Predicción de la concentración de hidrógeno en un reactor de polimerización basado en machine learning
DOI:
https://doi.org/10.5281/zenodo.15643200Palabras clave:
python, aprendizaje automático, análisis predictivo, inteligencia artificialResumen
Se modeló la concentración de hidrógeno en un reactor de polimerización a través de Machine Learning en Python. Se emplearon métodos de preprocesamiento de datos (variables rezagadas, limpieza y detección de valores atípicos). Se aplicaron técnicas estadísticas para la visualización de correlación de variables a través de Heatmap. Se ajustaron los modelos Linear Regression, ARIMAX y GBR, obteniendo correlaciones de 0.7950, 0.6722 y 0.6395 respectivamente. Se seleccionó el modelo predictivo de Linear Regression por su mayor correlación, y se obtuvo una mejora del 14.96 % mediante agrupación de observaciones. Para el análisis de sensibilidad, se obtuvo un valor de predicción de la concentración de 0.65 y 0.44 para valores de 3 y 2 kg/h de flujo de hidrógeno crudo, respectivamente, con relación positiva en la variación del mismo. Los resultados confirman la efectividad del aprendizaje automático en el análisis predictivo de procesos industriales.
Descargas
Referencias
Alharbi, F. y Csala, D. (2022). A Seasonal Autoregressive Integrated Moving Average with Exogenous Factors (SARIMAX) Forecasting Model-Based Time Series Approach. Inventions, 7(4), 94. https://doi.org/10.3390/inventions7040094
Calofir, V., Munteanu, R., Simoiu, M. y Lemnaru, K. (2024). Innovative approach to estimate structural damage using linear regression and K-nearest neighbors machine learning algorithms. Results in Engineering, 22. https://doi.org/10.1016/j.rineng.2024.102250
Chicco, D., Warrens, M. y Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7, 623. https://doi.org/10.7717/peerj-cs.623
Dubravova, H., Cap, J., Holubova, K. y Hribnak, L. (2024). Artificial Intelligence as an Innovative Element of Support in Policing. Procedia Computer Science, 237, 237-244. https://doi.org/10.1016/j.procs.2024.05.101
Forero-Corba, W. y Negre, F. (2024). Técnicas y aplicaciones del Machine Learning e Inteligencia Artificial en educación: una revisión sistemática. Revista Iberoamericana de Educación a Distancia, 27(1), 209-253. https://doi.org/10.5944/ried.27.1.37491
Gou, J., Sajid, G., Sabri, M., El-Meligy, M., El Hindi, K. y Othman, N. (2024). Optimizing biochar yield and composition prediction with ensemble machine learning models for sustainable production. Ain Shams Engineering Journal, 16. https://doi.org/10.1016/j.asej.2024.103209
Hyndman, R. y Athanasopoulos, G. (2021). Forecasting: principles and practice. (3.ª ed.). OTexts. https://otexts.com/fpp3/
Khodabakhshi, M. y Bijani, M. (2024). Predicting scale deposition in oil reservoirs using machine learning optimization algorithms. Results in Engineering, 22. https://doi.org/10.1016/j.rineng.2024.102263
Kovac, N., Ratkovic, K., Farahani, H. y Watson P. (2024). A practical applications guide to machine learning regression models in psychology with Python. Methods in Psychology, 11. https://doi.org/10.1016/j.metip.2024.100156
Mansi, M., Almobarak, M., Ekundayo, J., Lagat C. y Xie, Q. (2023). Application of supervised machine learning to predict the enhanced gas recovery by CO2 injection in shale gas reservoirs. Petroleum, 10, 124-134. https://doi.org/10.1016/j.petlm.2023.02.003
Ngige, G., Ovuoraye, P., Igwegbec, C., Fetahi, E., Okekec, J., Yakubud, A. y Onyechi, P. (2022). RSM optimization and yield prediction for biodiesel produced from alkali-catalytic transesterification of pawpaw seed extract: Thermodynamics, kinetics, and Multiple Linear Regression analysis. Digital Chemical Engineering, 6. https://doi.org/10.1016/j.dche.2022.100066
Qu, K. (2024). Research on linear regression algorithm. MATEC Web of Conferences, 395. https://doi.org/10.1051/matecconf/202439501046
Shaveta, N. (2023). A review on machine learning. International Journal of Science and Research Archive, 9(1), 281–285. https://doi.org/10.30574/ijsra.2023.9.1.0410
Singh, U., Rizwan, M., Alaraj, M. y Alsaidan, I. (2021). A Machine Learning-Based Gradient Boosting Regression Approach for Wind Power Production Forecasting: A Step towards Smart Grid Environments. Energies, 14(16), 5196. https://doi.org/10.3390/en14165196
Publicado
Número
Sección
Licencia
Derechos de autor 2025 PetroRenova Indexed
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
