Sectorization is an effective technique for reducing the complexities of analyzing and managing of water systems. The resulting sectors, called district metering areas (DMAs), are expected to meet some requirements and performance criteria such as minimum number of intervention, pressure uniformity, similarity of demands, water quality and number of districts. An efficient methodology to achieve all these requirements together and the proper choice of a criteria governing the sectorization is one of the open questions about optimal DMAs design. This question is addressed in this research by highlighting the advantages of three different criteria when applied to real-word water distribution networks (WDNs). To this, here it is presented a two-stage approach for optimal design of DMAs. The first stage, the clustering of the system, is based on a Louvain-type greedy algorithm for the generalized modularity maximization. The second stage, the physical dividing of the system, is stated as a two-objective optimization problem that utilises the SMOSA version of simulated annealing for multiobjective problems. One objective is the number of isolation valves whereas for the second objective three different performance indices (PIs) are analyzed and compared: (a) standard deviation, (b) Gini coefficient and (c) loss of resilience. The methodology is applied to two real case studies where the first two PIs are optimized to address similar demands among DMAs. The results demonstrate that the proposed method is effective for sectorization into independent DMAs with similar demands. Surprisingly, it found that for the real studied systems, loss of resilience achieves better performance for each district in terms of pressure uniformity and demand similarity than the other two specific performance criteria.

Sectorization and pressure management are techniques that simplify leak detection and its control in water networks. This article proposes a novel three-stage methodology. First, using complex network theory, it identifies conceptual cuts to form communities. Second, it optimizes District Measurement Areas (DMAs) by reconnecting these cuts, balancing resilience loss and open connections. Third, it reduces network pressure during off-peak hours by installing pressure-reducing valves to create Pressure Management Zones (PMZs). Applied to an academic network and a real network, this approach establishes both DMAs and PMZs, enhancing the supply quality and reducing leakages.

La recolección de leche en la industria láctea argentina se gestiona mayormente de forma manual, pese a los avances tecnológicos. Este trabajo propone un modelo de optimización basado en el problema de enrutamiento de vehículos (VRP) con flota heterogénea, que incorpora no solo la distancia recorrida sino también la carga transportada, permitiendo estimar de manera más precisa las emisiones de dióxido de carbono. Mediante una variante del algoritmo de recocido simulado se generan recorridos eficientes bajo restricciones de capacidad y demandas variables. Se comparan las soluciones óptimas obtenidas al minimizar la distancia total con aquellas que minimizan las emisiones de dióxido de carbono. Los resultados muestran que minimizar la distancia no garantiza reducir las emisiones, lo que resalta la necesidad de soluciones que equilibren eficiencia logística e impacto ambiental, especialmente en la región pampeana, donde las distancias entre tambos y plantas procesadoras son extensas. La metodología propuesta constituye un avance respecto de estudios previos al integrar simultáneamente distancia, carga y emisiones, con un enfoque aplicable a la planificación diaria de industrias lácteas en Argentina.

En los últimos años los autoencoders variacionales (VAE) se han consolidado como una herramienta poderosa para aprender representaciones compactas y continuas de sistemas complejos. En el presente trabajo se aplica un VAE convolucional a la tarea de predecir la evolución temporal en un sistema de flujo granular simulado mediante el método de elementos discretos (DEM). Se entrena el modelo para recibir como entrada dos imágenes consecutivas de la simulación y generar como salida las imágenes de los pasos temporales siguientes. Posteriormente, se analiza el espacio latente resultante utilizando Análisis de Componentes Principales (PCA), con el objetivo de evaluar si las representaciones latentes capturan información relevante sobre el estado del sistema. Los resultados muestran que el modelo es capaz de organizar los datos en regiones diferenciadas y con continuidad temporal, lo que constituye una evidencia favorable de que el VAE ha aprendido variables de estado útiles para describir el sistema. En los últimos años los autoencoders variacionales (VAE) se han consolidado como una herramienta poderosa para aprender representaciones compactas y continuas de sistemas complejos. En el presente trabajo se aplica un VAE convolucional a la tarea de predecir la evolución temporal en un sistema de flujo granular simulado mediante el método de elementos discretos (DEM). Se entrena el modelo para recibir como entrada dos imágenes consecutivas de la simulación y generar como salida las imágenes de los pasos temporales siguientes. Posteriormente, se analiza el espacio latente resultante utilizando Análisis de Componentes Principales (PCA), con el objetivo de evaluar si las representaciones latentes capturan información relevante sobre el estado del sistema. Los resultados muestran que el modelo es capaz de organizar los datos en regiones diferenciadas y con continuidad temporal, lo que constituye una evidencia favorable de que el VAE ha aprendido variables de estado útiles para describir el sistema.