Aplicación de técnicas de Machine Learning en el modelamiento de sistemas químicos

Abstract

El Machine Learning ha generado avances en varias áreas, siendo una de ellas la modelación matemática de sistemas o fenómenos, el cual es una herramienta que se usa comúnmente en las industrias para predecir o determinar las condiciones de operación, por mencionar algunos usos. A pesar de las ventajas que ha generado, el requerimiento de conocimiento para construir el modelo, así como conocimiento computacional para realizar la simulación numérica se mantienen como limitantes de este proceso. El objetivo de este trabajo de memoria consiste desarrollar una metodología con la cual se propongan bloques o ecuaciones faltantes en modelos matemáticos descritos por sistemas de ecuaciones diferenciales ordinarias para sistemas químicos de diversa complejidad. La metodología diseñada consiste, en primer lugar, en una recolección de información y estudio de los datos, seguido de la implementación del algoritmo de programación genética para obtener propuestas del modelo. Finalmente, se realiza un análisis de estos con el objetivo de mejorar la calidad de la siguiente iteración. Sumado a lo anterior, se modifica el algoritmo para agregar características que ayudan a mejorar su desempeño ya sea en la calidad del resultado obtenido o el tiempo de ejecución.

Con esta metodología se logró diseñar los modelos que representan la altura de un líquido dentro de un estanque, Lotka-Volterra y la reacción de oxidación del monóxido de carbono en base a datos obtenidos a partir de simulaciones de dichos modelos. Para los 2 primeros se logran diseñar modelos similares a los originales con diferencia solo en los parámetros; mientras que, para el tercero, se logra obtener información relevante con relación al fenómeno. Se concluye que la metodología es capaz de proponer modelos de distinta complejidad y puede ser aplicada en otras áreas, ya que las modificaciones realizadas no son específicas para el área de Ingeniería Química. Sin embargo, es necesario tener ciertas consideraciones al momento de usarla, siendo las más importante que la elección de una función de fitness adecuada e informativa, así como el análisis de las expresiones matemáticas propuesta por el modelo.