BIOTRANS: inteligencia computacional para transformar biomasa

GORKA SORROSAL     CRUZ E. BORGES     AINHOA ALONSO
Investigadores de DeustoTech Energy

Ejemplo de ajuste para un experimento del proceso BTO. Data: datos experimentales, Mech: modelo de conocimiento, NN: modelo neuronal
Ejemplo de ajuste para un experimento del proceso BTO. Data: datos experimentales, Mech: modelo de conocimiento, NN: modelo neuronal

DeustoTech Energy, a través del proyecto BIOTRANS, persigue desarrollar herramientas para la intensificación de procesos de transformación de biomasa, siendo su objetivo último la búsqueda de alternativas a la petroquímica actual y la valorización de materias primas alternativas al petróleo. El proyecto ha obtenido financiación del Gobierno Vasco a través de su convocatoria para proyectos de Investigación Básica y Aplicada, por su notable interés científico.

Hoy día cada vez somos más conscientes de que el petróleo es una  materia prima agotable cuyas reservas disminuyen año a año. Por ello, tanto la industria como los gobiernos de los países  desarrollados están impulsando la transición hacia una «Refinería sostenible» fomentando la producción de biocombustibles así como otros procesos ligados al procesamiento de los combustibles fósiles.

BIOTRANS pretende realizar un modelado del proceso de transformación catalítica de Bioetanol a Olefinas (BTO) mediante Redes Neuronales Artificiales. El uso de estas técnicas permite simplificar la construcción de los modelos al no basarse en principios físicos. Además, los tiempos de ajuste y estimación son  sustancialmente inferiores a los de complejos modelos matemáticos usuales, lo cual facilita su integración y cooperación con las técnicas de control. Nótese que el uso de las técnicas de Inteligencia  Computacional no constituyen una simplificación del modelo pues son capaces de «aprender» cualquier función.
En particular, en este proyecto se han probado diferentes arquitecturas de red y modelos estructurales con el fin de buscar la Red Neuronal que mejor se ajuste a los datos experimentales. Los resultados obtenidos permiten afirmar que estas técnicas son capaces de aprender correctamente las dinámicas del sistema y las relaciones existentes entre las diferentes variables que actúan sobre el proceso.

Arquitectura de una Red Neuronal Artificial
Arquitectura de una Red Neuronal Artificial

En la actualidad a partir del modelo desarrollado se está trabajando en la optimización y control inteligente multivariable del proceso  con el doble objetivo de maximizar el producto de reacción a la salida del reactor a la vez que se alarga la vida útil del catalizador.
Dentro de las estrategias de optimización se emplean técnicas evolutivas para determinar las condiciones de operación más adecuadas en cada momento y estado de la reacción, dotando de inteligencia al controlador con el fin de maximizar la producción global.
Con este proyecto se persiguen, por tanto, dos grandes objetivos simultáneamente. Por un lado, mejorar los beneficios medio  mbientales y económicos por el uso de materias primas renovables alternativas al petróleo, y por otro, la integración de la inteligencia
computacional en el desarrollo y optimización de estos procesos reduciendo el tiempo y costes necesarios para su futura implantación en el mercado.

Presentación de resultados en una conferencia internacional
Gorka Sorrosal, durante la presentación de resultados en una conferencia

Inteligencia cumputacional aplicada a la energía

La inteligencia computacional es una rama de la inteligencia artificial que combina elementos de aprendizaje, adaptación y evolución para crear programas con ciertas características «inteligentes» donde por
«inteligentes» se entienden programas con capacidad para de actuar  correctamente ante nuevas situaciones.
Algunas de las técnicas inteligentes se basan en el propio funcionamiento de la naturaleza. Por ejemplo,  las Redes Neuronales Artificiales tratan de emular el comportamiento de los cerebros biológicos a la hora de aprender relaciones o las Técnicas Evolutivas, que pretenden imitar el proceso evolutivo de las especies a la hora de optimizar un proceso.
Sus aplicaciones son muy variadas y en ámbitos de aplicación tan dispares como la Ingeniería Industrial, la Medicina, la Economía o la Climatología. Desde la construcción de algoritmos de visión  artificial, a la optimización y control inteligente de procesos industriales, pasando por el modelado de todo tipo de procesos industriales, modelos meteorológicos, económicos, ayudas al diagnóstico médico, etc.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *