Utilizar redes neuronales informadas por la física (PINN por sus siglas en inglés), una técnica de inteligencia artificial (IA) que integra aprendizaje profundo con principios físicos, optimizaría el transporte de gas teniendo en cuenta restricciones como las variaciones de presión y flujos. 

Este enfoque pionero en el país, que permite evaluar hasta 20.000 escenarios posibles en menos de 10 minutos, contribuye a reducir tanto los costos operativos como la huella de carbono en el sector energético colombiano.

El término “huella de carbono” hace referencia a la suma de los gases de efecto invernadero (dióxido de carbono y gas metano, entre otros) emitidos a la atmósfera producto de la actividad humana. Estas emisiones se pueden cuantificar a nivel país, ciudad, empresa o incluso individual, como por ejemplo las emisiones de dióxido de carbono de automóviles y aviones por la quema de combustible o el gas metano emitido por las vacas durante la digestión.

El ingeniero electrónico Diego Armando Pérez Rosero lideró un estudio que contribuye a diversificar la matriz energética del país, mitigando la dependencia de combustibles fósiles más contaminantes como el carbón y el diésel, particularmente en escenarios críticos como el fenómeno de El Niño, trabajo desarrollado como parte de su tesis para la Maestría en Ingeniería - Automatización Industrial de la Facultad de Ingeniería Eléctrica, Electrónica y de Computación de la Universidad Nacional (UNAL) Sede Manizales.

Para mejorar la eficiencia y reducir emisiones en la cadena de suministro, su investigación se enfoca en sectores que dependen del gas natural como las termoeléctricas y las industrias de alto consumo energético, entre ellas industrias químicas, refinerías de petróleo, empresas de fertilizantes, plantas de producción de acero y plataformas de gas y petróleo.

“Somos un país que depende de las fuentes hídricas para suplir la demanda de energía eléctrica. Eso es bueno porque significa que nuestra energía proviene de una fuente renovable, pero somos vulnerables a fenómenos climáticos que provocan sequías y bajan los niveles de los embalses”, menciona el investigador.

Cuando esto sucede el país recurre a termoeléctricas que queman combustibles fósiles, lo cual, aunque mitiga la carga sobre los embalses, también aumenta la huella de carbono. “Además el gas natural es la opción más limpia entre los combustibles fósiles, ya que emite un 50 % menos de dióxido de carbono, pero no es renovable y las reservas nacionales se proyectan apenas para 7 años”.

En Colombia los modelos actuales para optimizar el transporte de gas tienen varias limitaciones, como por ejemplo que no consideran factores como los cambios en la presión dentro de las tuberías y el papel de las estaciones; también dependen mucho de que estas se configuren correctamente desde el inicio, lo que no siempre es fácil.

Según el investigador Pérez, resolver estos problemas puede tomar demasiado tiempo, especialmente en redes de gas grandes y complejas, lo que limita su uso práctico. Por eso él desarrolló un modelo más robusto que integra estas restricciones.

Este es más realista, incorpora en el diseño presiones máximas, flujos y restricciones físicas, lo cual permitiría una solución más cercana a la realidad del sistema de gas”, explica. Para ello usó dos escenarios posibles: uno al que se le pusieron datos reales en la IA y se verificaron para mostrar que son funcionales, y otro al que se le incluyeron errores en la información para que la IA las corrigiera y mostrara alternativas de solución.

En el trabajo se utilizaron redes de 8 a 15 nodos o puntos de conexión, para este caso con aspectos como producción, almacenamiento, o distribución a lo largo de la infraestructura del sistema de gas, y además realizó pruebas con la red colombiana real.

Una aliada

Uno de los logros destacados del modelo probado por el magíster Pérez fue su capacidad para evaluar hasta 20.000 escenarios futuros en menos de 10 minutos.

“Mientras las soluciones clásicas toman de 1 a 3 segundos por problema, el modelo aplicado a partir de las PINN puede hacerlo en solo 50 o 10 milisegundos según la complejidad, y evalúa múltiples escenarios al tiempo, velocidad crucial para anticipar y gestionar demandas fluctuantes en tiempo real”, detalla el investigador.

Destaca además que su propuesta es pionera en el país: “es el primer acercamiento que aplica IA para optimizar sistemas de gas; además de ser innovador es replicable en otros sectores que requieran de un proceso de optimización”.