA), una tecnología capaz de identificar patrones y generar información útil a partir de grandes cantidades de datos, surge como una herramienta prometedora para mejorar la detección de fugas. Este artículo explora cómo la IA puede aprovechar la información recopilada por los sistemas de monitoreo de las redes hidráulicas para localizar fallas con mayor precisión, reducir el desperdicio de agua y optimizar la gestión de los recursos hídricos. Además, presenta ejemplos de estrategias innovadoras que combinan modelos digitales y aprendizaje automático para enfrentar este problema. Comprender estas tecnologías permite vislumbrar nuevas oportunidades para proteger un recurso esencial para la sociedad y avanzar hacia un uso más eficiente y sustentable del agua.
Citas
B. Kingdom, R. Liemberger y P. Marin, “The challenge of reducing non-revenue water (NRW) in developing countries - how the private sector can help: a look at performance-based service contracting,” World Bank, Washington, DC, USA, dic. 2006. [En línea]. Disponible en: https://documents.worldbank.org/curated/en/385761468330326484
R. Liemberger y A. Wyatt, “Quantifying the global non-revenue water problem,” Water Science and Technology: Water Supply, vol. 19, no. 3, pp. 831–837, abr. 2019. doi: https://doi.org/10.2166/ws.2018.129
Comisión Nacional del Agua (CONAGUA), Situación del subsector agua potable, alcantarillado y saneamiento, edición 2025, Secretaría de Medio Ambiente y Recursos Naturales, Ciudad de México, México, 2025. [En línea]. Disponible en: https://www.gob.mx/conagua/documentos/situacion-del-subsector-agua-potable-drenaje-y-saneamiento
S. A. Boyer, SCADA: Supervisory Control and Data Acquisition, 3.ª ed. Research Triangle Park, NC, Estados Unidos: International Society of Automation, 2009. [En línea]. Disponible en: https://www.isa.org/products/scada-supervisory-control-and-data-acquisition
P. Irofti, L. Romero-Ben, F. Stoican y V. Puig, “Learning dictionaries from physical-based interpolation for water network leak localization,” IEEE Transactions on Control Systems Technology, vol. 32, no. 3, pp. 755–766, may. 2024. doi: https://doi.org/10.1109/TCST.2023.3329696
S. Jun y D. Jung, “Exploration of deep learning leak detection model across multiple smart water distribution systems: Detectable leak sizes with AMI meters,” Water Research X, vol. 29, p. 100332, abr. 2025. doi: https://doi.org/10.1016/j.wroa.2025.100332
T. A. Syed, M. A. Muhammad, A. A. AlShahrani, M. Hammad y M. T. Naqash, “Smart water management with digital twins and multimodal transformers: A predictive approach to usage and leakage detection,” Water, vol. 16, no. 23, p. 3410, nov. 2024. doi: https://doi.org/10.3390/w16233410
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Mtro. Aarón Heriberto Narváez Burciaga, Dr. Jesús Roberto López Santillán, Dr. Luis Carlos González Gurrola
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
