21 jun. 2018

Ingeniero de la UDA desarrolla Inteligencia Artificial para fundición industrial

Jueves 21 de Junio de 2018.- Alejandro Pulgar Sandoval, Ingeniero Civil Industrial de la UDA, expuso durante las XIII Jornadas Iberoamericanas de Ingeniería en Software e Ingeniería en el Conocimiento, oportunidad en la que explicó que: “en la investigación intentamos modelar el comportamiento del convertidor El Teniente con redes neuronales artificiales, específicamente tratamos de establecer el porcentaje de magnetita que se genera en la operación con respecto a las variables operacionales del reactor”.

La investigación de Modelado de Redes Neuronales, en el convertidor El Teniente, además será publicada en la prestigiosa Revista Científica Scopus, comentó el profesional: “Hemos obtenido muy buenos resultados; estamos ampliando el modelo y esperamos poder aplicarlo en un futuro próximo en la industria”.

Además, el ingeniero industrial de la UDA explicó que “las redes neuronales son algoritmos bio-inspirados, es decir, surgen de tratar de emular el comportamiento de las neuronas dentro del comportamiento humano. Estas redes neuronales, sin embargo, se implementan computacionalmente para procesar las variables de entrada del modelo”.

INTELIGENCIA ARTIFICIAL

Alejandro Pulgar precisó que “en el fondo las redes neuronales son una herramienta que pertenece a la Inteligencia Artificial y permite simular procesos, pronosticar, clasificar en nuestro caso particular. Nosotros las utilizamos para lograr predecir el porcentaje de magnetita que se genera en la escoria de la operación del convertidor teniente en base a las variables operacionales”.

El Convertidor Teniente, es el equipo principal de fusión de la Fundición Enami Hernán Videla Lira de Paipote. Este reactor hace que los concentrados pasen de estado sólido a líquido para poder seguir con el paso de fusión conversión dentro de la fundición, indicó el entendido.

En términos específicos “nosotros, a la red neuronal, le mostramos ejemplos de operación y con el objetivo de que la red neuronal, a través de un algoritmo de aprendizaje, logre ajustar sus pesos sinápticos para que la señal de salida el error sea lo menos posible, con respecto a la salida que debería ser”, manifestó Alejandro Pulgar.

El experto señaló que para alimentar a la máquina “se utilizan algoritmos de entrenamiento y aprendizaje supervisados a través de estos ejemplos que se le proporcionan a la red neuronal y la idea es que la red neuronal, cuando aprenda, logre generalizar el fenómeno de tal manera que al presentarle nuevos casos, logre predecir adecuadamente”.



0 comentarios:

Publicar un comentario