La mayoría de las estrategias de operación y control automático que actualmente se implantan en los reactores biológicos de las EDAR están basadas en sensores o analizadores que suministran información del estado del proceso en unos puntos concretos de muestreo. Esta información puntual tiene un indudable valor para contrastar si los rendimientos globales han sido los requeridos, pero no permite conocer con precisión el estado del proceso en el interior de cada zona. El sistema de control se desarrolla sin tener en cuenta la hidráulica del tanque, se ajusta con información sesgada para reproducir fenómenos globales. Para que los sistemas de control contemplen la realidad de una hidrodinámica más compleja, es necesario incluir nuevas tecnologías y herramientas más sofisticadas.

El desarrollo principal del proyecto consiste en el diseño e implementación de un gemelo digital en reactores biológicos que permita su control de una forma precisa y eficiente. Su diseño se basa en el entrenamiento de una red neuronal (machine learning), que aprende el comportamiento hidrodinámico y bioquímico del flujo en el interior de los reactores gracias a un elevado número de simulaciones calculadas mediante dinámica computacional de fluidos (CFD), capaces de trasferir un nivel de detalle elevado a la red para su aprendizaje y su verificación.