En la industria de procesos, situaciones de incertidumbre como la variación de: demanda, precios, disponibilidad de equipos, requieren una rápida capacidad de respuesta para la toma de decisiones en la readaptación de los planes operacionales preestablecidos. Se han propuesto soluciones matemáticas a este tipo de problemas de optimización bajo incertidumbre, sin embargo cuando intervienen un alto número de variables de tipo enteras y continuas, se incrementa la complejidad y con ello el tiempo de proceso computacional que incluso en algunos casos se vuelven irresolubles. Este trabajo introduce una técnica de aprendizaje automático basada en Ordinario Kriging, método de interpolación empleado para el modelado de datos, que adicionalmente en este proyecto de investigación se emplea como una herramienta de agrupación y clasificación de datos con el objetivo de brindar soporte a la toma de decisiones con soluciones óptimas en función de las variables inciertas. La metodología propuesta se aplica a un caso de estudio de optimización bajo incertidumbre y los resultados numéricos muestran mejoras de hasta un 65%,  en el tiempo de proceso computacional, en comparación con otras técnicas utilizadas.

Palabras clave: herramienta de aprendizaje automático, clasificación, clustering, metamodelado, optimización.

Gicela Lupera

Departamento de ciencias exactas, Universidad de las Fuerzas Armadas “ESPE”

glupera@espe,edu.ec

 Antonio Espuña

Center for Process and Environmental Engineering-CEPIMA

Esta dirección de correo electrónico está protegida contra spambots. Necesita activar JavaScript para visualizarla.

Machine learning application for decision support in the process industry.

In the process industry, situations of uncertainty such as the variation of: demand, prices, availability of equipment, require a rapid response capacity to make decisions in the readjustment of pre-established operational plans. Mathematical solutions have been proposed to this type of optimization problems under uncertainty. However when they come with a high number of mixed-integer variables, the complexity and the computational process time increase, that even in some cases becomes irresolvable. This paper introduces an machine learning technique based on Ordinary Kriging, an interpolation method used for data modeling. Adicionaly in this research project Kriging is used as a tool for grouping and classifying data with the aim of providing support to the desiones with optimal solutions as function of the uncertain variables. The proposed methodology is applied to a case study of optimization under uncertainty and the numerical results show improvements of up to 65%, in the computational process time, in comparison with other techniques used.

Keywords: Machine learning tool, classification, clustering, metamodeling, optimization.