Control predictivo multivariable basado en Machine Learning: Aplicación de un modelo LSTM para el control por seguimiento del nivel y de la presión en un proceso real de ingeniería química

RESUMEN : En este trabajo de grado, se investigó la viabilidad técnica de utilizar un modelo de Machine Learning basado en 500.000 datos de regulación por dos controladores con acción proporcional e integral para lograr un control predictivo multivariable por seguimiento del nivel y la presión de un tanque en un proceso real de ingeniería química. El modelo elaborado y optimizado en Python, basado en redes neuronales recurrentes con memoria a corto plazo, demostró la capacidad de capturar dependencias secuenciales en los datos y realizar predicciones precisas. El RMSE obtenido fue inferior al 2% para un rango de nivel entre 5 y 25 cm y presiones entre 0 y 100 mbar. Sin embargo, se encontraron desafíos relacionados con la falta de control óptimo para el nivel y la presión del tanque, lo que destaca la importancia de combinar el modelo de Machine Learning con estrategias de control adicionales, como sistemas de control predictivo de modelos o la elaboración de múltiples modelos de Machine Learning en conjunto con algoritmos de control adaptativo. Estas conclusiones resaltan la necesidad de seguir investigando y refinando los enfoques utilizados para lograr un control preciso y óptimo de las variables controladas en sistemas de ingeniería química.

• Autores: Parra Barragán, Andrés Felipe
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/36709
• Acceso en línea: https://hdl.handle.net/10495/36709
• Palabra clave: Redes Neurales de la Computación; Neural Networks, Computer; Optimización; Optimization; Aprendizaje automatico (inteligencia artificial); Machine learning; Datos; Data; http://aims.fao.org/aos/agrovoc/c_49816; http://vocabularies.unesco.org/thesaurus/concept6659
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-nd/2.5/co/