Estrategias de Machine Learning para la estimación de desviaciones, consumo y mantenimiento óptimo de medidores de agua potable

Abstract

Este proyecto desarrolla un sistema de mantenimiento predictivo basado en algoritmos de Machine Learning para optimizar la gestión metrológica del parque de medidores de agua potable fría en una empresa de servicios públicos. A partir de una base histórica con más de 330.000 resultados de calibración (2011–2025), complementada con información operativa y comercial, se aplicaron procesos de depuración, análisis exploratorio y modelado avanzado para estimar la desviación metrológica frente a los límites establecidos en la ISO 4064:2014. Se implementaron modelos de regresión cuantílica y clasificación mediante CatBoost para predecir el error en caudal nominal (EQ3), la probabilidad de conformidad del medidor y su vida útil metrológica remanente. Asimismo, se desarrolló una aplicación en Streamlit integrada con Google Sheets que permite cargar datos en tiempo real y generar predicciones automáticas. La validación externa con 3.880 resultados reales de laboratorio arrojó una precisión del 67 % en los intervalos predictivos y del 70 % en el clasificador Cumple/No cumple, demostrando la viabilidad técnica del enfoque. En conjunto, el sistema constituye una herramienta operativa para priorizar reemplazos, reducir pérdidas comerciales y avanzar hacia un modelo de gestión metrológica basado en datos.