Control avanzado e Inteligencia Artificial en tiempo real: una planta de biogás argentina supervisada por IA

En General Villegas, la planta de generación GVBio implementó un sistema de control asistido por modelos de Machine Learning e integrado a la automatización Siemens de la planta, desarrollado por profesionales argentinos.

Procesa más de 56.000 datos diarios y, junto con el equipo de la planta, optimiza la digestión anaeróbica, el ciclo de bombeo y la inyección a la red, con eficiencias operativas mensuales que alcanzaron picos del 97 % y el 99 %.

En el sector de las energías renovables y la bioenergía, el control de procesos biológicos continuos es uno de los desafíos más complejos de la ingeniería de automatización. La digestión anaeróbica exige sostener un equilibrio microbiológico crítico: la variabilidad en la composición y en la carga de los sustratos orgánicos puede alterar sensiblemente la producción de biogás y la eficiencia de la generación eléctrica.

Frente a este desafío, la planta GVBio (Grupo María Elena), ubicada en General Villegas (Buenos Aires), y la firma de automatización AutoLink Solutions (Venado Tuerto, Santa Fe) pusieron en marcha el primer sistema de control asistido por inteligencia artificial aplicado a biogás en la Argentina.

De la planilla al control en tiempo real

El proyecto, liderado por los ingenieros Sebastián Cuenca (Ing. Electrónico) y Eduardo Espíndola, junto a Lisandro Peirone (Ing. Industrial y Gerente de Operaciones de GVBio), demandó más de 20 meses de desarrollo en cuatro fases:

1. Relevamiento y unificación de datos: sistematización de casi tres años de variables operativas históricas que se registraban en planillas locales.
2. Modelado y entrenamiento: construcción y evaluación de modelos que relacionan la alimentación con la respuesta biológica y energética de los digestores.
3. Integración con la automatización existente: conexión del software con el PLC y el SCADA de la planta.
4. Operación en tiempo real y supervisión móvil: despliegue en ciclo continuo, con interfaces para que los operadores sigan en vivo la dosificación y el estado de cada etapa.

Arquitectura: de la señal de campo al setpoint

La planta cuenta con un sistema de automatización basado en tecnología Siemens, integrado por PLC, SCADA WinCC y sistemas de accionamiento para el control del proceso. Sobre esta infraestructura se integra el sistema inteligente en distintas capas:

• Adquisición: una pasarela IoT industrial Siemens integra las variables provenientes del sistema de control y de distintos equipos e instrumentos de planta. La información relevante es enviada a una base de datos en la nube para su almacenamiento y procesamiento.
• Procesamiento: en la nube se ejecutan los algoritmos de cálculo, análisis de datos, modelos predictivos, generación de alarmas y el asistente basado en inteligencia artificial, utilizando la información obtenida en tiempo real desde la planta.
• Mando: a partir del análisis realizado, el sistema inteligente puede generar setpoints y parámetros operativos que son enviados nuevamente al PLC Siemens. La lógica de control determina en todo momento qué sistema tiene autoridad sobre los valores de operación.

La inteligencia artificial no reemplaza al SCADA ni al sistema de automatización existente; se incorpora como una capa adicional de asistencia, análisis y optimización.

El PLC Siemens conserva siempre la autoridad final sobre el proceso, incluyendo las condiciones de seguridad, enclavamientos y límites operativos. La comunicación con el sistema inteligente es supervisada continuamente y, ante una eventual pérdida de conexión, la planta continúa operando bajo condiciones de seguridad previamente definidas.

Asimismo, el operador puede retomar el control manual o convencional desde el SCADA en cualquier momento, manteniendo la operación de la planta con total independencia de la disponibilidad del sistema inteligente.

Qué hace el sistema

Su función central es calcular y regular la dieta diaria de dos biodigestores de 4.775 m³ cada uno. De este modo, evita la sobrecarga o la inhibición del medio biológico (el “empacho” bacteriano) ante variaciones en la mezcla de efluentes porcinos y sustratos de biomasa vegetal.

Para lograrlo, combina diversas herramientas seleccionadas según el problema específico a resolver:

• Ingeniería de proceso explicable: balance de masa y estequiometría de cada sustrato para calcular la dieta, junto con el método recomendado por el fabricante del motogenerador para estimar el consumo de gas.
• Machine Learning: clasificadores de alerta temprana que anticipan si un indicador biológico tenderá a subir o bajar en las jornadas posteriores.
• Análisis causal: métodos de inferencia causal para estimar el impacto real de cada cambio en la alimentación sobre la respuesta del digestor, discriminando relaciones de causa-efecto de meras correlaciones o coincidencias.
• Monitoreo de instrumentación: detección automática de sensores descalibrados, congelados o fuera de servicio.
• Asistente conversacional: un modelo de lenguaje que responde consultas técnicas del equipo operativo en lenguaje natural, fundamentado en los datos en vivo de la planta.

Sobre esta base, el sistema comanda la secuencia de los ciclos de alimentación, bombeo y agitación. El objetivo es sostener una inyección continua a la red interconectada (CAMMESA) del orden de los 1.200 a 1.275 kW (alrededor de 28.800 kWh diarios), lo que equivale a abastecer cerca del 25 % del consumo eléctrico residencial del partido.

Cientos de modelos probados, pocos en producción

Uno de los principios rectores del desarrollo fue no dar por válido ningún modelo sin contrastarlo exhaustivamente con la realidad operativa. Se ensayaron redes neuronales (perceptrón multicapa y autoencoders), Random Forest, algoritmos de gradient boosting (XGBoost y LightGBM), algoritmos genéticos, optimización bayesiana e inferencia causal. Únicamente con Random Forest y LightGBM se evaluaron cerca de 270 combinaciones de variables y horizontes de predicción.

Cada modelo candidato debió superar cuatro pruebas sucesivas de validación:

1. Superar al azar: el modelo se entrena con datos históricos y se evalúa sobre períodos posteriores nunca vistos por el algoritmo, preservando estrictamente la cronología sin mezclar fechas.
2. Superar a la inercia de la señal: batir la heurística básica de persistencia (“lo que viene se parece a lo último registrado”), un rival sumamente exigente en dinámicas lentas como la digestión anaeróbica.
3. Estabilidad temporal: mantener el rendimiento al desplazar la ventana temporal entre los datos de entrenamiento y los de prueba.
4. Replicabilidad en el digestor gemelo: dado que ambos digestores operan en paralelo bajo la misma dieta, cualquier relación biológica genuina debe manifestarse de forma consistente en ambas unidades.

Adicionalmente, cada modelo se sometió a una prueba nula (entrenamiento con la variable objetivo desfasada temporalmente) para certificar que el algoritmo no detecte patrones espurios o relaciones inexistentes.

El resultado fue contundente: de cada diez modelos que aprobaban las métricas clásicas de evaluación, en promedio menos de uno superaba los cuatro filtros de robustez. Las redes neuronales profundas no lograron superar a alternativas analíticas más simples frente al volumen de datos disponible en una planta real. 

Aquellos modelos seleccionados para producción se reentrenan automáticamente de forma semanal.

Una vez en régimen, cada predicción queda registrada en base de datos y se contrasta posteriormente contra el valor real medido. Con más de 250.000 comparaciones acumuladas, este registro histórico constituye la auditoría más estricta del sistema, ya que evalúa el desempeño predictivo en tiempo real y no sobre ajustes retrospectivos.

Pruebas antes de tomar el mando

El sistema no asumió el control directo del proceso de manera inmediata. En una primera etapa operó en modo sombra: calculaba los setpoints teóricos sin volcarlos al PLC, contrastándolos ciclo a ciclo contra la lógica de operación real. Posteriormente, se llevaron a cabo cinco ensayos integrales en planta junto al equipo técnico, inicialmente con recetas fijadas por los operadores y luego con márgenes graduales de autonomía. Durante estos ensayos se verificaron:

• La correcta escritura de cada setpoint en las variables del PLC campo por campo.
• La transición segura e instantánea entre modos de control.
• El comportamiento de las rutinas de seguridad (watchdog) ante caídas de comunicación o fallas de red.

Lecciones aprendidas

• El mayor desafío radica en los datos, no en los algoritmos. Durante la puesta a punto surgieron sensores que dejaban de medir sin emitir fallas de diagnóstico, registros en unidades incompatibles y planillas manuales discrepantes con los pesajes de balanza. Antes de predecir, el sistema debió aprender a validar y desconfiar de sus propias fuentes de entrada.
• Mayor complejidad no garantiza mejor desempeño. En procesos de respuesta lenta y con datos limitados, los modelos altamente complejos tienden al sobreajuste (overfitting). Resultó mucho más eficaz predecir la tendencia de una variable (alerta temprana de subida o bajada) antes que un valor escalar exacto, priorizando un conjunto acotado de variables clave con sus respectivos retardos biológicos.
• Anticipar supera a reaccionar. En el día a día operativo, la principal ventaja consistió en detectar desviaciones biológicas con varios días de anticipación, permitiendo modular la carga cuando aún existe margen de maniobra seguro.
• Una alarma sin plan de acción resulta ineficaz. El compromiso del equipo con la plataforma se consolidó cuando cada alerta comenzó a acompañarse de recomendaciones operativas concretas. El diseño funcional de la interfaz demostró tener el mismo peso que la precisión algorítmica.

El factor humano en el centro

• De lo urgente a lo planificado: al delegar el análisis masivo de datos y el cálculo continuo de dosificación en la plataforma, el personal de planta reorientó sus horas de trabajo hacia la planificación y el mantenimiento preventivo. La posibilidad de analizar los procesos internos con una perspectiva de mediano plazo impactó directamente en la calidad operativa. El paradigma evolucionó: el equipo se anticipa a los problemas.
• Límites de la IA y complementariedad: los ensayos de campo demostraron que la IA optimiza consignas y curvas operativas, pero no sustituye la inspección física ni detecta fallas mecánicas no instrumentadas (como una fuga neumática en un actuador). Tampoco cuenta con la visión global de negocio de las distintas áreas de la empresa. La tecnología opera como un asistente avanzado que potencia las capacidades del personal, sin prescindir de la experiencia y la supervisión humana calificada.

Resultados y proyección industrial

Tras la consolidación del sistema —operado y supervisado integralmente por el personal de General Villegas Biogás—, la planta alcanzó marcas récord de producción sostenida, elevando las eficiencias operativas mensuales desde niveles históricos del 89–90 % a rendimientos pico de entre el 97 % y el 99 %.

De acuerdo con sus creadores, la arquitectura desarrollada es agnóstica e integrable con diversas plataformas industriales. Su concepción modular permite replicarla en otras industrias de procesos continuos (como la química, la petroquímica, la alimenticia o el tratamiento de aguas y efluentes), donde el ajuste dinámico multivariable incide de forma crítica en la eficiencia energética y los costos operativos.