En la gestión de redes de gas, la capacidad de adelantarse al comportamiento del sistema es el factor que separa una operación eficiente de un desbalance crítico. 7Puentes, empresa argentina enfocada en el desarrollo de soluciones basadas en Inteligencia Artificial y Machine Learning para la industria energética, presentó un sistema de forecasting de presión y caudal capaz de proyectar la evolución de la red en horizontes de 24, 48 y 72 horas. La solución no solo facilita la planificación del linepack, sino que activa alertas tempranas mucho antes de que se produzcan caídas de presión en los nodos.
El desafío operativo en el contexto argentino
En Argentina, las caídas de presión son un desafío estructural que se agudiza durante los meses de invierno por el pico de consumo estacional. La fricción excesiva en tuberías antiguas, el subdimensionamiento de redes frente a la demanda actual y la presencia de fugas no detectadas son factores que comprometen la estabilidad del servicio de manera recurrente.
El marco regulatorio es particularmente exigente: bajo las normas NAG-200 y NAG-203 de ENARGAS, la pérdida máxima tolerable en instalaciones domiciliarias tipo es de apenas 150 Pascales. En ese contexto, predecir desviaciones antes de que alcancen umbrales críticos se convierte en una herramienta indispensable —tanto operativa como legal— para distribuidoras y transportistas.
Arquitectura técnica y evolución del modelo
El modelo de 7Puentes evolucionó en etapas progresivas. En su fase inicial, los enfoques por señales individuales lograron mejoras en el 43% de los casos analizados. La fase de consolidación incorporó una arquitectura híbrida que hoy alcanza un 57% de señales con mejora respecto a la persistencia, con un mean skill positivo de +4,6% sobre el baseline.
Técnicamente, el sistema utiliza modelos LightGBM entrenados sobre un dataset unificado que rompe los silos de información entre áreas operativas. A través de normalización z-score y un esquema de seis modelos especializados, el sistema captura las dependencias de toda la red y comprende cómo un cambio en un nodo impacta al resto del sistema en tiempo real. El modelo integra más de 90 variables: desde parámetros temporales y físicos —lags de datos, ratios de caudal, estado del linepack— hasta datos meteorológicos como temperatura y variaciones climáticas bruscas, determinantes en el perfil de demanda argentino.
“El sector energético lleva décadas operando en modo reactivo: se detecta el problema cuando ya ocurrió. Con este sistema, las distribuidoras y transportistas pueden anticiparse al comportamiento de la red con días de ventaja. No se trata solo de tecnología; es un cambio profundo en la lógica de operación de infraestructura crítica.”, explicó Charly Lizarralde, CEO de 7Puentes.
Resultados y capacidad de respuesta ante eventos críticos
Los resultados muestran una mejora consistente, especialmente en la familia de presión (+6,9% mean skill), con desempeño destacado en los horizontes de 48 y 72 horas. Esta capacidad permite proyectar eventos de estrés operativo con la anticipación suficiente para activar niveles de alerta diferenciados (WARNING / CRITICAL), brindando a los operadores tiempo real de respuesta antes de que el sistema alcance condiciones fuera de norma.
Ventajas frente al monitoreo tradicional por umbrales
A diferencia del monitoreo clásico basado en umbrales fijos —que solo reacciona cuando el problema ya es visible—, la solución de 7Puentes detecta degradaciones progresivas invisibles para sistemas convencionales. Entre sus principales ventajas operativas:
- Anticipación de eventos críticos con horas o días de margen para actuar.
- Cumplimiento normativo preventivo alineado con las exigencias de ENARGAS (NAG-200 y NAG-203).
- Implementación sobre infraestructura existente sin interrupciones operativas.
- Escalabilidad hacia redes de mayor complejidad y cobertura geográfica.
Hoja de ruta y próximas etapas
El equipo técnico de 7Puentes continúa trabajando en la mejora de precisión y escalabilidad del sistema. Las prioridades de desarrollo incluyen la optimización del horizonte de 24 horas mediante lags más cortos y features de gradiente para capturar cambios rápidos; la mejora de la modelización de flujo con mitigación de datos faltantes; y la integración completa en pipelines MLOps para ejecución continua, con validación de alertas según criterios operativos reales definidos en conjunto con los equipos de las distribuidoras.
Este desarrollo marca un punto de inflexión en la gestión de infraestructura gasífera: la transición hacia una operación basada en comportamiento esperado en lugar del estado actual. Para las empresas de servicios públicos que operan redes críticas, la capacidad de anticipar el futuro de la red en tiempo real no es una mejora incremental; es la base de una gestión moderna, resiliente y comprometida con la continuidad del servicio en un sector donde los márgenes de error son mínimos y las consecuencias de un fallo, significativas.
