Optimización subrogada de una planta solar térmica integrada a procesos industriales mediante herramientas de machine learning

Aug 5, 2026

Aprovechando el potencial solar de Chile, el trabajo desarrolla y aplica un modelo basado en algoritmos de Machine Learning para optimizar el diseño de una planta solar térmica integrada a procesos industriales, considerando su viabilidad tecno-económica. La metodología combina calibración de hiperparámetros, selección de preprocesamiento con menor error y simulaciones de validación. Se entrenan redes neuronales y árboles de decisión con dos datasets y se optimiza con algoritmos genéticos y NSGA-II. Los resultados destacan Standard Scaler y bajos errores, habilitando optimización multiobjetivo con alta precisión.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas127

Tiempo de lectura3 h 16 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Objetivos

Objetivo general

Objetivos específicos

Alcances

Antecedentes

Energía solar térmica integrada a la industria

Proceso de integración y sistema solar térmico

Industria Chilena e integración de energía solar

Algoritmos de Machine Learning y optimización

Preprocesamientos para Machine Learning

Redes Neuronales Artificiales

Árboles de Decisión

Algoritmos Genéticos

Antecedentes de Estudio

Uso de Machine Learning para optimización

Machine Learning aplicado a energía solar

Metodología

UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA MECÁNICA OPTIMIZACIÓN SUBROGADA DE UNA PLANTA SOLAR TÉRMICA INTEGRADA A PROCESOS INDUSTRIALES MEDIANTE HERRAMIENTAS DE MACHINE LEARNING MEMORIA PARA OPTAR AL TÍTULO DE INGENIERA CIVIL MECÁNICA ANA VALENTINA PUENTES ALARCÓN PROFESOR GUÍA: FRANK DINTER MIEMBROS DE LA COMISIÓN: FRANCISCO FUENTES HERLITZ VIVIANA MERUANE NARANJO SANTIAGO DE CHILE RESUMEN DE LA MEMORIA PARA OPTARAL TÍTULO DE INGENIERA CIVIL MECÁNICA POR: ANA VALENTINA PUENTES ALARCÓN FECHA: 2023 PROF. GUÍA: FRANK DINTER OPTIMIZACIÓN SUBROGADA DE UNA PLANTA SOLAR TÉRMICA INTEGRADA A PROCESOS INDUSTRIALES MEDIANTE HERRAMIENTAS DE MACHINE LEARNING Considerando el gran recurso solar que posee Chile, la generación de energía térmica mediante energía solar es una propuesta con gran potencial, pero es necesario que estas seanatractivas en un nivel tecno-económico. Una forma de lograr esto es mediante el uso de algoritmos computacionales, así el objetivo general del presente trabajo corresponde a desarrollary aplicar un modelo basado en algoritmos de Machine Learning para optimizar el diseño de una planta solar térmica integradas a procesos industriales. La metodología sería diseñar los modelos de Machine Learning mediante herramientas decalibración (tuner) de hiperparámetros, identificar que tipo de preprocesamiento tiene menor error para ser utilizados en la optimización, diseñar los algoritmos de optimización para finalmente realizar nuevas simulaciones para la validación de resultados. Para esto se utilizaron Redes Neuronales y Árboles de Decisión entrenados con dos datasets diferentes, uno uniforme con datos equiespaciados, y el otro con datos al azar, dentrode respectivos rangos. También se utilizaron preprocesamientos diferentes para analizar cual permite un mejor aprendizaje de los modelos. Se realizaron optimizaciones correspondientes mediante Algoritmos Genéticos y su variación NSGA-II. Todos los modelos fueron desarrollados en el lenguaje de programación Python utilizando las librerías TensorFlow, Scikit-Learn, PyGad y Pymoo principalmente. Los resultados obtenidos corresponden a que el mejor tipo de preprocesamiento para todos los modelos correspondió a Standard Scaler, donde se obtuvieron los menores errores de predicción; para el caso de Redes Neuronales entrenados con el primer dataset mencionado un 0 . 12 % . También que para este caso Redes Neuronales tuvo un mejor desempeñode Árboles de Decisión, y que los modelos entrenados con el dataset uniforme era capaz de entregar mejores resultados con una gran capacidad de predicción e interpolación de los datos. Así, en el trabajo se concluye que la optimización multiobjetivo con el modelo de Redes Neuronales entrenados con un dataset uniforme entrega resultados con muy bajo error porcentual, bajo el 2 %, en comparación a los nuevamente simulados. También se concluye que los modelos de Machine Learning utilizados en la optimización deben tener un muy bajo error, para evitar problemas en la optimización y que los resultados no sean concluyentes. Para mi familia Los amo Agradecimientos En primer lugar, quiero agradecer a mi familia por acompañarme en todo momento, yestar juntos en las buenas, malas y mas o menos. Gracias a todos por ser una familia tan unida, con tanto amor para entregar y repartir, por enseñarme tantas cosas lindas de la vida, y regalarme tantas memorias felices. En particular a mi mamá, Paulina, por acompañarme con tanto amor y cariño en este proceso y en toda mi vida, por enseñarme y guiarme encada situación, gracias por siempre confiar en mi. A mis tías y tíos, que me entregan cariño, ayuda y apoyo, gracias por estar siempre presentes. A mi hermano y primos que son como mis hermanos, los adoro. A Pamela, Daniela, Josefa, Sofía, Francisca, Romina, Consuelo, Franco, Matías, Luís, Cristóbal y José . Gracias por acompañarme en tantos procesos y en diferentes et

Preguntas frecuentes

Cuál es el objetivo general del trabajo?

Desarrollar y aplicar un modelo basado en algoritmos de Machine Learning para optimizar el diseño de una planta solar térmica integrada a procesos industriales.

Qué modelos de Machine Learning se utilizaron y con qué tipos de datos?

Se entrenaron redes neuronales y árboles de decisión con dos datasets: uno uniforme con datos equiespaciados y otro con datos al azar dentro de rangos definidos.

Cómo se realizó la optimización y qué algoritmo multiobjetivo se empleó?

La optimización se efectuó con algoritmos genéticos y su variación NSGA-II para resolver el problema multiobjetivo mediante simulaciones de validación.

Aug 5, 2026

Subir por Clementine