Modelo Predictivo para Identificación de Fugas en Redes de Distribución de Agua mediante Monitoreo de Presión

doi:10.22167/2675-6528-202602654

Artículo

30 de septiembre de 2026

Modelo Predictivo para Identificación de Fugas en Redes de Distribución de Agua mediante Monitoreo de Presión

Modelo Predictivo para Identificación de Fugas en Redes de Distribución de Agua Mediante Monitoreo de Presión

Ana Carolina Porto; Elisa Morandé Sales

DOI: 10.22167/2675-6528-202602654

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

Las pérdidas reales de agua en redes de distribución representan un desafío crucial para la eficiencia operativa de las concesionarias de saneamiento, especialmente frente a las metas de reducción establecidas por la Ley nº 14.026/2020. Se desarrolló un modelo predictivo para identificar fugas en redes de distribución de agua a partir del monitoreo de datos de presión, con el objetivo de estimar la magnitud y la ubicación más probable de los eventos. La metodología integró simulaciones hidráulicas, datos operacionales y técnicas de aprendizaje profundo, utilizando una arquitectura híbrida CNN-LSTM. El modelo fue desarrollado y evaluado en la red de distribución virtual L-Town, de la competencia BattLeDIM (2020), combinando datos sintéticos generados vía biblioteca WNTR con series temporales de presión para evaluación externa. Los resultados demostraron la viabilidad del enfoque predictivo, con R² de 0,7947 y una precisión de zona del 70,05% en el dominio sintético, y una correlación de Pearson de 0,7449 en la evaluación macrotendencia temporal externa. La divergencia de dominio observada, con una caída de la precisión de localización del 70,05% al 18,02% en la evaluación externa, delimitó el alcance actual del modelo e indicó la necesidad de mejoras para su implementación en redes operacionales. El modelo se presenta como una herramienta prometedora para la gestión de pérdidas, destacándose en la cuantificación de fugas, pero exige mejoras para la localización exacta en campo.

Palabras clave: Detección de fugas; Machine learning; Pérdidas reales de agua; Sistema de suministro de agua.

1. Introducción

Debido a la creciente preocupación asociada con el cambio climático y los escenarios de escasez hídrica, la conservación de los recursos naturales y el uso consciente del agua han ido ganando protagonismo en los ámbitos nacional e internacional. En este contexto, con la actualización promovida por la Ley nº 14.026/2020, entró en vigor en Brasil el nuevo marco legal del saneamiento básico, que establece directrices para la regulación, la universalización del acceso y la prestación eficiente de los servicios, incluyendo la reducción de los índices de pérdidas de agua. Complementariamente, en 2025 se aprobó la Norma de Referencia nº 15/2025 de la Agencia Nacional de Aguas y Saneamiento Básico (ANA), la cual define directrices específicas para la gestión, la reducción progresiva y el control de las pérdidas en los sistemas de abastecimiento.

Por definición, en un sistema de abastecimiento urbano, las pérdidas de agua se contabilizan a través de la diferencia entre el volumen total introducido en el sistema —correspondiente al agua producida e importada— y el consumo autorizado, clasificándose en pérdidas reales y pérdidas aparentes. La pérdida real, también denominada pérdida física, corresponde a la porción de agua que no llega al consumidor final, estando asociada principalmente a fugas en elementos presurizados del sistema, como redes de distribución y ramales prediales. A su vez, la pérdida aparente, o comercial, se refiere al volumen de agua efectivamente consumido, pero no debidamente medido, contabilizado o autorizado, estando relacionada con imprecisiones en la micromedición, errores de manipulación de datos y consumos no autorizados. Además de estas categorías, destaca el concepto de “agua no facturada”, que representa el total de agua no convertida en facturación, englobando tanto las pérdidas reales y aparentes como el consumo autorizado no facturado (Pearson, 2019).

El estudio realizado por Liemberger y Wyatt (2018) indica que el volumen mundial de agua no facturada era, en 2019, del orden de 346 millones de metros cúbicos por día. Según los autores, además de representar una preocupación financiera, el elevado índice de pérdidas en el actual contexto de creciente escasez y cambios climáticos compromete la capacidad de las concesionarias de suministro para alcanzar sus metas de universalización, así como para entregar un servicio confiable, de calidad y a precios accesibles.

A nivel nacional, el ranking de saneamiento publicado por el Instituto Trata Brasil (2025) analizó los indicadores de los 100 municipios más poblados con valores de referencia del SNIS/SINISA 2023. El informe presentó un índice medio de pérdidas en la distribución del 45%, lo que representa un empeoramiento significativo en relación con el 35% computado el año anterior, superior también a la media nacional divulgada en el SINISA (2023), que fue del 40%.

En lo que respecta específicamente a las pérdidas reales, las fugas en las redes de distribución y en los ramales prediales son las partes más representativas, pudiendo ser clasificadas como visibles, no visibles o inherentes. Mientras que las fugas inherentes están condicionadas por la situación física y operativa de las infraestructuras existentes, las fugas visibles y no visibles tienen un vínculo directo con el Tiempo Medio de Atención (TMA). Así, la detección rápida de nuevos eventos asume una importante estrategia en la reducción del volumen de agua perdido, que varía según el tiempo entre la conciencia de una nueva rotura hasta su efectiva localización y reparación (Manzi, 2017).

Actualmente existen diversos métodos disponibles para el control activo de fugas, como por ejemplo tecnologías para la correlación de ruido, técnicas in-line (sistemas anclados por cableado o libres), dispositivos electrónicos de escucha amplificada, drones, radar de penetración en el suelo (GPR), cámaras infrarrojas/térmicas, imágenes de satélite, herramientas de optimización (modelado hidráulico) y soluciones basadas en software (Hamilton y Charalambous, 2020). Sin embargo, a pesar de la variedad de tecnologías, a menudo un buen rendimiento requiere directrices más asertivas. Debido a la alta complejidad, la ausencia de diagnósticos precisos y la baja disponibilidad de información, las tecnologías disponibles no siempre entregan resultados prácticos, eficientes y eficaces.

Se sabe que el caudal de fugas en una tubería determinada aumenta en función del aumento de la presión del fluido. Esto ocurre porque el área de la fuga no es fija, oscilando conforme la variación de presión a la que se somete la tubería, teniendo como influencia también las especificidades del material de la red (Van Zyl et al., 2017). Aunque se conoce esta correlación, la aplicabilidad de herramientas que posibiliten un diagnóstico preciso de este impacto en sistemas reales no es trivial. Al analizar los datos de presión, diversas variables dificultan la separación de las “firmas” de cada evento registrado, que además de las fugas cuentan con variaciones en el consumo y eventos operacionales, como llenado de depósitos, accionamiento de bombas, apertura y cierre de válvulas, entre otros.

Misiunas (2005), en un diagnóstico que sigue siendo válido, observó que a pesar de los esfuerzos realizados para modernizar la operación de los sistemas de abastecimiento de agua, esta sigue siendo una de las áreas que más requiere desarrollo dentro de la infraestructura urbana. En los últimos años, los avances tecnológicos han impulsado significativamente la elaboración de herramientas que ayuden en la detección de fugas en redes de distribución de agua, como el uso de inteligencia artificial y técnicas de deep learning.

El objetivo de este trabajo es estructurar un modelo predictivo capaz de identificar fugas en redes de distribución de agua, tanto en términos de magnitud, expresado por el coeficiente emisor, como de localización, representada por la delimitación de un área más probable para la ocurrencia del evento. El enfoque propuesto busca no solo mejorar el diagnóstico del volumen de pérdidas reales en sistemas de abastecimiento, sino también aumentar la precisión y la rapidez en la detección y localización de fugas. Al priorizar y potenciar el uso de la infraestructura de medición ya instalada en los sistemas existentes, el trabajo tiene como objetivo desarrollar una herramienta de apoyo a la eficiencia operativa, a la reducción de pérdidas y a la mejora en la gestión inteligente de las redes.

2. Material y Métodos

La metodología adoptada en este trabajo se caracterizó por un enfoque predictivo y cuantitativo, con el objetivo de desarrollar un modelo de inteligencia artificial para la detección y localización de fugas en redes de distribución de agua. El estudio integró modelado hidráulico computacional para la generación de datos sintéticos, preprocesamiento de series temporales y el desarrollo de una arquitectura híbrida de red neuronal profunda.

El objeto empírico de la investigación fue la red de distribución virtual L-Town, proporcionada por la competición científica internacional BattLeDIM (2020). Esta red ficticia está constituida por 782 nodos de demanda, 1 reservorio y 2 fuentes de suministro. La red tiene una extensión de 43,16 km, modelada en 905 tramos, e incluye 3 válvulas y 1 bomba. Para el monitoreo del sistema, se utilizaron datos de presión provenientes de 33 sensores distribuidos por la red.

Debido a la escasez de datos reales etiquetados de fugas en entornos operativos, se optó por la generación de un conjunto de datos sintético. Se simularon 10.000 escenarios de fugas, cada uno con una duración de 24 horas y un paso de tiempo hidráulico y de reporte configurado para 900 segundos (15 minutos), resultando en series temporales de 96 puntos por sensor. Las simulaciones se realizaron utilizando el motor de cálculo hidráulico “Pressure-Driven Demand” (PDD).

La magnitud de las fugas en el conjunto de datos sintético se definió por el coeficiente emisor, variando aleatoriamente entre 0,0001 (fuga de pequeño tamaño) y 0,0015 (fuga de tamaño mediano). Adicionalmente, se añadió un ruido Gaussiano (media 0, desviación estándar 0,2) a las lecturas de presión simuladas, con el fin de representar incertidumbres y errores de medición de los sensores reales. Para cada escenario, se simuló solo una fuga activa por nodo.

La discretización espacial del problema de localización se realizó mediante la agrupación de los nodos de la red en zonas geográficas. Se aplicó el algoritmo K-Means a las coordenadas cartesianas (X,Y) de los nodos, definiendo 10 clusters (zonas). Este enfoque resultó en aproximadamente 4,3 km de red por sector, transformando el problema de localización exacta, de alta complejidad, en un problema de clasificación multiclase por zonas.

Antes de la alimentación en la red neuronal, los datos pasaron por tres etapas de tratamiento. En primer lugar, se realizó el cálculo de residuos, restando de las series temporales de presión simuladas (con fuga) una “línea base” correspondiente al comportamiento de la red sin fugas, aislando así la firma hidráulica de la anomalía.

A continuación, se aplicó la técnica “MinMax Scaler” para normalización, reescalando los valores de los residuos a un intervalo que facilitara la convergencia del gradiente durante el entrenamiento. Finalmente, para la validación con datos reales de 2019 (evaluación externa), se utilizó una técnica de ventana deslizante (“sliding window”) con un tamaño de 96 pasos temporales, garantizando la compatibilidad con el formato de entrada del modelo entrenado.

El modelo se construyó a partir de una propuesta híbrida, integrando Redes Neuronales Convolucionales (CNN-1D) y Redes Neuronales Recurrentes (LSTM). La arquitectura propuesta consistió en una estructura de “Aprendizaje Multi-Tarea”, con el objetivo de explorar simultáneamente patrones temporales locales y dependencias dinámicas a largo plazo en las señales de presión.

La entrada del modelo consistió en un tensor de dimensión (96, 33), representando 96 instantes temporales (24 horas de mediciones registradas cada 15 minutos) provenientes de 33 sensores de presión. La estructura de la red se compuso de capas secuenciales, iniciando con una capa convolucional 1D con 64 filtros y tamaño de kernel igual a 3, seguida de función de activación ReLU y MaxPooling con factor 2, para extracción de características espaciales.

Posteriormente, una capa Long Short-Term Memory (LSTM) con 50 unidades procesó las características extraídas por la CNN-1D, capturando dependencias temporales de largo alcance y la dinámica diaria de las presiones. Una capa densa intermedia de 64 neuronas se conectó a dos capas de salida independientes: una para clasificación de la zona de la fuga (Output_Localizacao, con 10 neuronas y activación Softmax) y otra para regresión de la intensidad de la fuga (Output_Magnitude, con 1 neurona y activación lineal).

Todo el desarrollo se realizó en el entorno “Google Colab”, utilizando el lenguaje Python (versión 3.12.13). Las bibliotecas “Water Network Tool for Resilience” (WNTR, v1.4.0) se emplearon para la simulación hidráulica, y “TensorFlow” (v2.21.0) para la construcción de los modelos predictivos. El conjunto de datos sintético se dividió en 80% para entrenamiento y validación, y 20% para prueba.

El modelo se compiló utilizando el optimizador Adam. La función de pérdida se compuso de forma ponderada, asignando peso 3.0 a la pérdida de clasificación (“sparse_categorical_crossentropy”) y peso 1.0 a la pérdida de regresión (“mean_squared_error”), priorizando la tarea de localización. El entrenamiento se llevó a cabo a lo largo de 100 épocas, con un “batch size” de 64 muestras.

Para cuantificar el rendimiento del modelo, se adoptaron métricas específicas para las tareas de regresión (magnitud) y clasificación (localización). Para la regresión, se utilizaron el Coeficiente de Determinación (R²), el Error Medio Absoluto (MAE) y la Raíz del Error Cuadrático Medio (RMSE). Para la clasificación, se emplearon la Exactitud de Zona (Exact Match), el Área Bajo la Curva ROC (AUC-ROC), Precisión, Recall (Sensibilidad), F1-Score y la Matriz de Confusión.

La validación final del modelo entrenado exclusivamente con datos sintéticos se realizó aplicándolo a los datos reales de monitoreo del año 2019 (2019_SCADA_Pressures.csv) de la red L-Town. Se evaluó su capacidad de generalización a través de la comparación con la plantilla de fugas reales ocurridas en aquel año (2019_Leakages.csv), incluyendo la Correlación Temporal para la macrotendencia de fugas.

3. Resultados y Discusión

La implementación del modelo predictivo híbrido, que integra Redes Neuronales Convolucionales (CNN) y Redes Neuronales Recurrentes (LSTM), se realizó y evaluó en dos etapas distintas para la detección y localización de fugas en redes de distribución de agua. En primer lugar, se procedió a una validación cuantitativa utilizando un conjunto de prueba reservado, correspondiente al 20% del conjunto de datos sintético de 10.000 escenarios generados. Posteriormente, se realizó una validación externa, empleando datos reales de monitoreo de la red L-Town referentes al año 2019. El entrenamiento del modelo se extendió por 100 épocas, con el objetivo de ejecutar simultáneamente la clasificación de la zona de ocurrencia de la fuga y la regresión del coeficiente emisor, que representa la magnitud del evento.

Desempeño en el Proceso de Entrenamiento

El entrenamiento del modelo demostró una convergencia robusta y estable a lo largo de las 100 épocas. La acurácia para la tarea de localización, que inicialmente se situaba por debajo del 20% en las primeras épocas, presentó una evolución significativa, estabilizándose en aproximadamente el 70% en la validación al final del proceso. Esta mejora progresiva indica la capacidad del modelo de aprender y refinar sus predicciones de localización. En paralelo, la función de pérdida total, o “loss”, exhibió un decaimiento consistente, partiendo de valores cercanos a 7,0 y alcanzando aproximadamente 2,0. La proximidad entre las curvas de entrenamiento y validación de la pérdida y la acurácia sugiere que el modelo no incurrió en overfitting severo, indicando una buena generalización de los patrones aprendidos para datos no vistos durante el entrenamiento, conforme se ilustra en análisis gráficos de acurácia y pérdida total.

Validación Interna (Dataset Sintético)

La validación interna, realizada en el conjunto de datos sintético, permitió una evaluación detallada del rendimiento del modelo en un entorno controlado. En la tarea de estimación de la magnitud de las fugas, el modelo demostró un rendimiento satisfactorio. El Coeficiente de Determinación (R²) alcanzó 0,7947, lo que significa que el modelo fue capaz de explicar aproximadamente el 80% de la varianza de los datos en el entorno sintético. Este resultado es crucial, ya que indica que la arquitectura híbrida CNN-LSTM logra capturar las relaciones entre las variaciones de presión y la intensidad de las fugas de forma eficaz, como se esperaba para un modelo predictivo robusto.

Adicionalmente, las métricas de error para la estimación de magnitud reforzaron la precisión del modelo. El Error Medio Absoluto (MAE) fue de 0,0987, y la Raíz del Error Cuadrático Medio (RMSE) se fijó en 0,1320. Estos valores, relativamente bajos, indican que las predicciones del modelo para la magnitud de las fugas están, en promedio, próximas a los valores reales. El análisis gráfico de la dispersión entre los valores predichos y reales confirmó esta tendencia, con la mayoría de los puntos agrupándose próximos a la línea ideal, aunque se observó una leve dispersión en magnitudes intermedias, sugiriendo que el modelo puede tener un rendimiento ligeramente menos preciso para fugas de tamaño mediano.

La tarea de localización, que implicó la clasificación de las fugas en una de las 10 zonas geográficas predefinidas de la red, se presentó como un desafío mayor, pero el modelo obtuvo una Precisión Global del 70,05% en el conjunto de prueba sintético. Este valor es matemáticamente convergente con el “Recall” ponderado, lo que indica una buena capacidad para identificar correctamente la mayoría de las fugas dentro de sus respectivas zonas. La métrica AUC-ROC (Área bajo la Curva ROC) alcanzó 0,9690 (Media Macro), lo que sugiere una alta capacidad del modelo para distinguir entre las diferentes clases de zona, clasificando la zona correcta con elevada probabilidad.

Otras métricas de clasificación ponderadas también fueron evaluadas, proporcionando una visión exhaustiva del rendimiento del modelo en la tarea de localización. La Precisión ponderada fue de 0,7268, el Recall (Sensibilidad) ponderado fue de 0,7005 y el F1-Score ponderado alcanzó 0,7040. Estos valores indican un buen equilibrio entre la capacidad del modelo de hacer predicciones correctas (Precisión) y de identificar todos los casos positivos (Recall), siendo el F1-Score una media armónica útil para evaluar el rendimiento en escenarios con clases desbalanceadas, lo que es común en problemas de detección de anomalías.

El análisis de la matriz de confusión normalizada reveló patrones importantes en los errores de clasificación. Se observó que los errores no son aleatorios, sino que tienden a concentrarse en zonas adyacentes o en regiones con características hidráulicas similares. Esto sugiere que, aunque el modelo puede no identificar la zona exacta, frecuentemente apunta a un área geográfica o hidráulicamente cercana a la fuga real. El error medio de distancia espacial, calculado en 168,02 metros en el conjunto de prueba, corrobora esta observación, indicando que, incluso en los casos de clasificación incorrecta, la predicción del modelo aún se mantiene relativamente cercana a la ubicación verdadera, lo que puede ser útil para dirigir equipos de campo.

Validación Externa (Escenario Real – Datos de 2019)

La aplicación del modelo a los datos reales de monitoreo de presión de 2019, provenientes de los 33 sensores SCADA de la red L-Town, siguió el mismo pipeline de preprocesamiento utilizado en el entrenamiento. Este proceso incluyó la resta de una línea base hidráulica simulada, la normalización de los datos por un “scaler” ajustado en los datos sintéticos y el formateo del Tensor 3D con 96 pasos temporales, correspondientes a 24 horas de mediciones. La salida de magnitud del modelo estimó el coeficiente emisor normalizado C, según lo definido por la ecuación de fuga del EPANET, que relaciona el caudal de la fuga con la presión y el coeficiente emisor.

La comparación de la magnitud de las fugas en el escenario real se realizó en el dominio tendencial, utilizando una media móvil. Este enfoque fue necesario porque la plantilla de 2019 registraba caudales en metros cúbicos por hora, mientras que el modelo estimaba el coeficiente emisor normalizado. Sin el conocimiento de la presión local instantánea, los valores absolutos no eran directamente comparables. Ambas curvas, la real y la estimada, fueron normalizadas y suavizadas por una media móvil de 24 horas, permitiendo evaluar la capacidad del modelo de capturar los períodos de aumento y reducción de las fugas a lo largo del año. La correlación de Pearson obtenida fue de 0,7449, indicando que la macrotendencia temporal de las fugas reales fue satisfactoriamente capturada por el modelo, lo que es un resultado prometedor para la gestión de pérdidas.

Sin embargo, la validación espacial en el escenario real evidenció limitaciones considerables en comparación con el rendimiento en el entorno sintético. La precisión de zona, que mide la correspondencia exacta entre la zona predicha y la zona real del tubo con mayor fuga, fue de solo 18,02%. Este valor representa una caída significativa en relación con el 70,05% obtenido en el dataset sintético. El error medio de distancia de localización también aumentó considerablemente, alcanzando 807,98 metros. A pesar de esta reducción en la precisión, el modelo demostró cierta capacidad para identificar eventos de mayor severidad, acertando la zona del tubo con mayor volumen de fuga registrado en 2019.

Las métricas consolidadas de la validación con el escenario real destacan la divergencia de rendimiento entre los entornos sintético y real. La correlación temporal (macrotendencia) se mantuvo en 0,7449, confirmando la capacidad del modelo de seguir las variaciones de magnitud a lo largo del tiempo. Sin embargo, la precisión de zona (Exact Match) de 18,02% y el error medio de distancia de 807,98 metros para la localización indican que la transferencia de aprendizaje del entorno sintético al real aún enfrenta desafíos significativos, principalmente en lo que respecta a la precisión espacial de las fugas. Esta discrepancia entre la precisión de los datos sintéticos (70%) y reales (18%) apunta a fragilidades en el modelo que necesitan ser abordadas en trabajos futuros.

Las fragilidades identificadas en el modelo, que resultaron en la discrepancia entre los desempeños en los datos sintéticos y reales, fueron enumeradas como puntos cruciales para mejoras futuras. Primeramente, el modelo fue entrenado con la premisa de un único escape activo por escenario en el dataset sintético. Sin embargo, los datos reales de 2019 frecuentemente contienen múltiples escapes simultáneos, lo que puede sobreponer las firmas de presión y confundir al clasificador de zona. La incorporación de escenarios con múltiples escapes simultáneos en la estructuración de los datos sintéticos es, por lo tanto, una necesidad para aumentar la robustez del modelo en ambientes operacionales.

Otro punto de mejora reside en la agregación de estacionalidad a la simulación. El “baseline_series” fue generado por una única simulación estática, mientras que los datos reales presentan variaciones estacionales de consumo que el baseline estático no logra capturar. La falta de representación de la estacionalidad en el entrenamiento puede llevar a falsos positivos o a una menor sensibilidad en la detección de fugas en diferentes períodos del año. Además, la inserción de firmas de diferentes ruidos, como maniobras de válvulas y operaciones de llenado de reservorios, es fundamental. El “scaler_X” fue definido en datos sintéticos con ruido gaussiano controlado (σ=0.2), pero los datos reales poseen una distribución de ruido diferente y desconocida, lo que afecta la capacidad del modelo de generalizar.

La división en 10 zonas por K-Means geométrico también resultó inadecuada, ya que no se ajusta a la topología hidráulica real de la red. En consecuencia, nodos que pertenecen a la misma zona geométrica pueden estar hidráulicamente distantes, lo que compromete la precisión de la localización. Para complementar estas mejoras y agregar trazabilidad a las variaciones topológicas sin aumentar excesivamente el costo computacional, se propusieron algunas recomendaciones. Se sugiere reemplazar la generación de zonas estadísticamente (K-Means) por un análisis topológico, agrupando los nodos no por la distancia geométrica en línea recta, sino por la longitud de las tuberías y barreras físicas de la red, como válvulas, bombas y tapones.

Adicionalmente, se recomienda la integración de “Physics-Guided Machine Learning” (PGML), inyectando el Diferencial de Presión (ΔP) entre sensores adyacentes directamente en la etapa de preprocesamiento. Este enfoque busca proporcionar nociones de topología y dirección de flujo a la arquitectura actual, buscando capturar beneficios de generalización espacial con un costo computacional inferior al de enfoques más complejos. Otra propuesta es la Triangulación Hidráulica Post-Predicción, que utilizaría la inteligencia artificial estrictamente para la detección de la macro-zona y del caudal (magnitud), acoplando a la salida del modelo un algoritmo determinístico que cruce estas predicciones con ecuaciones empíricas, como Hazen-Williams, para localizar el nodo exacto de forma analítica.

Finalmente, se recomendó la creación de una Matriz de Sensibilidad Off-line. Esta matriz mapearía previamente el alcance direccional de las fugas durante los escenarios de caudal mínimo nocturno, típicamente entre la 1h y las 5h. Dicha matriz actuaría como un filtro para la eliminación de ruidos y la restricción analítica de falsos positivos durante la operación en campo, optimizando la respuesta y la precisión de las intervenciones. Estas recomendaciones buscan mejorar la capacidad del modelo para lidiar con la complejidad de las redes reales y la variabilidad de los datos operativos, aproximándolo a una aplicación práctica y eficiente en la gestión de pérdidas.

En resumen, el modelo predictivo desarrollado, basado en una arquitectura híbrida CNN-LSTM, demostró ser una herramienta prometedora para la gestión de pérdidas en redes de distribución de agua. Se verificó su eficacia en la estimación de la magnitud de las fugas, con un Coeficiente de Determinación (R²) de 0,7947 en datos de prueba sintéticos y una fuerte correlación de 0,7449 en la macrotendencia temporal de los datos de validación externa. Aunque presentó una buena capacidad de generalización para la localización en ambiente controlado (AUC-ROC de 0,9690 y error medio de 168 metros), la aplicación en un escenario real reveló limitaciones en la precisión espacial, con un error medio de localización de 807,98 metros, indicando la necesidad de mejoras para su implementación en campo como una herramienta de localización exacta.

4. Conclusión

El presente estudio buscó estructurar un modelo predictivo para identificar fugas en redes de distribución de agua, estimando su magnitud y delimitando la ubicación más probable a partir del monitoreo de datos de presión. Se verificó que la arquitectura híbrida CNN-LSTM desarrollada demostró eficacia en la cuantificación de la magnitud de las fugas, alcanzando un Coeficiente de Determinación (R²) de 0,7947 en datos sintéticos y una correlación de Pearson de 0,7449 en la macrotendencia temporal en un escenario real. Para la localización, el modelo obtuvo una precisión de zona del 70,05% en el ambiente sintético, con un error medio de distancia de 168,02 metros, indicando su capacidad de generalización en condiciones controladas. La principal contribución reside en la oferta de una herramienta prometedora para la gestión de pérdidas, capaz de mejorar el diagnóstico del volumen de pérdidas reales y apoyar la eficiencia operacional, al priorizar el uso de la infraestructura de medición existente.

Sin embargo, la aplicación del modelo en datos reales de monitoreo reveló limitaciones significativas en la precisión espacial, con la exactitud de zona cayendo al 18,02% y el error medio de distancia de localización aumentando a 807,98 metros. Esta divergencia de dominio se atribuyó a la premisa de fuga única en el entrenamiento sintético, a la ausencia de estacionalidad en la simulación y a la inadecuación de la sectorización geométrica por K-Means para la topología hidráulica real. Para mejorar la robustez y la aplicabilidad del modelo en entornos operativos, se recomienda la incorporación de escenarios con fugas múltiples simultáneas en los datos sintéticos, la evolución de la sectorización por análisis topológico y la integración de técnicas de Physics-Guided Machine Learning (PGML) para proporcionar nociones de topología y dirección de flujo. También se sugiere la Triangulación Hidráulica Post-Predicción y la creación de una Matriz de Sensibilidad Off-line para refinar la localización exacta y filtrar ruidos, aproximando el modelo a una herramienta de localización precisa en campo.

Referencias Bibliográficas

BattLeDIM, 2020 [Referência completa não encontrada no documento original]

Brasil. Agência Nacional de Águas e Saneamento Básico. Norma de Referência nº 15, de 2025. Estabelece diretrizes para a regulação dos serviços de saneamento básico, com foco na redução e controle de perdas de água. Brasília, 2025.

Hamilton, S.; Charalambous, B. 2020. Leak Detection: Technology and Implementation. 2ed. IWA Publishing, London, UK.

Instituto Trata Brasil; GO Associados. 2025. Ranking do Saneamento do Instituto Trata Brasil de 2025 (SNIS/SINISA 2023).

Liemberger, R.; Wyatt, A. 2018. Quantifying the global non-revenue water problem. Water Supply 18(4): 1184-1193.

Manzi, D. 2017. Detecção e Localização de Rompimentos em Redes de Distribuição de Água a partir de Análise dos Sinais de Pressão em Regime Transitório. Tese de Doutorado em Engenharia Civil. Universidade Estadual de Campinas, Campinas, SP, Brasil.

Misiunas, D. 2005. Failure Monitoring and Asset Condition Assessment in Water Supply Systems. Tese de Doutorado em Automação Industrial. Lund University, Lund, Suécia.

Pearson, D. 2019. Standard Definitions for Water Losses. IWA Publishing, London, UK.

SINISA, 2023 [Referência completa não encontrada no documento original]

SNIS/SINISA, 2023 [Referência completa não encontrada no documento original]

Van Zyl, J. E.; Lambert, A. O.; Collins, R. 2017. Realistic modeling of leakage and intrusion flows through leak openings in pipes. Journal of Hydraulic Engineering 143(9): 04017030-1-04017030-7.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy

Más recientes

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

También te puede interesar

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

La gestión financiera personal representa un desafío creciente, influenciada por sesgos cognitivos que afectan la toma de decisiones, incluso en individuos con alto conocimiento. El presente estudio analizó la relación entre el nivel de educación financiera y la ocurrencia de sesgos conductuales en la toma de decisiones financieras de adultos residentes en Brasil. Se realizó un levantamiento de campo de naturaleza aplicada, cuantitativa y descriptivo-correlacional, mediante la aplicación de un cuestionario estructurado a 163 encuestados. El instrumento contempló variables sociodemográficas, conocimiento y hábitos financieros, y situaciones hipotéticas para identificar sesgos cognitivos. Los resultados indicaron que niveles más elevados de educación financiera se asociaron con mejores prácticas de control financiero, ahorro e inversión, con correlaciones significativas con ingresos y escolaridad. Sin embargo, la presencia de sesgos conductuales (anclaje, aversión a la pérdida, escasez, optimismo/pesimismo, sesgo del presente, status quo, exceso de confianza y contabilidad mental) persistió incluso entre individuos con mayor escolaridad e ingresos, sin asociación estadísticamente significativa con las variables sociodemográficas analizadas. Se concluyó que la educación financiera, aunque esencial para la organización y el control financiero, no fue suficiente para neutralizar la influencia de sesgos cognitivos. Se sugiere la incorporación de enfoques conductuales a los programas de educación financiera.

Palabras clave: Comportamiento financiero; Economía conductual; Finanzas personales; Heurísticas cognitivas; Sesgos cognitivos.

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

La inserción de niños con Trastorno del Espectro Autista (TEA) en la Educación Infantil presenta desafíos significativos, dada la dificultad de adaptación a nuevos entornos y la intensidad de estímulos. El objetivo fue analizar la actuación docente en la Educación Infantil en el proceso de escolarización inicial de niños con TEA. Se realizó un estudio de caso, utilizando la entrevista narrativa como técnica de producción de datos. Los resultados revelaron que la actuación docente se caracterizó por prácticas de mediación y afecto, con la flexibilización de la rutina y el uso de recursos lúdicos como estrategias esenciales para el desarrollo y la organización sensorial del niño. También se destacó la importancia del profesional de apoyo escolar para el éxito del trabajo pedagógico. El desarrollo integral del niño fue promovido por medio de acciones docentes intencionales que priorizaron la adaptación ambiental, el fortalecimiento de vínculos y la atención a las necesidades específicas del TEA. Como contribución, se elaboró una guía de estrategias pedagógicas orientada a la acogida de niños con TEA en guarderías públicas.

Palabras clave: Educación Infantil; Inclusión Escolar; Narrativas Docentes; Prácticas Pedagógicas Inclusivas; Trastorno del Espectro Autista.

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

La expansión del comercio electrónico y la transformación tecnológica impulsaron la necesidad de comprender el comportamiento del consumidor de infoproductos, cuya experiencia percibida se ha vuelto crucial para el desarrollo profesional. El estudio tuvo como objetivo analizar los factores que influyeron en la decisión de compra de infoproductos en el entorno digital, considerando las etapas del viaje del consumidor. Se realizó una investigación aplicada, cuantitativa y descriptiva, a través de un estudio de campo con 100 consumidores de la Serra Gaúcha. La recopilación de datos se realizó mediante un cuestionario estructurado, utilizando muestreo no probabilístico. Los resultados revelaron un público cualificado y con un fuerte comportamiento “mobile-first”. Se constató que la disponibilidad de información detallada y la aprobación social fueron los principales desencadenantes de atracción en la fase de precompra. En las etapas transaccionales y posteriores, la minimización de fricciones operativas, la agilidad del acceso inmediato y la seguridad sistémica demostraron ser cruciales para la conversión y la satisfacción, aunque se identificaron lagunas en la eficiencia del soporte humano. La retención se fundamentó en la confianza generada por experiencias anteriores positivas, superando el factor precio. Se concluyó que el viaje del consumidor de infoproductos opera como un sistema integrado, exigiendo alineación entre infraestructura tecnológica, curaduría de contenido y humanización del soporte para asegurar el compromiso.

Palabras clave: Comercio electrónico; Comportamiento del consumidor; Experiencia del consumidor; Fidelización; Negocios virtuales.

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

La salud mental en el entorno laboral es un tema de creciente relevancia, que impacta el desarrollo profesional y el bienestar de los colaboradores. Se realizó un estudio para identificar aspectos y situaciones que pueden influir en los niveles de absentismo en una institución bancaria. La investigación involucró a 108 participantes y utilizó un cuestionario estructurado, basado en la versión corta del COPSOQ II de Gonçalves (2021), que contenía 45 preguntas cerradas en escala Likert y dos preguntas abiertas. Los datos se recopilaron a través de una plataforma en línea y se analizaron con un enfoque descriptivo y cuantitativo. Los resultados revelaron un escenario que indicó la necesidad de ajustes en la distribución de las actividades y en la percepción de los gerentes sobre comportamientos y señales de trastornos. Se identificaron evidencias importantes en las respuestas abiertas de los participantes. Se concluyó que el estudio contribuyó a la promoción de la percepción de un ambiente seguro para la salud mental en la organización.

Palabras clave: Ausencias por trastornos; Desarrollo profesional; Liderazgo operativo; Licencia médica; Salud mental.

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

El estado de Amazonas ha enfrentado desafíos históricos en la consolidación del Sistema Único de Salud (SUS), derivados de barreras geográficas, desigualdades socioeconómicas y limitaciones estructurales. En este estudio se describió el desarrollo e implementación de un geoportal de información en salud, concebido para apoyar el monitoreo, la evaluación y la planificación en el contexto amazónico. Se adoptó un enfoque de estudio de caso descriptivo, basado en análisis documental y datos secundarios, abarcando el mapeo de funcionalidades, la infraestructura técnica y las etapas de validación de la herramienta. El Portal fue desarrollado con tecnologías abiertas e integró múltiples bases de datos nacionales, ofreciendo dashboards interactivos, mapas temáticos y repositorio digital de documentos. Entre los resultados, destacaron la visualización georreferenciada de indicadores clave, la posibilidad de análisis comparativos temporales y la utilización de la plataforma en la revisión de planes de salud y en el redireccionamiento de acciones estratégicas. El portal puede representar un avance en la gobernanza digital y en la gestión basada en evidencia, con potencial de replicabilidad para otros territorios de alta complejidad, siempre que vaya acompañado de inversiones en infraestructura tecnológica, capacitación profesional y articulación interinstitucional.

Palabras clave: Amazonía; Evaluación en Salud; Salud Digital; Sistemas de Información en Salud.

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

El impacto del aprendizaje continuo y la gestión del conocimiento en el crecimiento de las organizaciones fue estudiado en un escenario de globalización y constantes cambios. El objetivo del estudio fue analizar la percepción de los colaboradores sobre la cultura de aprendizaje y su importancia para el desarrollo personal y profesional. Los datos se obtuvieron a través de una encuesta anónima, de enfoque cuantitativo, utilizando un formulario con preguntas tipo “survey” aplicado a 87 profesionales de los sectores de tecnología, salud, educación, comercio y servicios. Los resultados indicaron que los colaboradores tenían una percepción positiva sobre la contribución del aprendizaje continuo al crecimiento personal y organizacional, reconociendo sus beneficios para el desarrollo de nuevas habilidades, la innovación y la competitividad. Sin embargo, se observó que el incentivo al intercambio de conocimiento interno y la oferta de capacitaciones prácticas aún presentaban medias moderadas de acuerdo. Se concluyó que el aprendizaje continuo contribuye significativamente al desarrollo individual y organizacional, sugiriendo que las empresas deben desarrollar políticas estratégicas de aprendizaje dirigido a nuevas habilidades, buscando una mayor ventaja competitiva y la innovación.

Palabras clave: Aprendizaje continuo; Autodesarrollo; Crecimiento organizacional; Gestión del Conocimiento; Innovación.

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

Se propuso un modelo de regresión estadística múltiple para estimar el rendimiento operativo de la microrred CampusGrid de la UNICAMP, basándose en magnitudes eléctricas internas. La microrred integra generación fotovoltaica, baterías y un generador de gas. Se recopilaron datos del sistema de gestión de energía en intervalos de cinco minutos durante un mes. El Índice de Confiabilidad Operacional, definido como la razón entre energía atendida y demandada, se estableció como variable dependiente. El modelo se ajustó al modo de operación aislado, evaluando el impacto de la demanda, el estado de carga, la generación solar y la energía suministrada. Los resultados revelaron un elevado poder explicativo, indicando que la confiabilidad operativa depende de la interacción entre el suministro y la demanda. Se observó que el período nocturno concentró la mayor tasa de atención parcial, atribuida a la reducción de la generación solar. Se concluyó que la regresión múltiple ofrece una estructura interpretable y útil para el monitoreo de microrredes y el apoyo a estrategias de control.

Palabras clave: Almacenamiento en baterías; Generación fotovoltaica; Índice de Confiabilidad; Operación aislada; Sistema de Gestión de Energía.

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

La morosidad agregada en el sistema financiero brasileño es un indicador crucial de riesgo crediticio, cuya previsión está regulada por las Resoluciones CMN n.° 4.557/2017 y 4.966/2021 para la medición prospectiva de pérdidas esperadas. Se modeló y predijo la morosidad agregada mediante el modelo SARIMAX, proyectando su trayectoria hasta diciembre de 2026 bajo escenarios optimista, base y pesimista. Se utilizaron 164 observaciones mensuales (julio/2012 a febrero/2026) y variables macroeconómicas como desempleo, Selic, IPCA, IBC-Br y endeudamiento de las familias. La especificación con variables contemporáneas fue seleccionada con base en criterios de información y estabilidad de los coeficientes, y el diagnóstico de los residuos confirmó adecuación estadística, con MAPE de 3,12%. La morosidad histórica varió entre 4,33% y 7,64%. La estimación identificó el desempleo (β = 0,2534; p < 0,001) y la Selic (β = 0,2128; p < 0,001) como principales determinantes positivos, con fuerte persistencia temporal (AR(1) = 0,8965). La Selic exhibió correlación creciente con la morosidad (r = 0,62 en el rezago 12), mientras que el desempleo demostró efecto contemporáneo (r = 0,33). Las proyecciones indicaron morosidad entre 6,30% y 7,98% en diciembre de 2026, con una amplitud de 1,68 punto porcentual, evidenciando implicaciones directas para el dimensionamiento de provisiones en las instituciones financieras.

Palabras clave: Desempleo; Modelado predictivo; Política monetaria; Provisión de pérdidas; Series temporales.

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

Este estudio describió los factores críticos percibidos para la participación de las partes interesadas en la transferencia internacional de tecnología en un hospital público, con foco en la planificación. El objetivo fue describir estos factores condicionantes, según la percepción de los profesionales. Se realizó un estudio de caso único, aplicando un cuestionario a 25 profesionales y utilizando análisis de contenido, complementado por tabulaciones descriptivas. Los principales obstáculos identificados fueron resistencia al cambio (72%), financiación (64%), falta de comunicación (60%) y burocracia (40%). Solo el 28% de los encuestados reconoció la existencia de herramientas adecuadas para la gestión de stakeholders, mientras que el 48% negó y el 24% no supo informar. Cruzamientos exploratorios indicaron variaciones en la evaluación de influencia según el tiempo de actuación, pero no establecieron relaciones causales. La falta de participación se asoció con retrasos, baja adhesión, desperdicio de recursos, fallas de comunicación, compromiso de la absorción de conocimiento y riesgos para la seguridad del paciente. Las conclusiones se restringieron a las percepciones del grupo investigado y fundamentaron recomendaciones preliminares para la comunicación y coordinación intersectorial.

Palabras clave: Estudio de caso; Gestión de proyectos; Innovación en salud; Partes interesadas; Sector público.

Economia

19 de octubre de 2026

¿Fin de la escala 6×1: qué permiten concluir los números?

Tras la promulgación del fin de la escala 6×1, el debate sobre la jornada menor pasa a la implementación y exige distinguir beneficios sociales de costos económicos El fin de la escala 6×1 pasó de la discusión legislativa a un cambio constitucional en Brasil. El 16 de octubre de 2026, el Congreso Nacional promulgó la enmienda constitucional nº 141/2026, originada de la Propuesta […]

Inteligencia Artificial

16 de octubre de 2026

¿Por qué estudiar si existe la IA?

Cuando las respuestas se vuelven fáciles, aprender pasa a significar más que alcanzarlas. ¿Por qué necesito aprender esto si puedo preguntarle a una inteligencia artificial? Este tipo de pregunta ha acompañado a la educación durante décadas. ¿Por qué aprender una operación si existe una calculadora? ¿Por qué memorizar una información si se puede encontrar […]

Gestión Tributaria

15 de octubre de 2026

Impuesto rosa y el género del precio

Cómo los diferentes tratamientos de marketing para hombres y mujeres son incorporados por la tributación del consumo Imagine un estante en el que dos maquinillas de afeitar de la misma marca y destinadas al mismo propósito están expuestas una al lado de la otra: una tiene un empaque oscuro y promete fuerza, precisión y eficiencia; la otra viene en tonos de rosa o […]

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

¿Por qué la innovación no es suficiente para generar cambios en las organizaciones y en los sistemas de salud La transformación digital se ha consolidado como una prioridad estratégica para los sistemas de salud en todo el mundo. Historias clínicas electrónicas, inteligencia artificial, telemedicina, monitorización remota y análisis de datos han pasado a formar parte de la agenda estratégica de gobiernos y organizaciones sanitarias. Paradójicamente, […]

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

Un caso real de consumer intelligence muestra lo que queda fuera del briefing Hace algunos años, una aseguradora estadounidense contrató a una empresa especializada en consumer intelligence para responder a tres preguntas: La aseguradora también evaluaba lanzar seguros pagados en bitcoin. En ese momento, el proceso de trabajo de la consultoría funcionaba así: el analista creaba una query […]

Gestión Escolar

06 de octubre de 2026

La escuela no es un casino: cuando las figuritas se convierten en moneda en el patio

¿Por qué, para determinados estudiantes, la escuela logra ofrecer tan pocas experiencias de éxito? La Copa del Mundo ha terminado. Brasil ha quedado fuera de la competición, llegaron las vacaciones escolares, se disputó la final y el calendario del fútbol siguió adelante. Sería razonable imaginar que, con el fin del torneo y el regreso a clases, también comenzara […]

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

Brasil necesita invertir en la capacidad de transformar recursos naturales en innovación, productividad y desarrollo Hablar de energía es hablar de desarrollo. Detrás de la industria, el transporte, los servicios, las ciudades y, cada vez más, la inteligencia artificial, existe una infraestructura energética que sustenta la economía. Comprender la matriz energética de un país es comprender […]

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

Análisis de casi 20 millones de vínculos-año docentes entre 2020 y 2025 muestra cómo cambios en la composición de la población y en la producción de los registros pueden alterar la interpretación de series históricas Entre 2020 y 2025, el número de vínculos formales de trabajo docente identificados en la RAIS (Relación Anual de Información Social), del Ministerio de Trabajo, […]

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

¿Por qué tanta gente se une a los juegos con ChatGPT? Nunca fui una persona de tendencias. Sigo sin serlo. Algunas pasan por mi línea de tiempo, las veo, me parecen interesantes pero no al punto de experimentar. Fue así, inclusive, con algunas ondas recientes de imágenes hechas por inteligencia artificial, como la tendencia de los años 80, aquella que nos […]

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

La eficiencia para gestionar los impuestos facilita la gobernanza y permite organizar la sucesión familiar. La organización patrimonial rural se ha convertido en una medida estratégica ante la reforma tributaria en Brasil, que entró en vigor este año. La planificación de las actividades y de la gestión del patrimonio rural, a través de herramientas como la transición de la Persona Física a […]

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

Dentro de la empresa y fuera del radar: los riesgos de la IA Sombra

Según Microsoft, el 75% de los profesionales ya utilizan inteligencia artificial en el trabajo sin la aprobación de la empresa El uso de la inteligencia artificial generativa ya forma parte de la rutina corporativa. Herramientas como ChatGPT, Copilot y otras plataformas ayudan a los profesionales a producir textos, analizar datos, crear presentaciones y acelerar tareas en prácticamente todos los sectores. Pero este avance […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

El interés académico refuerza la proyección de escenarios como herramienta esencial para la toma de decisiones. Mientras algunas empresas aún intentan acertar el próximo paso, otras ya trabajan con múltiples futuros posibles — y se preparan para todos ellos. Pero, ¿qué significa “pensar el futuro”? ¿Es tendencia, es estrategia o una nueva competencia que […]

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

Pecege comanda a operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

Nueva gestión del Parque Tecnológico de Piracicaba ofrece consultoría a egresados de MBAs El nuevo director de proyectos del Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, suele decir que una de las mayores recompensas que ha tenido en la vida ha sido ver a sus orientandos del MBA USP/Esalq estructurar empresas a partir de sus trabajos de conclusión de […]

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

El pensamiento crítico y la creatividad son insustituibles en el trabajo del profesional de marketing La Inteligencia Artificial (IA) es capaz de hazañas increíbles, pero aún no posee la capacidad de juicio, empatía, intuición y creatividad estratégica necesarias para hacer el trabajo de un buen profesional de marketing. En esta área, es importante saber usar la herramienta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

Santa Clara equilibra responsabilidad social y ambiental con innovación Fundada en 1911 por inmigrantes italianos en Carlos Barbosa, en la sierra gaúcha, la Cooperativa Santa Clara es un ejemplo de que es posible equilibrar el crecimiento económico con la responsabilidad social y ambiental. De una pequeña empresa de producción de quesos, la organización evolucionó a un […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

¿Brasil libre de fiebre aftosa: qué cambia para la carne brasileña?

Con un rebaño de más de 200 millones de cabezas de ganado, el país es actualmente el líder en exportaciones Brasil recibió recientemente, por primera vez, la certificación de país libre de fiebre aftosa sin vacunación, otorgada por la Organización Mundial de Sanidad Animal (OMSA). El sello fortalece la posición del país como proveedor de carne confiable para el […]

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

El Instituto Pecege asume la gestión apostando en la creación de nuevos negocios A partir de 2026, el Instituto Pecege asumirá la gestión del Parque Tecnológico de Piracicaba (PTP). Entre sus responsabilidades estarán la administración, operación, mantenimiento y expansión del parque, además del fomento de actividades de innovación, emprendimiento y ciencia y tecnología. La elección fue realizada […]

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La arquitectura y el urbanismo se configuran como bases imprescindibles en un espacio urbano cada vez más complejo y desafiante, donde la intrínseca conexión entre cuestiones sociales, ambientales y tecnológicas […]