En agosto de 2020, tras un período de sequía prolongada e intensas lluvias, una presa situada cerca del río Seomjin en Corea se desbordó durante una liberación de agua, lo que provocó daños superiores a los 100 mil millones de wones (76 millones de dólares). La inundación se atribuyó al mantenimiento del nivel del agua de la presa 6 metros por encima de lo normal. ¿Podría haberse evitado este incidente mediante una gestión predictiva de presas?

Un equipo de investigación dirigido por el profesor Jonghun Kam y Eunmi Lee, candidata a doctorado, de la División de Ciencias e Ingeniería Ambientales de la Universidad de Ciencia y Tecnología de Pohang (POSTECH), empleó recientemente técnicas de aprendizaje profundo para examinar los patrones de operación de las presas y evaluar su efectividad.

Corea enfrenta un pico de precipitaciones durante el verano y depende de presas e infraestructura asociada para la gestión del agua. Sin embargo, la escalada de la crisis climática global ha provocado la aparición de tifones y sequías imprevistos, lo que complica las operaciones de las presas. En respuesta, ha surgido un nuevo estudio cuyo objetivo es superar los modelos físicos convencionales aprovechando el potencial de un modelo de inteligencia artificial (IA) entrenado en una gran cantidad de datos masivos.

El equipo se centró en elaborar un modelo de IA destinado no solo a predecir los patrones operativos de las presas dentro de la cuenca del río Seomjin, centrándose específicamente en la presa del río Seomjin, la presa Juam y la presa de control Juam, sino también a comprender los procesos de toma de decisiones de los Modelos de IA entrenados. Su objetivo era formular un escenario que describiera la metodología para pronosticar los niveles de agua de las presas. Empleando el modelo Gated Recurrent Unit (GRU), un algoritmo de aprendizaje profundo, el equipo lo entrenó utilizando datos que abarcan desde 2002 hasta 2021 de presas a lo largo del río Seomjin. Los datos de precipitación, entrada y salida sirvieron como entradas, mientras que los niveles horarios de las presas sirvieron como salidas. El análisis demostró una precisión notable, con un índice de eficiencia superior a 0,9.

Posteriormente, el equipo ideó escenarios explicables, manipulando entradas en -40%, -20%, +20% y 40% de cada variable para examinar cómo respondió el modelo GRU entrenado a estas alteraciones en las entradas. Si bien los cambios en las precipitaciones tuvieron un impacto insignificante en los niveles de agua de la presa, las variaciones en el flujo de entrada influyeron significativamente en el nivel del agua. En particular, el mismo cambio en el flujo de salida produjo diferentes niveles de agua en distintas presas, lo que afirma que el modelo GRU había aprendido efectivamente los matices operativos únicos de cada presa.

El profesor Jonghun Kam comentó: “Nuestro examen profundizó más allá de la predicción de los patrones de operaciones de las presas y asegura su efectividad utilizando modelos de IA. Introdujimos una metodología destinada a comprender indirectamente el proceso de toma de decisiones del modelo de caja negra basado en IA que determina los niveles de agua de la presa”. Afirmó además: «Nuestra aspiración es que esta información contribuya a una comprensión más profunda de las operaciones de las presas y mejore su eficiencia en el futuro».

La investigación fue patrocinada por el Programa de Investigadores de Mitad de Carrera de la Fundación Nacional de Investigación de Corea.