REDES NEURONALES PROFUNDAS COMO MODELOS SUSTITUTOS EN INGENIERÍA DE PROCESOS: CONTRASTE ENTRE UNA SECUENCIA DE DESTILACIÓN Y UN INTERCAMBIADOR DE CALOR

Sebastián Ayala Palomares, Ángel Ramón Chávez Ortíz, Jesús Manuel Núñez López

Resumen


El diseño riguroso de equipos de separación y de transferencia de calor mediante simuladores de proceso y algoritmos de optimización híbridos (determinísticos-metaheurísticos) es computacionalmente costoso, lo que limita su utilización en aplicaciones que requieren evaluaciones repetidas o respuestas rápidas. Este trabajo evalúa el desempeño de redes neuronales profundas (DNN) frente a modelos de regresión lineal múltiple como modelos sustitutos en dos casos de estudio de distinta naturaleza: 1) una secuencia directa de dos columnas de destilación (sistema benceno-etilbenceno-dietilbenceno; 6,000 diseños, 10 variables de entrada, y dos respuestas: costo total anual y Eco-Indicador 99) y 2) un intercambiador de calor  (5,000 casos, 5 variables de entrada, y una respuesta: coeficiente global de transferencia de calor). En cada caso de estudio, los modelos se compararon utilizando particiones de datos y criterios de evaluaciones consistentes, mientras que las DNN conservaron una arquitectura común de tres capas ocultas (64-32-16). Para destilación, 30 entrenamientos independientes de la DNN produjeron, para el costo total, un MAE de 27.52 ± 8.28 y un R2 de 0.9977 ± 0.0016, frente a 52.47 y 0.9941 para la regresión lineal. En contraste, para el Eco-Indicador 99 la regresión lineal presentó menor error que la DNN (MAE de 13.28 frente a 27.07 ± 7.47), mostrando que una mayor complejidad del modelo no garantiza una mejora predictiva. Para el intercambiador de calor, la DNN redujo el MAE de 29.90 a 4.88 W/m²K y aumentó el R2 de 0.8993 a 0.9978 respecto a la regresión lineal, mientras que un Bosque Aleatorio alcanzó un desempeño comparable R2=0.9979. Los resultados muestran que la conveniencia de utilizar modelos de mayor complejidad depende de la estructura de las relaciones entrada–salida y respaldan la evaluación de modelos de referencia simples y de múltiples entrenamientos independientes antes de seleccionar una DNN como modelo sustituto.

Texto completo:

PDF

Referencias


Bhosekar, A., y Ierapetritou, M. (2018). Advances in surrogate based modeling, feasibility analysis, and optimization: A review. Computers & Chemical Engineering, 108, 250-267. https://doi.org/10.1016/j.compchemeng.2017.09.017

Bubel, M., Seidel, T., y Bortz, M. (2026). Reusable surrogate models for distillation columns. Computers & Chemical Engineering, 206, 109523. https://doi.org/10.1016/j.compchemeng.2025.109523

Çengel, Y. A., y Ghajar, A. J. (2020). Heat and mass transfer: Fundamentals and applications (6a ed.). McGraw-Hill.

Goedkoop, M., y Spriensma, R. (2001). The Eco-indicator 99: A damage oriented method for life cycle impact assessment (3a ed.). PRé Consultants.

Gómez Jurado, E. A. (2025). Técnicas de inteligencia artificial usadas en el control, seguridad y optimización de procesos químicos: una revisión sistemática de la literatura [Trabajo de grado, Universidad del Valle]. https://hdl.handle.net/10893/36124

Goodfellow, I., Bengio, Y., y Courville, A. (2016). Deep learning. MIT Press.

Gutiérrez-Antonio, C., y Briones-Ramírez, A. (2015). Multiobjective stochastic optimization of dividing-wall distillation columns using a surrogate model based on neural networks. Chemical and Biochemical Engineering Quarterly, 29(4), 491-504. https://doi.org/10.15255/CABEQ.2014.2132

Hornik, K., Stinchcombe, M., y White, H. (1989). Multilayer feedforward networks are universal approximators. Neural Networks, 2(5), 359-366. https://doi.org/10.1016/0893-6080(89)90020-8

Incropera, F. P., DeWitt, D. P., Bergman, T. L., y Lavine, A. S. (2017). Fundamentals of heat and mass transfer (8a ed.). Wiley.

Kakaç, S., Liu, H., y Pramuanjaroenkij, A. (2012). Heat exchangers: Selection, rating, and thermal design (3a ed.). CRC Press.

Kingma, D. P., y Ba, J. (2015). Adam: A method for stochastic optimization. En Proceedings of the 3rd International Conference on Learning Representations (ICLR 2015). https://arxiv.org/abs/1412.6980

LeCun, Y., Bengio, Y., y Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539

Núñez-López, J. M., Segovia-Hernández, J. G., Sánchez-Ramírez, E., y Ponce-Ortega, J. M. (2025). Integrating metaheuristic methods and deterministic strategies for optimizing supply chain equipment design in process engineering. Chemical Engineering Research and Design, 214, 93-104. https://doi.org/10.1016/j.cherd.2024.12.021

Pal, P. K., Hens, A., Behera, N., y Lahiri, S. K. (2025). Digital twins: Transforming the chemical process industry—A review. The Canadian Journal of Chemical Engineering, 103(8), 3611-3636. https://doi.org/10.1002/cjce.25611

Ramírez Rodríguez, P. (2025). Desarrollo de modelos de deep learning para la implementación de soft sensor de variables en procesos industriales [Tesis de maestría, Universidad Politécnica de Madrid]. Archivo Digital UPM. https://oa.upm.es/89953

Schulz, M.-A., Yeo, B. T. T., Vogelstein, J. T., Mourao-Miranda, J., Kather, J. N., Kording, K., Richards, B., y Bzdok, D. (2020). Different scaling of linear models and deep learning in UKBiobank brain images versus machine-learning datasets. Nature Communications, 11, 4238. https://doi.org/10.1038/s41467-020-18037-z

Streb, A., y Mazzotti, M. (2022). Performance limits of neural networks for optimizing an adsorption process for hydrogen purification and CO2 capture. Computers & Chemical Engineering, 165, 107974. https://doi.org/10.1016/j.compchemeng.2022.107974

Thanikodi, S., Singaravelu, D. K., Devarajan, C., Venkatraman, V., y Rathinavelu, V. (2020). Teaching learning optimization and neural network for the effective prediction of heat transfer rates in tube heat exchangers. Thermal Science, 24(1B), 575-581. https://doi.org/10.2298/TSCI190714438T

Venkatasubramanian, V. (2019). The promise of artificial intelligence in chemical engineering: Is it here, finally? AIChE Journal, 65(2), 466-478. https://doi.org/10.1002/aic.16489 1

Ye, L., Zhang, N., Li, G., Gu, D., Lu, J., y Lou, Y. (2023). Intelligent optimization design of distillation columns using surrogate models based on GA-BP. Processes, 11(8), 2386. https://doi.org/10.3390/pr11082386


Enlaces refback

  • No hay ningún enlace refback.


Naturaleza y Tecnología, revista electrónica de la División de Ciencias Naturales y Exactas del campus Guanajuato, Universidad de Guanajuato. En ella se reciben para su revisión y arbitraje, artículos originales de investigación, artículos de revisión sobre temas actuales de investigación, así como ensayos sobre diversas temáticas del mundo científico y académico en las áreas de la química, matemáticas, ingeniería, astronomía, biología y farmacia, dentro del ámbito que comprenden las ciencias naturales y exactas, siendo requerido que no hayan sido publicadas o en proceso de publicación en otras revistas. Cuenta también con un Facebook de notas científicas de actualidad como apoyo a la actividad académica de la comunidad universitaria y para conocimiento del público en general como parte de un programa de divulgación científica y tecnológica.

.