De la incertidumbre a la causalidad: Un marco de gemelo digital resiliente para infraestructuras hídricas ciberseguras

• Autores: Mohammadhossein Homaei
• Directores de la Tesis: Andrés Caro Lindo (dir. tes.) , Mar Ávila Vegas (codir. tes.)
• Lectura: En la Universidad de Extremadura ( España ) en 2026
• Idioma: inglés
• Tribunal Calificador de la Tesis: Antonio José Plaza Miguel (presid.) , Pedro Ricardo Morais Inácio (secret.) , Alejandro Rabasa Dolado (voc.)
• Enlaces
  • Tesis en acceso abierto en: TESEO
• Resumen

  • Los sistemas de distribución de agua son un componente clave de la infraestructura urbana moderna y desempeñan un papel importante en el desarrollo de las ciudades inteligentes. Por lo tanto, su funcionamiento fiable es esencial para la sociedad. En los últimos años, los gemelos digitales, combinados con la inteligencia artificial, han empezado a desempeñar un papel importante en la monitorización y la gestión de estos sistemas. Permiten analizar el comportamiento del sistema en tiempo real y respaldan la toma de decisiones operativas. Al mismo tiempo, una mayor conectividad también plantea nuevos retos, especialmente en materia de ciberseguridad y la fiabilidad de los datos de los sensores utilizados por los modelos. Gran parte de la investigación existente estudia la incertidumbre física, las limitaciones de la detección y las ciberanomalías por separado. Sin embargo, en la práctica, estos aspectos interactúan entre sí. Los métodos que se basan principalmente en correlaciones estadísticas pueden detectar patrones anormales, pero también pueden generar falsas alarmas o pasar por alto ataques que siguen siendo físicamente plausibles. Esta tesis explora un enfoque integrado para estos problemas. En primer lugar, revisa la bibliografía actual sobre seguridad basada en IA para infraestructuras hídricas e identifica varias limitaciones prácticas. A partir de este análisis, se propone una estrategia de muestreo adaptativo basada en la Predicción Conformal para priorizar los nodos de sensores con mayor incertidumbre, reduciendo así el error de estimación de la demanda en aproximadamente un 33 %. Posteriormente, se introduce el marco de Predicción Conformal Adaptativa Multialdea (AMV-CP) para gestionar la incertidumbre en todos los niveles del sistema, manteniendo una cobertura empírica cercana al 95 %. Finalmente, se desarrolla un Gemelo Digital Causal basado en Modelos Causales Estructurales para detectar anomalías y respaldar el análisis de causa raíz, lo que resulta en una reducción de falsos positivos de aproximadamente un 48 %.