Itongadol.- Investigadores del Laboratorio de Hidroquímica de la Universidad de Tel Aviv han desarrollado un modelo de inteligencia artificial para predecir la presencia de contaminantes en las aguas residuales.
Basándose en datos de plantas de tratamiento de aguas residuales de Israel, el sistema alcanzó una tasa de precisión de alrededor del 90% y puede emitir alertas en tiempo real sobre concentraciones anómalas.
La investigación, dirigida por el estudiante de doctorado Ofir Inbar y el profesor Dror Avisar, del Laboratorio de Hidroquímica de la Escuela Porter de Ciencias Medioambientales y de la Tierra de la Universidad de Tel Aviv, se llevó a cabo en colaboración con el Dr. Mony Shahar, Yaakov Gidron e Ido Cohen, del Centro de Inteligencia Artificial y la Escuela de Informática de la Universidad de Tel Aviv, y el Dr. Ofir Menashe, del Colegio Académico Kinneret. Las conclusiones del estudio se publicaron en las revistas Journal of Water Process Engineering y Journal of Cleaner Production.
«Más del 80% de las aguas residuales del mundo no se tratan, y dos mil millones de personas carecen de acceso a sistemas de alcantarillado adecuados. En el mundo en desarrollo, las aguas residuales se vierten a menudo en fuentes potenciales de agua como ríos y lagos o se infiltran en las aguas subterráneas, agravando las crisis hídricas existentes», explicó Inbar.
«Incluso en países desarrollados como Israel, líder mundial en el tratamiento de aguas residuales, la gestión y el funcionamiento de las depuradoras siguen dependiendo de las pruebas de laboratorio tradicionales, que pueden provocar fallos y contaminación ambiental. Nuestro objetivo era desarrollar herramientas avanzadas de IA para mejorar y agilizar estos procesos de depuración, ahorrando así dinero y protegiendo el medio ambiente.»
Las aguas residuales son aguas contaminadas por residuos domésticos, agrícolas o industriales. Israel explota actualmente docenas de plantas de tratamiento de aguas residuales (EDAR) que purifican esta agua antes de devolverla a las fuentes de agua o reutilizarla para el riego agrícola (efluente tratado).
«El tratamiento de aguas residuales genera enormes conjuntos de datos biológicos, químicos y físicos procedentes de sensores y pruebas de laboratorio», explica Inbar. «Queremos analizar estos datos lo más cerca posible del tiempo real para optimizar el funcionamiento de las EDAR. En el primero de nuestros dos estudios, examinamos una EDAR que vierte aguas depuradas al río Yarkon tras los tratamientos primario, secundario y terciario.
«El principal problema que detectamos fueron las fluctuaciones en la concentración de fósforo. Los datos mostraron que esta concentración es muy variable, así que creamos un sistema capaz de predecir con fiabilidad los niveles anormales de fósforo. Los algoritmos que utilizamos calculan variables como la temperatura, las precipitaciones, las características de las aguas residuales y las propiedades químicas y biológicas, logrando una impresionante tasa de precisión de hasta el 87%.»
En un estudio de seguimiento, los investigadores examinaron el proceso secundario en el tratamiento de aguas residuales. Este proceso crucial y costoso se basa en microorganismos para descomponer los residuos y purificar el agua.
«Actualmente, cuando se sospecha que hay un problema en el proceso de tratamiento, se toma una muestra de agua y se envía a un laboratorio externo, donde los expertos la examinan manualmente al microscopio para estimar los microorganismos presentes», explica Inbar. «Estas pruebas son muy caras y, lo que es más importante, muy lentas. La EDAR recibe el informe del laboratorio varios días después del envío de la muestra, lo que a menudo hace que el informe sea irrelevante.»
Inbar explicó el uso que hicieron de la inteligencia artificial. «Utilizamos el aprendizaje automático para entrenar un sistema que identificara microorganismos en imágenes tomadas durante el proceso de tratamiento secundario, con un aumento de 400x», dijo.
«El reto era crear una base de datos desde cero, ya que no existía, y entrenar a la máquina para que reconociera microorganismos importantes, como protozoos y filamentos, así como componentes físicos del proceso de tratamiento, como flóculos (grupos de partículas). Se trata de un reto importante porque el sistema debe identificar estos diminutos organismos en imágenes tomadas bajo el agua, con todas las distorsiones y reflejos, y proporcionar alertas casi en tiempo real sobre cualquier desequilibrio en las poblaciones de microorganismos.
«Por supuesto, la ‘biblioteca’ que construimos puede y debe ampliarse y profundizarse, con mayores aumentos y espectros de luz adicionales como el infrarrojo, para controlar más microorganismos en el agua y lograr resultados cada vez más precisos. El objetivo es crear una herramienta basada en el aprendizaje automático que ayude a los ingenieros operativos de las EDAR en tiempo real, optimizando la descomposición de los contaminantes durante el tratamiento secundario y produciendo efluentes tratados de alta calidad, un recurso hídrico clave para el riego agrícola.»