Modelos de Machine Learning y gemelo gigitales aplicados en sistemas de combustión : revisión de la literatura

En la “Convocatoria Ecosistemas en Energía Sostenible, Eficiente y Asequible-2023 – convocatoria 938”, se desarrolla el proyecto “Evaluación del efecto combinado de la autorregeneración de calor y el uso de mezclas hidrógeno/gas natural sobre la eficiencia energética y descarbonización en procesos de fusión de materiales no ferrosos”, con el propósito de avanzar del nivel de madurez tecnológica (TRL) 8 a un TRL 9. Dentro de este marco, se ha desarrollado un gemelo digital del sistema optimizado para predecir su comportamiento en condiciones normales de operación, su respuesta ante cambios en las variables de entrada, su respuesta ante modificaciones en la configuración geométrica y predicciones del comportamiento en escalas mayores o menores del prototipo intervenido. El avance tecnológico ha impulsado una evolución significativa en la industria de la combustión, especialmente con la adopción de tecnologías emergentes como el Machine Learning y los Gemelos Digitales. Estas herramientas proporcionan nuevas perspectivas para mejorar el rendimiento, optimizar procesos, y aumentar la seguridad y eficiencia en sistemas de combustión, fundamentales en sectores industriales como la generación de energía, la producción de calor y la manufactura. El objetivo del presente informe es compilar el grado de avance en el desarrollo del gemelo digital que se desea desarrollar para el horno de crisol del grupo de investigación GASURE. El Machine Learning, una rama de la inteligencia artificial ha demostrado ser una herramienta útil para la modelación, predicción y optimización de procesos complejos. En los sistemas de combustión, el Machine Learning contribuye significativamente a la detección temprana de anomalías, la predicción del comportamiento de la zona de reacción, la eficiencia del combustible y la reducción de emisiones contaminantes. Por su parte, los Gemelos Digitales representan modelos virtuales en tiempo real de sistemas físicos. En el contexto de la combustión, estos modelos permiten simular y analizar el rendimiento del sistema bajo diversas condiciones operativas, facilitando la gestión preventiva de los equipos. El uso combinado de estas tecnologías no solo optimiza los sistemas de combustión, sino que también genera modelos predictivos y prescriptivos que permiten a las industrias mejorar su eficiencia energética, reducir costos operativos y cumplir con normativas ambientales cada vez más estrictas. Actualmente, la industria de la combustión enfrenta desafíos críticos relacionados con la sostenibilidad y la seguridad, y la adopción de Machine Learning y Gemelos Digitales puede ofrecer soluciones que permite abordarlos. El presente documento abarca la revisión de la literatura académica y científica sobre el uso de Machine Learning y Gemelos Digitales en sistemas de combustión, analizando las principales investigaciones, enfoques metodológicos y casos de estudio aplicados en sistemas térmicos. Los resultados se plantean para ser extrapolados en las tecnologías desarrolladas por el grupo de investigación.

• Autores: Restrepo Román, Alejandro; Karam Acevedo, Jousef Emil; Rodríguez Henao, Diana Carolina; Bedoya Caro, Iván Darío; Amell Arrieta, Andrés Adolfo
• Tipo de recurso: Technical report
• Fecha de publicación: 2025
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/48336
• Acceso en línea: https://hdl.handle.net/10495/48336
• Palabra clave: Digital twins (Computer simulation); Aprendizaje automático (inteligencia artificial); Machine learning; Revisión de la literatura; Literature review; Quemador; Burners; http://aims.fao.org/aos/agrovoc/c_36710; http://id.loc.gov/authorities/subjects/sh2022005381; ODS 7: Energía asequible y no contaminante. Garantizar el acceso a una energía asequible, fiable, sostenible y moderna para todos
• Rights: openAccess
• License: http://purl.org/coar/access_right/c_abf2