Aqualearning

Aaqualearning es un proyecto creado por Amphos21 y fue ganador del SmartCatalonia Challenge.

Entidad responsible

Amphos 21 es una empresa de consultoría científica, técnica y estratégica al servicio del medio ambiente en 5 mercados principales (nuclear, minería, agua, sostenibilidad y CCS y cambio climático) y el desarrollo económico y social. Amphos 21 comenzó su actividad en Barcelona en el año 1994. Actualmente la empresa incluye más de 200 profesionales, los 25 años de experiencia como consultora internacional han permitido desarrollar proyectos en más de 20 países. (CWP, 2022)

Recuperado de: https://www.amphos21.com/ 

El enfoque de la firma Ampos21 es enfoque es proponer soluciones eficientes, innovadoras, integradas y transversales aplicando un método cuantitativo a cualquier solución. La consultora ha adquirido una extensa experiencia en la evaluación, análisis y modelización de una amplia gama de procesos en los medios geológicos, que incluye hidrogeología, geoquímica, geomecánica y transporte reactivo acoplado. En este contexto visualizan los recursos hidrológicos como una solución integrada, que sintetiza todos los aspectos relevantes del ciclo hidrológico para un proyecto determinado.

Explicación detallada

Aqualearning es una solución basada en la inteligencia artificial (IA) apoyada por el software propio IML. Su principal función es transformar datos en información de valor. El proceso seguido puede desglosarse en los siguientes campos:

En primer lugar, el análisis y preparación de los datos, evaluando las variables, encontrando correlaciones, discriminar los datos que aportan información de las que no.

Una parte de los datos son utilizados para ‘entrenar’ el algoritmo. En este sentido una vez el algoritmo este ‘entrenado’ se procede a la validación de sus predicciones. La validación utiliza los datos que no han sido utilizados y ver si tiene la capacidad y robustez para generar predicciones con la máxima exactitud posible. Cuando las predicciones ya son fiables el algoritmo está preparado para generar alertas futuras o toma de decisiones. Aqualearning contiene distintos algoritmos desarrollados mediante código abierto (tecnología TensorFlow).

Aqualearning se beneficia de la relación causa-efecto inherente a los procesos de relacionados con los recursos naturales para gestionarlos mediante IA.

El software se aplicó en distintos campos:

En primer lugar, para la predicción de elementos minoritarios en el acuífero de Forsmark (Suecia) dónde se proyecta edificar un almacén profundo de residuos nucleares. A partir de datos fisicoquímicos y elementos mayoritarios (recopilados desde 1994), mediante un árbol de decisión (tipología de algoritmo) se consiguió correlacionar la aparición de elementos minoritarios con la presencia de algunos elementos mayoritarios. La hipótesis fue correcta, con un coeficiente de determinación alto y permitió predecir las concentraciones de bario (97% de precisión promedio) y de uranio y molibdeno (>85% de precisión promedio).

También se aplicó sobre el recurso hídrico afectado por la minería en Chile y Perú. En estos países una parte de los residuos de la minería genera efluentes de fuertemente acidificantes. Actualmente el proceso experimental para evaluar el efecto del pH de las aguas de cada nueva explotación, o ampliación de esta sobre el medio ambiente es lento (30 semanas). A partir de los datos de las primeras semanas y las concentraciones de algunos elementos (cobre), el software Aqualearning es capaz de predecir el efecto del pH de las aguas al final del experimento. El resultado se alcanzó con más del 90% de precisión (empleando 4230 datos), al mismo tiempo se predecía las concentraciones de cobre (85% precisión). Esta aportación permite agilizar con antelación el dimensionamiento de plantas de tratamiento de las minas en Perú. Aunque no sustituye el proceso experimental, los resultados de Auqlearning han supuesto un gran ayuda en la planificación de acciones e inversiones en los casos testeados. 

Finalmente, otra aplicación de esta metodología predictiva se realizó en un campo de bombeo de aguas subterráneas con 14 pozos activos. Se conoce que algunos de ellos se interfieren, pero debido a la geología y la disposición de las fracturas no se identifican cuáles de ellos son. Usando Aqualearning fue posible predecir los niveles de los pozos mediante los datos del caudal extraído durante los días previos, obteniendo un ajuste satisfactorio. (ICRA, 2022), (IDAEA, 2022).