La fiscalización municipal enfrenta crecientes desafíos para garantizar el cumplimiento normativo, la seguridad ciudadana y el uso eficiente de los recursos públicos. En muchos gobiernos locales, los procesos de inspección se ejecutan de forma reactiva y poco focalizada, careciendo de herramientas analíticas que permitan anticipar riesgos críticos. Este estudio presenta el diseño, implementación y evaluación de un modelo predictivo de clasificación orientado a estimar el riesgo de clausura definitiva de establecimientos comerciales, como mecanismo de apoyo a la fiscalización inteligente basada en evidencia. El trabajo adopta la metodología CRISP-DM como marco estructural, asegurando trazabilidad, rigor metodológico e interpretabilidad. Se evaluaron distintos algoritmos de Machine Learning (árboles de decisión, Random Forest, Naive Bayes y regresión logística regularizada) utilizando validación cruzada estratificada. Los resultados evidencian que los modelos explicables, en particular el árbol J48 y la regresión logística regularizada, alcanzan un alto desempeño predictivo (recall ≥ 0.97 para la clase crítica) con una baja tasa de falsos negativos, constituyéndose en alternativas robustas y defendibles para su adopción en contextos de gestión pública.

el presente trabajo fue desarrollado por:

CLAUDIA EDITH
ALARCÓN DENEN
Maestría Ejecutiva en
Transformación Digital
Escuela de Posgrado
Universidad Nacional De
Ingeniería
Lima – Perú
claudia.alarcon.d@uni.pe

ALVARO ANTONIO ORIHUELA PASTOR
Maestría Ejecutiva en
Transformación Digital
Escuela de Posgrado
Universidad Nacional De
Ingeniería
Lima – Perú
alvaro.orihuela.p@uni.pe

ELMER
IBÁRCENA RIVERA
Maestría Ejecutiva en
Transformación Digital
Escuela de Posgrado
Universidad Nacional De
Ingeniería
Lima – Perú
elmer.ibarcena.r@uni.pe

FRANK JOE
GASPAR ÑAÑA
Maestría Ejecutiva en
Transformación Digital
Escuela de Posgrado
Universidad Nacional De
Ingeniería
Lima – Perú
frank.gaspar.n@uni.pe

Impacto de la Inteligencia Artificial en el Diseño de Estaciones de Servicio en el Perú
Autor
FRANK JOE GASPAR ÑAÑA

Introducción
Las estaciones de servicio, enfrentan el reto de modernizarse para ser más eficiente, segura y adaptarse a un mercado en constante cambio. En este escenario, la Inteligencia Artificial (IA) deja de ser una abstracción tecnológica para convertirse en la herramienta clave que está revolucionando la fase de diseño de estas instalaciones.

1. Diseño Basado en Datos: Precisión Predictiva
• Optimización de la Capacidad: Mediante técnicas de machine learning, los algoritmos pueden predecir su evolución, permitiendo diseñar una estación de servicios con la capacidad de almacenamiento y el número de dispensadores adecuados para el mediano y largo plazo. Esto maximiza el retorno de la inversión y evita el sobredimensionamiento o la saturación prematura de la infraestructura.

2. Ingeniería Proactiva: Seguridad y Eficiencia Integradas en el Diseño
• Simulación de Escenarios de Riesgo: Los algoritmos pueden ejecutar miles de simulaciones para predecir el comportamiento de un escape de gas, la propagación de un incendio o los efectos de una explosión bajo diferentes condiciones climáticas. Esto permite optimizar la ubicación de equipos críticos, sistemas de ventilación, muros de contención y equipos contra incendios de manera proactiva, diseñando la estación para mitigar incidentes antes de que ocurran. El diseño se convierte así en la primera y más crucial barrera de seguridad.

3. Estación de Servicio del Futuro: Diseños Adaptativos y Preparados para la Transición Energetica
• Preparación para la Movilidad Eléctrica: Aunque el enfoque actual es el GLP y GNV, la transición energética es inevitable. La IA puede ayudar a diseñar estaciones "a prueba de futuro", reservando espacios, capacidad eléctrica y infraestructura subterránea para la futura instalación de cargadores para vehículos eléctricos. Esto evita costosas remodelaciones a futuro y posiciona a las estaciones de servicio como hubs multimodales de energía.


Conclusión
La Inteligencia Artificial está redefiniendo los parámetros del diseño de estaciones de servicio en el Perú. Su impacto trasciende la automatización; se trata de una herramienta que dota de inteligencia predictiva, seguridad proactiva y eficiencia. Al adoptar la IA en el diseño, del sector hidrocarburos no solo construye infraestructuras más seguras, sino que sienta las bases para un ecosistema energético moderno, automatizado y preparado para integrar las fuentes de energía del mañana. La revolución no está en los combustibles, sino en la inteligencia con la que se diseña la infraestructura que los distribuye.



Referencias
Terranova Software. (2024, 3 de mayo). IA para supervisar y automatizar las presiones de la red de gas: el proyecto innovador para la protección de las empresas y del medio ambiente. Recuperado de https://www.terranovasoftware.eu/es/not ... o-ambiente.
All Energy Perú S.A.C. (s. f.). Diseño de estaciones de servicios aplicando nuevas tecnologías GNV – GNL. Recuperado de https://allenperu.com/estaciones-servicios/.
Gasolutions. (s. f.). Software para Grifos [Página web]. Recuperado de https://www.gasolutions.pe/.
Béjar Barrueta, L. A. (2013). Diseño e implementación de una central detectora de gas natural y GLP [Tesis de grado, Universidad Ricardo Palma]. Repositorio ALICIA. Recuperado de https://alicia.concytec.gob.pe/vufind/R ... 0cdb973b2c

Impacto de la Inteligencia Artificial en el Diseño de Estaciones de Servicio en el Perú
Autor
FRANK JOE GASPAR ÑAÑA

Introducción
Las estaciones de servicio, enfrentan el reto de modernizarse para ser más eficiente, segura y adaptarse a un mercado en constante cambio. En este escenario, la Inteligencia Artificial (IA) deja de ser una abstracción tecnológica para convertirse en la herramienta clave que está revolucionando la fase de diseño de estas instalaciones.

1. Diseño Basado en Datos: Precisión Predictiva
• Optimización de la Capacidad: Mediante técnicas de machine learning, los algoritmos pueden predecir su evolución, permitiendo diseñar una estación de servicios con la capacidad de almacenamiento y el número de dispensadores adecuados para el mediano y largo plazo. Esto maximiza el retorno de la inversión y evita el sobredimensionamiento o la saturación prematura de la infraestructura.

2. Ingeniería Proactiva: Seguridad y Eficiencia Integradas en el Diseño
• Simulación de Escenarios de Riesgo: Los algoritmos pueden ejecutar miles de simulaciones para predecir el comportamiento de un escape de gas, la propagación de un incendio o los efectos de una explosión bajo diferentes condiciones climáticas. Esto permite optimizar la ubicación de equipos críticos, sistemas de ventilación, muros de contención y equipos contra incendios de manera proactiva, diseñando la estación para mitigar incidentes antes de que ocurran. El diseño se convierte así en la primera y más crucial barrera de seguridad.

3. Estación de Servicio del Futuro: Diseños Adaptativos y Preparados para la Transición Energetica
• Preparación para la Movilidad Eléctrica: Aunque el enfoque actual es el GLP y GNV, la transición energética es inevitable. La IA puede ayudar a diseñar estaciones "a prueba de futuro", reservando espacios, capacidad eléctrica y infraestructura subterránea para la futura instalación de cargadores para vehículos eléctricos. Esto evita costosas remodelaciones a futuro y posiciona a las estaciones de servicio como hubs multimodales de energía.


Conclusión
La Inteligencia Artificial está redefiniendo los parámetros del diseño de estaciones de servicio en el Perú. Su impacto trasciende la automatización; se trata de una herramienta que dota de inteligencia predictiva, seguridad proactiva y eficiencia. Al adoptar la IA en el diseño, del sector hidrocarburos no solo construye infraestructuras más seguras, sino que sienta las bases para un ecosistema energético moderno, automatizado y preparado para integrar las fuentes de energía del mañana. La revolución no está en los combustibles, sino en la inteligencia con la que se diseña la infraestructura que los distribuye.



Referencias
Terranova Software. (2024, 3 de mayo). IA para supervisar y automatizar las presiones de la red de gas: el proyecto innovador para la protección de las empresas y del medio ambiente. Recuperado de https://www.terranovasoftware.eu/es/not ... o-ambiente.
All Energy Perú S.A.C. (s. f.). Diseño de estaciones de servicios aplicando nuevas tecnologías GNV – GNL. Recuperado de https://allenperu.com/estaciones-servicios/.
Gasolutions. (s. f.). Software para Grifos [Página web]. Recuperado de https://www.gasolutions.pe/.
Béjar Barrueta, L. A. (2013). Diseño e implementación de una central detectora de gas natural y GLP [Tesis de grado, Universidad Ricardo Palma]. Repositorio ALICIA. Recuperado de https://alicia.concytec.gob.pe/vufind/R ... 0cdb973b2c