Sistema IoT de bajo costo para detección de fugas de agua en viviendas de interés social en México.

Cornelio Morales Morales; Julieta Ponce Vela; Armida González Lorence; Mirna Castro Bello; Josefa Morales Morales

doi:10.46377/dilemas.v13i2.4850

Cornelio Morales Morales Tecnológico Nacional de México
Julieta Ponce Vela Tecnológico Nacional de México
Armida González Lorence Tecnológico Nacional de México
Mirna Castro Bello Tecnológico Nacional de México
Josefa Morales Morales Tecnológico Nacional de México

DOI: https://doi.org/10.46377/dilemas.v13i2.4850

Palabras clave: IoT, detección de fugas, viviendas de interés social, bajo costo, gestión del agua

Resumen

Este artículo presenta un sistema IoT de bajo costo que integra sensores de caudal, procesamiento de datos en microcontrolador ESP32 y despliegue mediante aplicación móvil, validado a través de un prototipo a escala 1:12 bajo escenarios con y sin fugas, y mediante encuesta a 133 usuarios. El sistema alcanzó 96.4% de precisión, 98% de estabilidad en transmisión de datos, y tiempo de alerta de 11.8 segundos. El 90% de participantes consideró importante esta tecnología para reducir pérdidas económicas. El sistema representa una solución accesible y efectiva para viviendas de interés social, contribuyendo al uso sostenible del agua y protegiendo a familias vulnerables de costos imprevistos.

Citas

Akimu, O., Rashayi, E., Gumindoga, W., Gotora, G. M., & Zulu, G. B. (2025). Optimising Harare's Water Dissemination Network: Development of an IoT-Driven Leak Monitoring System for Sustainable Urban Water Management. East African Journal of Engineering, 8(1), 219–230. https://doi.org/10.37284/eaje.8.1.3344

Alonso, J. C., & Montenegro, S. (2015). A Monte Carlo Study to compare 8 normality tests for least-squares residuals following a first order autoregressive process. Estudios Gerenciales, 31(136), 253–265. https://doi.org/10.1016/j.estger.2014.12.003

Ben Seghier, M. E. A., Spyridis, P., Jafari-Asl, J., Ohadi, S., & Li, X. (2022). Comparative Study on the Efficiency of Simulation and Meta-Model-Based Monte Carlo Techniques for Accurate Reliability Analysis of Corroded Pipelines. Sustainability (Switzerland), 14(10). https://doi.org/10.3390/su14105830

Cheng, J., Jiang, Z., Wu, H., & Zhang, X. (2025). Water Pipeline Leak Detection Method Based on Transfer Learning. Water (Switzerland), 17(3). https://doi.org/10.3390/w17030368

Comisión Nacional de Vivienda [CONAVI]. (2023). Reporte Anual de Vivienda 2023. Gobierno de México.

Comisión Nacional del Agua [CONAGUA] (2024). Estadísticas del Agua en México, edición 2024. Secretaría de Medio Ambiente y Recursos Naturales.

Goharian, E., Zahmatkesh, Z., & Sandoval-Solis, S. (2018). Uncertainty Propagation of Hydrologic Modeling in Water Supply System Performance: Application of Markov Chain Monte Carlo Method. Journal of Hydrologic Engineering, 23(5). https://doi.org/10.1061/(asce)he.1943-5584.0001646

Instituto Nacional de Estadística y Geografía [INEGI]. (2020). Censo de Población y Vivienda 2020: Características de las viviendas. INEGI.

Kandil, A., Khanafer, M., Darwiche, A., Kassem, R., Matook, F., Younis, A., Badran, H., Bin-Jassem, M., Ahmed, O., Behiry, A., & El-Abd, M. (2024). A Machine-Learning-Based and IoT-Enabled Robot Swarm System for Pipeline Crack Detection. Internet of Things, 5(4), 951–969. https://doi.org/10.3390/iot5040043

Liemberger, R., & Wyatt, A. (2019). Quantifying the global non-revenue water problem. Water Science and Technology: Water Supply, 19(3), 831–837. https://doi.org/10.2166/ws.2018.129

Lučin, I., Lučin, B., Čarija, Z., & Sikirica, A. (2021). Data-driven leak localization in urban water distribution networks using big data for random forest classifiers. Mathematics, 9(6). https://doi.org/10.3390/math9060672

Metropolis, N., & Ulam, S. (1949). The monte Carlo method. In Journal of the American Statistical Association (Vol. 44).

Nguyen, K. A., Stewart, R. A., Zhang, H., Sahin, O., & Siriwardene, N. (2018). Re-engineering traditional urban water management practices with smart metering and informatics Software availability Restricted Software size 44 MB Software requirements MATLAB Compiler Runtime (MCR) Hardware requirements 2.4 GHz processor and 2 GB RAM Data collection locations Melbourne and Southeast Queensland-Australia Size 500 residential households. Environmental Modelling and Software, 101, 256–267. https://doi.org/10.1016/j.asoc.2015.03

Proença, M., Paschoalini, A. T., & Obata, D. H. S. (2023). Prediction of the probabilistic water leak location in underground pipelines using Monte Carlo simulation. Water Practice and Technology, 18(3), 522–535. https://doi.org/10.2166/wpt.2023.026

Puust, R., Kapelan, Z., Savic, D. A., & Koppel, T. (2010). A review of methods for leakage management in pipe networks. Urban Water Journal, 7(1), 25–45. https://doi.org/10.1080/15730621003610878

Romero, B., & Jeisson, H. (2024). Sistema Iot para monitoreo en tiempo real del consumo de agua. Iot system for real-time water monitoring.

Rubinstein, R. Y., & Kroese, D. P. (2008). Simulation and the Monte Carlo method Second Edition.

Torres, L., & Verde, C. (2024). Localization estimation of two leaks in pipelines through Monte Carlo simulations and hydraulic-spatial constraints. Applied Mathematical Modelling, 133, 460–473. https://doi.org/10.1016/j.apm.2024.05.036

UVFI. (2023). Universidad Veracruzana Facultades de Ingeniería y Ciencias Químicas Región Xalapa Manual de Detección de Pérdidas de Agua.

Wu, H., Jiang, Z., Zhang, X., & Cheng, J. (2025). Research on a Novel Unsupervised-Learning-Based Pipeline Leak Detection Method Based on Temporal Kolmogorov–Arnold Network with Autoencoder Integration. Sensors, 25(2). https://doi.org/10.3390/s25020384

Yang, L., Yang, S. H., Magiera, E., Froelich, W., Jach, T., & Laspidou, C. (2017). Domestic water consumption monitoring and behaviour intervention by employing the internet of things technologies. Procedia Computer Science, 111, 367–375. https://doi.org/10.1016/j.procs.2017.06.036