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.) , María del 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.)
• Programa de doctorado: Programa de Doctorado en Tecnologías Informáticas (TIN) por la Universidad de Extremadura
• Menciones:
  • Internacional
• Calificación: Sobresaliente Cum Laude
• Enlaces
  • Tesis en acceso abierto en:  TESEO  Dehesa 
• Resumen
  • español

    La integración de la Inteligencia Artificial con los Gemelos Digitales está cambiando la forma en que se monitorizan y gestionan las infraestructuras críticas. Este cambio es especialmente visible en los sistemas de distribución de agua, donde los gemelos digitales permiten analizar el comportamiento del sistema y apoyar la toma de decisiones. Sin embargo, esta integración también introduce nuevos riesgos relacionados con la ciberseguridad y con la fiabilidad de los datos obtenidos por sensores. En muchos trabajos existentes, la incertidumbre física, las limitaciones de sensado y las anomalías cibernéticas se estudian por separado. Además, algunos métodos de detección se basan principalmente en correlaciones estadísticas entre variables. Este tipo de enfoque puede detectar comportamientos anómalos, pero en algunos casos produce un número elevado de falsos positivos y no siempre permite entender la causa real del problema. Esta tesis propone un enfoque jerárquico para desarrollar Gemelos Digitales más resilientes en infraestructuras hídricas críticas. Primero, se realiza una revisión sistemática de la literatura para analizar el estado actual de las soluciones basadas en inteligencia artificial. Después, se propone una estrategia de muestreo adaptativo basada en Conformal Prediction que prioriza los nodos sensores con mayor incertidumbre y mejora la estimación de la demanda. Posteriormente se introduce el método Adaptive Multi-Village Conformal Prediction (AMV-CP), que permite gestionar la incertidumbre en diferentes niveles del sistema. Finalmente, el enfoque Causal Digital Twin utiliza modelos causales estructurales para detectar anomalías y facilitar el análisis de causa raíz en sistemas de distribución de agua.

  • English

    The integration of Artificial Intelligence with Digital Twins has significantly changed the way critical infrastructures are monitored and managed, particularly in water distribution systems. While this technological combination offers important benefits for efficiency, monitoring, and decision support, it also increases the cyber-attack surface and introduces challenges related to the reliability and quality of sensor data. Many existing studies treat physical uncertainty, sensing limitations, and cyber anomalies as independent problems. In addition, several anomaly detection approaches rely mainly on statistical correlations between variables. These methods may detect abnormal patterns, but they often generate a high number of false positives and sometimes provide limited explanation about the real cause of the anomaly. This doctoral thesis proposes a hierarchical framework for designing more resilient Digital Twins for critical water infrastructures. The main objective is to integrate efficient sensing strategies, uncertainty quantification, and cyber-security mechanisms within a unified approach. First, a systematic literature review is carried out to analyze current AI-based security approaches and to identify their main limitations. Second, an adaptive sampling strategy based on Conformal Prediction is introduced. This approach dynamically prioritizes sensor nodes with higher uncertainty and reduces demand estimation error by around 33% compared to uniform sampling strategies. Third, the Adaptive Multi-Village Conformal Prediction (AMV-CP) framework is proposed to transfer uncertainty across different system levels while maintaining reliable empirical coverage close to 95%. Finally, a Causal Digital Twin framework based on Structural Causal Models is used to detect anomalies and support root cause analysis in water distribution systems.