Inteligencia Artificial Utilizada Para Mejorar La Predicción De Descargas Eléctricas

La predicción del clima ha mejorado sustancialmente a lo largo de la última década, con pronósticos de cinco días que ahora son aproximadamente del 90% precisos. Sin embargo, un aspecto del clima que ha eludido durante mucho tiempo los intentos de predecirlo es la descarga eléctrica. Debido a que la descarga eléctrica es tan impredecible, es muy difícil minimizar el daño que puede causar a la vida humana, la propiedad y la naturaleza. Gracias al trabajo de un equipo de investigación de la EPFL (Ecole Polytechnique Fédérale de Lausanne) Escuela de Ingeniería, las descargas eléctricas pueden ser mucho más predecibles en el futuro cercano.

Como informa SciTechDaily, un equipo de investigadores de la Escuela de Ingeniería de la EPFL – Laboratorio de Compatibilidad Electromagnética, creó recientemente un programa de inteligencia artificial capaz de predecir con precisión una descarga eléctrica dentro de un período de 10 a 30 minutos y en un radio de 30 kilómetros. El sistema creado por el equipo de ingeniería aplica algoritmos de inteligencia artificial a datos meteorológicos, y el sistema se utilizará en el proyecto European Laser Lightning Rod.

El objetivo del proyecto European Laser Lightning Rod (ELLR) es crear nuevos tipos de sistemas y técnicas de protección contra descargas eléctricas. En específico, ELLR tiene como objetivo crear un sistema que utilice una técnica basada en láser para reducir la cantidad de descargas eléctricas naturales hacia abajo, logrado mediante la estimulación de destellos de descargas eléctricas hacia arriba.

Según el equipo de investigación, los métodos actuales de predicción de descargas eléctricas se basan en datos recopilados por radar o satélite, lo que tiende a ser muy costoso. El radar se utiliza para escanear tormentas y determinar el potencial eléctrico de la tormenta. Otros sistemas de predicción de descargas eléctricas a menudo requieren el uso de tres o más receptores en una región para que se puedan triangular los ocurriendo de descargas eléctricas. Crear predicciones de esta manera es un proceso a menudo lento y complejo.

En cambio, el método desarrollado por el equipo de la EPFL utiliza datos que se pueden recopilar en cualquier estación meteorológica estándar. Esto significa que los datos son mucho más baratos y fáciles de recopilar, y el sistema podría potencialmente aplicarse a regiones remotas donde los sistemas de satélite o radar no cubren y donde las redes de comunicación son escasas.

Los datos para las predicciones también se pueden recopilar rápidamente y en tiempo real, lo que significa que una región podría potencialmente ser informada de descargas eléctricas entrantes incluso antes de que se forme una tormenta en la región. Como informa ScienceDaily, el método que el equipo de la EPFL utilizó para hacer predicciones es un algoritmo de aprendizaje automático entrenado con datos recopilados de 12 estaciones meteorológicas suizas. Los datos abarcaron una década y se representaron tanto regiones montañosas como urbanas en el conjunto de datos.

La razón por la que las descargas eléctricas se pueden predecir en absoluto es que están fuertemente correlacionadas con condiciones meteorológicas específicas. Uno de los ingredientes más importantes para la formación de descargas eléctricas es la convección intensa, donde el aire húmedo asciende a medida que la atmósfera se vuelve inestable en la región local. Las colisiones entre gotas de agua, partículas de hielo y otras moléculas dentro de las nubes pueden causar que las cargas eléctricas dentro de las partículas se separen. Esta separación conduce a la creación de capas de nubes con cargas opuestas, lo que conduce a las descargas que aparecen como descargas eléctricas. Las características atmosféricas asociadas con estas condiciones meteorológicas se pueden alimentar a algoritmos de aprendizaje automático para predecir descargas eléctricas.

Entre las características del conjunto de datos se encontraban variables como la velocidad del viento, la humedad relativa, la temperatura del aire y la presión atmosférica. Esas características se etiquetaron con descargas eléctricas registradas y la ubicación del sistema que detectó el impacto. En función de estas características, el algoritmo pudo interpretar patrones en las condiciones que llevaron a las descargas eléctricas. Cuando se probó el modelo, demostró ser capaz de predecir con precisión una descarga eléctrica alrededor del 80% de las veces.

El modelo del equipo de la EPFL es notable porque es el primer ejemplo de un sistema basado en datos meteorológicos comúnmente disponibles que puede predecir con precisión las descargas eléctricas.