Sobre HidroLabs
HidroLabs es un laboratorio de Hidroinformática de vanguardia ubicado en la Universidad de Talca. Nuestro equipo multidisciplinario se dedica a la investigación y desarrollo de soluciones innovadoras en el campo de los recursos hídricos, combinando tecnologías avanzadas con una profunda comprensión de los desafíos hídricos actuales.
Conoce más sobre nosotros
Últimas noticias
Jornadas de Investigación del Doctorado en Sistemas de Ingeniería: Carlos López expone avances en la optimización de redes y recuperación de energía.
12/18/2024
La Jornada de Investigación del Doctorado en Sistemas de Ingeniería destacó el trabajo de Carlos López Aburto, quien presentó sus avances en la optimización de redes de distribución de agua, mejorando la eficiencia hídrica y recuperación energética.
Leer más
Thalía Faúndez y Nicolás Gajardo exponen en Workshop de Inteligencia Artificial Aplicada
12/12/2024
Los alumnos tesistas de magíster Thalía Faúndez y Nicolás Gajardo exponen en Workshop de Inteligencia Artificial Aplicada desarrollado en la Universidad de Talca.
Leer más
Exitosa participación de Nicolás Gajardo en 27th Iberoamerican Congress on Pattern Recognition (CIARP 2024)
12/10/2024
El alumno tesista Nicolás Gajardo participó en el 27th Iberoamerican Congress on Pattern Recognition (CIARP 2024) en Talca, presentando 2 trabajos desarrollados en el laboratorio de Hidroinformática.
Leer másPublicaciones Destacadas
Estrategia integrada de sectorización y regulación para controlar la presión y reducir fugas en RDAP
Sectorización en redes de distribución de agua; regulación de presión; control de fugas; gestión de operación.
Autores: Carlos López-Aburto, Daniel Mora-Meliá, Sergio A. Silva-Rubio, Jimmy Gutiérrez-Bahamondes e Pedro L. Iglesias-Rey.
Ver publicaciónOptimización de estaciones de bombeo asistida por estimador de probabilidad de factibilidad de diseño y operación
La operación de estaciones de bombeo en redes de distribución de agua representa uno de los componentes más intensivos en consumo energético, y su optimización presenta desafíos importantes debido a la escala real de los sistemas y la alta proporción de configuraciones que no cumplen con los requisitos hidráulicos. Este trabajo amplía la implementación de metodologías evolutivas asistidas por un modelo de aprendizaje automático, estableciendo un regresor para estimar la factibilidad hidráulica de las soluciones sin recurrir a simulaciones hidráulicas (SH) dentro de la búsqueda de soluciones en algoritmos de optimización. La experimentación emplea umbrales de factibilidad (Ω) que permiten descartar soluciones que no cumplen dicho criterio y reducir la carga computacional en estos métodos. La reducción de SH proporciona una reducción computacional promedio de 11,98 %, llegando hasta un 31.55 % de soluciones ahorradas. Las soluciones encontradas por cada umbral de factibilidad cumplen las demandas hidráulicas y los requerimientos de diseño de EB en un caso de estudio de red de escala real, resaltando el potencial de la propuesta para ser aplicada en problemas reales de planificación hidráulica donde el costo computacional constituye una barrera crítica.
Autores: Gajardo-Sepúlveda, Nicolás; Gutiérrez-Bahamondes, Jimmy; Mora-Melia, Daniel y Faúndez-Lizama, Thalía.
Ver publicaciónPredictor de factibilidad y estimador operacional para la optimización evolutiva de redes de distribución de agua.
La optimización de redes de distribución de agua (RDA) enfrenta limitaciones críticas debido al costo computacional de validar de diseño y planificación operacional de estaciones de bombeo (EB). El tiempo de cómputo en simulaciones hidráulicas, junto con la baja factibilidad de soluciones disminuyen la eficiencia de herramientas metaheurísticas e impiden su aplicación práctica en escenarios reales. Este estudio propone una metodología basada en modelos subrogantes de aprendizaje automático, conformando un sistema de evaluación en dos capas (EDC-EB), implementado dentro de un algoritmo genético. La primera capa corresponde a un modelo de clasificación de para descartar soluciones infactibles, mientras que la segunda capa implementa un modelo de regresión para estimar parámetros operacionales de bombeo, sustituyendo las simulaciones y reduciendo el esfuerzo computacional de optimización. Esto es evaluado en una red de escala real (Curicó, Chile), con datos sintéticos que capturan el comportamiento de la red. Los resultados muestran una reducción del 96.35% en el tiempo total de optimización y ahorros de hasta 27.68% de evaluaciones en un algoritmo genético frente a algoritmos evolutivos actuales, sin comprometer la calidad de las soluciones obtenidas. Esta metodología representa una estrategia eficiente y escalable para abordar los desafíos computacionales en la optimización de RDA.
Autores: Gajardo-Sepúlveda, Nicolás; Gutiérrez-Bahamondes, Jimmy; Mora-Melia, Daniel y Faúndez-Lizama, Thalía
Ver publicación