Sensores virtuales inteligentes en desalación
DOI:
https://doi.org/10.64117/simposioscea.v2i3.254Palabras clave:
Gemelos Digitales, Machine learning, Sensores virtuales, Mantenimiento predictivo, DesalaciónResumen
Las plantas desaladoras en Canarias son una infraestructura crítica y sustentan el abastecimiento de agua de varias islas, tanto para uso doméstico como turístico. En ellas, los sistemas de bombeo son parte esencial del proceso, y algún fallo en estos supone la parada del mismo, lo que compromete la producción de agua desalada, generando elevados costes asociados y problemas derivados de la falta de abastecimiento. Asimismo, la medida de variables críticas, como la calidad del agua, el caudal o la presión en las plantas de desalación, es fundamental para garantizar el suministro de agua en condiciones adecuadas para el uso humano. En este sentido, la creación de gemelos digitales de sensores físicos puede contribuir permitiendo representar el sistema de forma virtual, estudiar posibles fallos y asegurar la redundancia de medidas críticas. El objetivo de este trabajo es desarrollar modelos de sensores virtuales basados en técnicas de Machine Learning aplicados al proceso de desalación de la planta Maspalomas I, ubicada en la isla de Gran Canaria. Estos modelos estarán orientados a la estimación de variables críticas del proceso, la detección temprana de fallos y generación de redundancia en las medidas, con el fin de mejorar la fiabilidad y la operatividad del sistema.
Citas
Adaika, H., Tir, Z., Sahraoui, M., Adaika, M., & Laadjal, K. (2025). Enhancing Maintenance Agility in Water Desalination Plants via Explainable MCSA: A Case Study on Workflow Integration and Diagnostic Efficiency. Proceedings - 2025 5th International Conference on Applied Automation and Industrial Diagnostics, ICAAID 2025. https://doi.org/10.1109/ICAAID68975.2025.11358184
Aminzadeh, A., Sattarpanah Karganroudi, S., Majidi, S., Dabompre, C., Azaiez, K., Mitride, C., & Sénéchal, E. (2025). A Machine Learning Implementation to Predictive Maintenance and Monitoring of Industrial Compressors. Sensors, 25(4). https://doi.org/10.3390/s25041006
Ampliación EDAM Maspalomas - ELMASA - Producción y eficiencia energética. (n.d.). Retrieved April 19, 2026, from https://elmasa.es/proyectos/ampliacion-capacidad-de-produccion-edam-maspalomas-i/
Cabrera, P., Carta, J. A., Lund, H., & Thellufsen, J. Z. (2021). Large-scale optimal integration of wind and solar photovoltaic power in water-energy systems on islands. Energy Conversion and Management, 235, 113982. https://doi.org/10.1016/j.enconman.2021.113982
Chen, C., Fu, H., Zheng, Y., Tao, F., & Liu, Y. (2023). The advance of digital twin for predictive maintenance: The role and function of machine learning. Journal of Manufacturing Systems, 71, 581–594. https://doi.org/10.1016/j.jmsy.2023.10.010
Darvishi, H., Student Member, G., Ciuonzo, D., Member, S., & Salvo Rossi, P. (2023). A Machine-Learning Architecture for Sensor Fault Detection, Isolation, and Accommodation in Digital Twins. IEEE SENSORS JOURNAL, 23(3). https://doi.org/10.1109/ICNSC52481
Douairi, H. T.-B. J. C. C. J. A. C. Pedro. (2024). Modelo lineal de pérdidas de un volante de inercia. XIX Simposio CEA de Control Inteligente, 69–74.
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17, 37–54.
Ghorbani Bam, P., Rezaei, N., Roubanis, A., Austin, D., Austin, E., Tarroja, B., Takacs, I., Villez, K., & Rosso, D. (2025). Digital Twin Applications in the Water Sector: A Review. Water (Switzerland), 17(20). https://doi.org/10.3390/w17202957
Gómez-Gotor, A., Del Río-Gamero, B., Prieto Prado, I., & Casañas, A. (2018). The history of desalination in the Canary Islands. Desalination, 428, 86–107. https://doi.org/10.1016/j.desal.2017.10.051
Matos, C., Linares, R., Romero-Filgueira, A., Carta, J. A., & Cabrera, P. (2026). Enabling synergies among hydrogen, desalination, and flywheel storage for sustainable island energy systems. Energy, 354, 141087. https://doi.org/10.1016/J.ENERGY.2026.141087
Ou, F., Wang, H., Zhang, C., Tom, M., Bom, S., Davis, J. F., & Christofides, P. D. (2024). Industrial data-driven machine learning soft sensing for optimal operation of etching tools. Digital Chemical Engineering, 13. https://doi.org/10.1016/j.dche.2024.100195
Tecnológico de Ciencias Marinas, C. (n.d.). Informe de la Actividad de Economía Azul en Canarias 2021. Retrieved April 16, 2026, from https://www.cetecima.com/publicacion-del-informe-de-actividad-de-la-economia-azul-en-canarias-2021/
van Dinter, R., Tekinerdogan, B., & Catal, C. (2022). Predictive maintenance using digital twins: A systematic literature review. In Information and Software Technology (Vol. 151). Elsevier B.V. https://doi.org/10.1016/j.infsof.2022.107008
Voutchkov, N. (2013). Desalination Engineering; Planning and Design. The McGraw-Hill Companies, Inc.
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Ana Díaz Hernández, Pedro J. Cabrera Santana
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Los autores conservan los derechos de autor de sus trabajos y conceden a Simposios CEA el derecho de primera publicación.
Los artículos se publican bajo una licencia Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0), que permite compartir, copiar, distribuir y reutilizar el contenido para fines no comerciales, siempre que se reconozca adecuadamente la autoría y la publicación original.
Cualquier uso comercial del contenido requerirá autorización expresa de los titulares de los derechos de autor.
