Un equipo de hidrólogos del Oak Ridge National Laboratory (ORNL), dependiente del Departamento de Energía de Estados Unidos, desarrolló un modelo de inteligencia artificial capaz de predecir con alta precisión la temperatura de los ríos en cualquier punto del territorio continental estadounidense, incluso en tramos sin sensores instalados, según informó el portal especializado TechXplore.
El modelo —bautizado como River Temperature Time Series for Hydrothermal Modeling and Analysis (RiTHyMs)— genera predicciones diarias de temperatura para cada uno de los 2,7 millones de tramos fluviales del territorio continental de Estados Unidos con un margen de error promedio de 1,1 °C entre las temperaturas reales y las estimadas, según detalló Sean Turner, ingeniero principal del grupo Water Resources Science and Engineering de ORNL.
El avance, publicado en la revista científica Journal of Hydrology, permite a operadores hidroeléctricos y de centrales nucleares anticipar riesgos vinculados al cumplimiento normativo, la salud de los ecosistemas acuáticos y el abastecimiento a usuarios aguas abajo.
PUBLICIDAD
Más del 70% de la electricidad generada en Estados Unidos proviene de plantas termoeléctricas —nucleares, de gas natural y de carbón— que dependen del agua para sus procesos de enfriamiento. La mayoría de los ríos y arroyos del país carece de sistemas de monitoreo permanente de temperatura, lo que hasta ahora convertía ese conocimiento en una tarea costosa y de alcance limitado.
Cómo funciona el modelo y qué precisión alcanza
RiTHyMs emplea una red de memoria de largo plazo (LSTM, por sus siglas en inglés), una arquitectura de aprendizaje profundo diseñada para analizar series temporales y reconocer patrones a lo largo de días, estaciones y años. La integración de datos accesibles a nivel nacional permite al modelo cubrir cuencas completamente desprovistas de estaciones de medición.
El modelo demostró su capacidad para reproducir patrones de calentamiento y enfriamiento estacional en todo tipo de ríos y mantuvo su precisión durante olas de calor extremo, momentos determinantes para la fiabilidad de la red eléctrica y el cumplimiento de las regulaciones sobre uso del agua. Turner indicó que la exactitud aumentó cuando los investigadores ajustaron el enfoque hacia áreas aguas arriba cercanas, lo que produjo señales más limpias en las previsiones aguas abajo, especialmente en ríos de gran tamaño.
PUBLICIDAD
Los datos que entrenaron al modelo
El entrenamiento de RiTHyMs incluyó nueve años de observaciones diarias obtenidas a través de aproximadamente 300 sensores del U.S. Geological Survey, complementadas con datos generados por ORNL sobre precipitaciones, temperatura del aire, radiación solar, humedad y presencia de nieve, además de estadísticas simuladas de caudal y datos federales sobre características de las cuencas. Todo ese procesamiento se ejecutó sobre la infraestructura de computación de alto rendimiento de la Oak Ridge Leadership Computing Facility, el centro de supercomputación del Departamento de Energía alojado en ORNL.
El ingeniero señaló que el objetivo desde el inicio era construir un sistema aplicable en cualquier punto del país, y que ese alcance solo fue posible al entrenar el modelo con conjuntos de datos disponibles para toda la red hídrica estadounidense.
Aplicaciones actuales y expansión futura
RiTHyMs se aplica en la actualidad a los sistemas fluviales gestionados por la Tennessee Valley Authority, la empresa pública de servicios energéticos. En paralelo, el equipo trabaja en optimizar las predicciones para regiones montañosas del oeste del país, donde las cuencas afectadas por el deshielo glaciar presentan retos específicos que han despertado interés entre otras empresas proveedoras de servicios.
PUBLICIDAD
Turner subrayó que el modelo también aporta una mejora en la comprensión operativa de las centrales nucleares existentes y en la evaluación de nuevos emplazamientos para el programa nacional de expansión nuclear. A través de la plataforma HydroSource del Departamento de Energía se encuentra disponible información adicional sobre el funcionamiento y el acceso al modelo.