Aprendizaje automático para predecir fallos en redes de abastecimiento de agua enterradas afectadas por impactos mineros

Por qué importan las tuberías rotas

La mayoría de nosotros abre el grifo sin pensar en el laberinto de tuberías ocultas bajo nuestras calles. En las zonas mineras, sin embargo, estas tuberías enterradas sufren estrés adicional a medida que el terreno se hunde y desplaza lentamente. Cuando las tuberías se agrietan o se rompen, los barrios pueden quedarse sin agua, las calles pueden inundarse y las empresas de servicios tienen que gastar más en reparaciones, costes que al final repercuten en los consumidores y en el medio ambiente. Este estudio explora cómo las herramientas modernas de aprendizaje automático pueden ayudar a predecir qué tramos de tubería tienen más probabilidades de fallar, de modo que las reparaciones puedan realizarse antes de que ocurra un desastre.

Un terreno que se mueve bajo nuestros pies

La minería subterránea intensiva no solo extrae carbón o mineral: también remodela el terreno superior. A medida que se crean vacíos en profundidad, la superficie puede hundirse, inclinarse y deformarse gradualmente. Para las conducciones principales de acero enterradas cerca de la superficie, este movimiento actúa como una cuerda de tirar lenta y poderosa. El suelo arrastra las paredes exteriores de las tuberías, estirando algunos tramos y comprimiendo otros. Con el tiempo, esta fricción puede desgastar los recubrimientos protectores y acelerar la corrosión, formando pequeñas picaduras y agujeros en el metal. El resultado es una mayor probabilidad de fugas y roturas en áreas mineras en comparación con terrenos más estables.

Qué midieron los investigadores

Los autores examinaron más de 100 kilómetros de tuberías subterráneas de agua que atraviesan zonas mineras en Silesia, Polonia. Para cada tramo de tubería recogieron información básica como longitud, antigüedad, diámetro y material. También describieron la intensidad del impacto minero en el terreno circundante, usando categorías para estiramiento, compresión y deformación extrema. Finalmente, contaron cuántas fallas habían ocurrido en cada tramo y convirtieron esto en una tasa de fallos, es decir, con qué frecuencia se rompe un kilómetro de tubería en un año. Esto creó un conjunto de datos compacto pero rico en información que vincula las características de las tuberías, las condiciones mineras y los daños reales.

Enseñar a los ordenadores a detectar problemas

Para convertir estos datos en predicciones, el equipo probó cinco métodos de aprendizaje automático ampliamente usados para encontrar patrones: redes neuronales, máquinas de vectores de soporte, bosques aleatorios, árboles potenciados por gradiente y una versión refinada de k-vecinos más cercanos. A cada método se le pidió que aprendiera cómo los distintos factores de la tubería y la minería se combinan para producir tasas de fallo más altas o más bajas. Parte de los datos se usó para el entrenamiento y el resto se reservó para comprobar si los modelos podían generalizar a tramos nuevos y no vistos. Dos técnicas destacaron claramente: un enfoque de árboles de decisión potenciado conocido como XGBoost y una máquina de soporte vectorial. Ambos ofrecieron predicciones precisas de las tasas de fallo, a pesar de que ninguna variable de entrada tenía un vínculo lineal sencillo con el daño.

Encontrar lo que más importa

Más allá de la precisión bruta, los autores quisieron entender qué características realmente impulsan el riesgo de fallo. Recurrieron a un método de explicabilidad que asigna a cada variable una contribución a las predicciones del modelo, algo similar a repartir una cuenta entre los comensales. Este análisis mostró que el factor más importante fue la longitud del tramo de tubería: los tramos más largos están simplemente expuestos a más movimiento del terreno y tienen más puntos donde algo puede fallar. El segundo factor clave fue la antigüedad, reflejando el debilitamiento gradual del acero y los recubrimientos a lo largo de décadas. Las medidas de estiramiento del terreno a lo largo de la tubería y el diámetro de la misma también jugaron papeles significativos, mientras que la compresión pura y la categoría de deformación más extrema contribuyeron relativamente poco en este conjunto de datos en particular.

Qué significa esto para las ciudades y los residentes

En términos sencillos, el estudio muestra que los algoritmos inteligentes pueden ayudar a las empresas de servicios en regiones mineras a pasar de reaccionar ante las roturas de tuberías a prevenirlas. Al centrar las inspecciones, los refuerzos o los reemplazos en los tramos de tubería más largos, más antiguos y más estirados, las compañías de agua pueden reducir las sorpresas, conservar agua y proteger a las comunidades de cortes repentinos. Aunque el trabajo se basa en un distrito minero y un periodo de monitoreo limitado, el enfoque puede adaptarse a otras redes subterráneas y ubicaciones. A medida que haya más datos disponibles, el aprendizaje automático podría convertirse en una herramienta estándar para mantener el suministro de agua potable de forma segura a través de paisajes remodelados por la actividad humana.

Cita: Chomacki, L., Rusek, J. & Słowik, L. Machine learning in predicting failures of buried water supply networks affected by mining impacts. Sci Rep 16, 8465 (2026). https://doi.org/10.1038/s41598-026-39874-w

Palabras clave: fallos en tuberías de agua, hundimiento por minería, predicción con aprendizaje automático, riesgo de infraestructuras, redes de agua enterradas