SEGURIDAD DE PRESAS: UN MODELO INTELIGENTE PARA LA DETECCIÓN DE ANOMALÍAS EN LOS DATOS DE INSTRUMENTACIÓN

Resumen

La seguridad de presas es un área crítica en ingeniería, donde la detección temprana de anomalías es crucial para prevenir desastres. Los métodos tradicionales de monitoreo suelen analizar los datos de instrumentación de forma aislada, sin identificar desviaciones complejas y contextuales que pueden anticipar fallas estructurales. Este trabajo propone y valida una metodología avanzada para la detección de anomalías en datos de monitoreo de presas, basada en la sinergia entre la ingeniería robusta de características y el algoritmo de aprendizaje automático no supervisado Local Outlier Factor (LOF). Utilizando un conjunto de datos sintéticos que emula el comportamiento de múltiples instrumentos (piezómetros, medidores de nivel de agua, canales Parshall y pluviómetros) durante tres años, el modelo se entrenó para identificar patrones normales en un espacio multidimensional. Los resultados demuestran la superioridad concluyente del enfoque propuesto, que alcanzó una puntuación F1 de 0,868 y, crucialmente, una precisión del 100 %, eliminando los falsos positivos. Por el contrario, los métodos tradicionales como el diagrama de caja y la regresión lineal obtuvieron un rendimiento significativamente peor. El análisis cualitativo confirmó la capacidad del modelo para detectar anomalías contextuales, como los caudales máximos durante los períodos secos, que de otro modo pasarían desapercibidas mediante análisis univariados. Se concluye que la metodología no solo aumenta la fiabilidad de la detección, sino que también proporciona una base para diagnosticar la naturaleza de las anomalías, lo que representa un avance significativo para la automatización inteligente del monitoreo de la salud estructural de las presas.

DOI: https://doi.org/10.56238/sevened2025.029-112