El mundo afronta el desafío cada vez mayor de escasez de agua debido al crecimiento demográfico, el cambio climático y la gestión ineficiente de los recursos hídricos. Para garantizar el acceso y uso sostenible del agua, se requieren soluciones innovadoras. Una de las más prometedoras es la desalinización de agua de mar por ósmosis inversa (SWRO por sus siglas en inglés). Sin embargo, esta tecnología clave requiere una cantidad significativa de energía para presurizar el agua de mar y superar la presión osmótica necesaria para convertirla en agua dulce.

Para optimizar las operaciones de ósmosis inversa, es imprescindible la gestión inteligente en tiempo real de los parámetros operativos. De este modo se reduce el consumo energético, se minimiza el uso de productos químicos y, además, estas innovaciones ayudan a ajustar la producción de agua en función de la demanda y de las condiciones hídricas predominantes. Estos objetivos solo se pueden conseguir mediante la monitorización en tiempo real y el uso de herramientas de simulación avanzadas como los gemelos digitales.

Por definición, la ósmosis inversa es el proceso por el que se mueven las moléculas de agua de una zona de alta concentración de solutos (alta presión osmótica) a una zona de baja concentración (baja presión osmótica) a través de una membrana semipermeable, en sentido contrario al flujo osmótico natural, cuando se aplica una presión externa superior a la presión osmótica.

Enfoque en la investigación: La tesis de Aissam Daaboub

Aissam Daaboub, egresado del «Máster Internacional en Gestión sostenible y gobernanza del agua en el medio natural y agrario» del CIHEAM Zaragoza, ha realizado un destacado trabajo de investigación sobre procesos de desalinización. Su tesis, titulada «Desarrollo de soluciones predictivas para la generación y distribución de agua potable», explora el potencial de modelos basados en datos para simular el comportamiento de la tecnología SWRO y optimizar sus procesos.

La investigación de Daaboub se realizó bajo la supervisión de Edgar Rubión Soler, responsable de soluciones innovadoras de IA para el agua y el cambio climático en Eurecat, el principal centro tecnológico de Cataluña, España.

“El segundo año del programa máster ha sido una experiencia muy gratificante y enriquecedora”, comenta Aissam. “La elección del tema surgió de mi deseo de consolidar los conocimientos adquiridos durante el primer año, en particular en el ámbito de la transformación digital del sector del agua. Esto me llevó a contactar con Eurecat a través de la coordinadora del programa, Maite Aguinaco. El proyecto me ha ayudado mucho a desarrollar competencias en modelización matemática, programación, aprendizaje automático, simulaciones y en la resolución de problemas reales”.

Soluciones predictivas para producir agua potable

El objetivo principal de este trabajo de investigación ha sido desarrollar soluciones predictivas para la producción de agua potable en respuesta a los retos de la escasez de agua y el cambio climático. La investigación se centra en potenciar la desalinización mediante ósmosis inversa con la integración de gemelos digitales y aprendizaje automático (AA). Estas tecnologías permiten la monitorización en tiempo real, la simulación de escenarios hipotéticos, la optimización de procesos y el control autónomo de sistemas. Gracias a ello, es posible mejorar la eficiencia energética, reducir los costes operativos, y de este modo minimizar el impacto ambiental asociado a las tecnologías de desalinización.

Aplicabilidad de los modelos de aprendizaje automático

La investigación avanza en la comprensión y optimización del proceso de ósmosis inversa del agua de mar (SWRO). Se ha desarrollado un modelo mecanístico robusto, que replica exactamente el comportamiento complejo del proceso de ósmosis inversa y demuestra una alta precisión en la predicción de indicadores clave de desempeño, como la salinidad del permeado, la recuperación del agua, y el consumo específico de energía. Además, se han probado modelos basados en datos de aprendizaje automático como CatBoost y XGBoost, para evaluar su capacidad de simular los procesos de desalinización. Se ha utilizado la técnica SHAP (SHapley Additive exPlanations) para validar la eficacia de estos modelos en la representación de los mecanismos del sistema.

El estudio también ha demostrado la aplicabilidad real de estos modelos de aprendizaje automático en la mejora del rendimiento de los sistemas de desalinización, en particular la eficiencia energética. En particular, permite equilibrar los compromisos entre variables clave como la salinidad del permeado, el consumo específico de energía y el caudal del permeado. Este trabajo resalta el papel transformador del aprendizaje automático en la tecnología SWRO, y su contribución al desarrollo de gemelos digitales que permitirá realizar operaciones más eficientes y controladas.

Sobre el autor

Aissam Daaboub cursó sus estudios de ingeniería agronómica, especializándose en protección vegetal y medioambiente, en la Escuela Nacional de Agronomía de Meknés, Marruecos. Posteriormente obtuvo un MSc en gestión sostenible y gobernanza del agua en el medio natural y agrario en el CIHEAM Zaragoza.

Las áreas de investigación de Aissam incluyen la gestión sostenible del agua, el cambio climático, la sequía, la desalinización, la inteligencia artificial, la teledetección, la modelización hidrológica, y la simulación. Le interesa especialmente el desarrollo de soluciones basadas en datos para la desalinización, el tratamiento de aguas residuales, y sistemas hidrológicos. En la actualidad trabaja de investigador sobre inteligencia artificial aplicada al agua y al cambio climático en Eurecat.