El forecasting de presión y caudal está cambiando la manera en que se operan las redes de gas en Argentina. Durante décadas, el modelo predominante fue reactivo: los operadores intervenían cuando la presión ya había caído o el caudal ya mostraba desvíos. Hoy, los modelos predictivos basados en machine learning permiten anticipar el comportamiento del sistema con 24, 48 y hasta 72 horas de anticipación, transformando la gestión de infraestructura crítica en una disciplina proactiva.
En 7Puentes desarrollamos un sistema de forecasting de presión y caudal aplicado a redes gasíferas que ya está mostrando resultados concretos en implementaciones iniciales. En esta nota explicamos cómo funciona, por qué es relevante en el contexto argentino y cuáles son los desafíos reales de llevar esta tecnología a producción.
Puntos clave:
- El sistema de forecasting de presión y caudal de 7Puentes proyecta la evolución operativa de redes gasíferas en horizontes de 24, 48 y 72 horas, con mejoras de desempeño respecto a enfoques tradicionales de persistencia.
- Las normas NAG-200 y NAG-203 establecen que la pérdida máxima tolerable en instalaciones domiciliarias tipo es de 150 Pascales, lo que hace que la anticipación de desvíos tenga implicancias tanto operativas como regulatorias.
- La calidad de los datos es el factor limitante más crítico: sensores con distintos niveles de precisión, información incompleta y redes heterogéneas son los principales desafíos de implementación.
- El mayor avance del modelo se observa en las variables de presión, que son las más relevantes para la estabilidad del sistema en picos de demanda invernal.
Qué es el forecasting de presión y caudal en redes de gas
El forecasting de presión y caudal es la aplicación de modelos predictivos —en este caso, de machine learning— para anticipar cómo va a evolucionar el comportamiento hidráulico de una red gasífera en distintos horizontes temporales. A diferencia de los sistemas de monitoreo tradicionales, que alertan cuando una variable ya superó un umbral, el forecasting detecta tendencias y patrones antes de que el problema sea visible para el operador.
El sistema que desarrollamos en 7Puentes integra datos de distintas áreas operativas de la red, los normaliza y los procesa con múltiples modelos especializados que interpretan cómo variaciones en un punto impactan en otros nodos en distintos momentos. El resultado es una proyección de la evolución del sistema que permite planificar el linepack —el gas almacenado en la propia red— y activar alertas tempranas antes de que se produzcan caídas en nodos críticos. Es parte de las soluciones que desarrollamos desde nuestra práctica de IA para Oil & Gas.
Por qué el contexto argentino hace urgente el forecasting de presión
Argentina tiene un desafío estructural con sus redes de gas que se vuelve especialmente visible en invierno, cuando el consumo residencial alcanza sus picos máximos. La combinación de redes con décadas de operación, tramos subdimensionados frente a la demanda actual y pérdidas no siempre detectadas configura un escenario de alta sensibilidad operativa donde el margen de error es muy pequeño.
A esto se suma el marco regulatorio. Las normas NAG-200 y NAG-203 de ENARGAS establecen que la pérdida máxima tolerable en instalaciones domiciliarias tipo es de 150 Pascales. Anticipar desvíos antes de alcanzar ese umbral no es solo una mejora operativa: es una obligación regulatoria. Un sistema que puede proyectar la presión en nodos críticos con dos o tres días de anticipación le da a la distribuidora tiempo real para actuar.
De la reacción a la predicción: cómo funciona el modelo
Los sistemas de control tradicionales funcionan sobre umbrales fijos: el operador recibe una alerta cuando la presión ya cayó por debajo de un valor de corte. El problema es que, para ese momento, la ventana de acción útil suele ser muy estrecha o directamente ya se cerró.
El enfoque predictivo es diferente. El modelo de machine learning aprende los patrones de comportamiento histórico de la red —cómo varía la presión ante cambios de temperatura, qué efecto tiene la demanda de un nodo sobre los nodos aguas abajo, cuándo empiezan a aparecer las primeras señales de un desbalance— y los proyecta hacia adelante. Charly Lizarralde, CEO de 7Puentes, lo explica con claridad: el sector energético lleva décadas operando en modo reactivo, detectando el problema cuando ya ocurrió. Con este sistema, distribuidoras y transportistas pueden anticiparse al comportamiento de la red con días de ventaja. No es solo tecnología; es un cambio profundo en la lógica de operación de infraestructura crítica.
El verdadero diferencial en infraestructura crítica no depende únicamente de la tecnología instalada, sino del momento en el que se toman las decisiones. Pasar de monitorear a predecir es el salto que separa la gestión reactiva de la gestión inteligente de redes.
— Charly Lizarralde, CEO de 7Puentes
Resultados iniciales y desafíos reales de implementación
Los resultados de la implementación inicial muestran mejoras respecto a enfoques basados en persistencia —el método más simple, que asume que el futuro se parecerá al pasado inmediato—, con desempeños más robustos en los horizontes de 48 y 72 horas. Las variables de presión son las que muestran los mayores avances, lo que es especialmente relevante para la estabilidad del sistema en picos de demanda.
Sin embargo, como ocurre con cualquier aplicación de IA en entornos industriales, los resultados dependen en gran medida de la calidad y disponibilidad de los datos. La presencia de información incompleta, sensores con distintos niveles de precisión o redes con configuraciones heterogéneas puede limitar el alcance del modelo. La implementación efectiva también plantea desafíos organizacionales: integración con sistemas existentes, validación operativa de las alertas y calibración del balance entre falsas alarmas y omisiones críticas. Para estos proyectos trabajamos con esquemas de desarrollo de MVP de IA que permiten validar el modelo en condiciones reales antes de escalar.
El lugar del forecasting en la digitalización de la infraestructura energética
El avance del forecasting de presión y caudal en redes de gas se inscribe en una tendencia más amplia de digitalización de la infraestructura energética argentina y regional. La analítica avanzada y los esquemas de MLOps están ganando terreno en un sector que históricamente fue lento para adoptar tecnología, pero que enfrenta presiones crecientes de eficiencia operativa, cumplimiento regulatorio y sustentabilidad.
En mercados más desarrollados, estas herramientas ya forman parte de estrategias estándar de optimización operativa. En Argentina, la combinación de restricciones de inversión, heterogeneidad de redes y exigencias regulatorias plantea un escenario particular: la incorporación de inteligencia predictiva puede ofrecer mejoras relevantes, pero su escalabilidad depende de la capacidad de adaptación a condiciones locales. Es exactamente el tipo de proyecto en el que la experiencia de 7Puentes en IA para la industria energética marca la diferencia.
Preguntas frecuentes
¿Qué es el forecasting de presión y caudal en redes de gas?
Es la aplicación de modelos de machine learning para proyectar cómo va a evolucionar la presión y el caudal en una red gasífera en horizontes de 24, 48 y 72 horas. A diferencia del monitoreo tradicional, que alerta cuando ya se superó un umbral, el forecasting detecta tendencias antes de que el problema sea visible, dándole al operador tiempo real para intervenir.
¿Qué normas regulan la presión en redes de gas en Argentina?
Las normas NAG-200 y NAG-203 de ENARGAS regulan, entre otras cosas, los límites de pérdida de presión en instalaciones gasíferas. Establecen, por ejemplo, que la pérdida máxima tolerable en instalaciones domiciliarias tipo es de 150 Pascales. Anticipar desvíos respecto a estos umbrales tiene implicancias tanto operativas como regulatorias para distribuidoras y transportistas.
¿Cuáles son los principales desafíos de implementar un sistema de forecasting en redes de gas?
Los desafíos más frecuentes son la calidad y disponibilidad de los datos (sensores con distintos niveles de precisión, información incompleta, redes heterogéneas), la integración con los sistemas de control existentes, y la validación operativa de las alertas generadas para evitar tanto falsas alarmas como omisiones críticas. La implementación gradual con esquemas de MVP permite validar el modelo en condiciones reales antes de escalar.
¿En qué se diferencia el forecasting predictivo del monitoreo tradicional de redes de gas?
El monitoreo tradicional opera sobre umbrales fijos y alerta cuando una variable ya superó un límite. El forecasting predictivo anticipa la evolución del sistema antes de que el problema ocurra, proyectando el comportamiento de presión y caudal en distintos horizontes temporales. La diferencia clave es la ventana de acción: en el monitoreo reactivo, el operador interviene cuando el margen es mínimo; en el enfoque predictivo, puede planificar con días de anticipación.
Una versión de esta nota fue publicada en Ser Industria (abril 2026).
¿Operás una red de distribución o transporte de gas y querés explorar cómo el forecasting predictivo puede mejorar tu gestión operativa? Contanos tu caso.
Contact
