Algoritmos evolutivos para el aprendizaje de modelos en la industria de procesos

Abstract

En esta tesis se presenta el uso de técnicas de aprendizaje automático para obtener modelos subrogados en el contexto de procesos químicos. Los modelos subrogados son modelos simples que aproximan un modelo matemático más complejo con precisión. Suelen ser utilizados para la resolución de problemas que involucran un alto costo computacional, como optimización y control de procesos. En particular, en esta tesis se utilizan dos técnicas provenientes de la familia de los algoritmos evolutivos, la Programación Genética y la Programación Kaizen. Ambas construyen modelos a partir de datos de entrada y salida sin suposición previa sobre la expresión matemática del modelo. Como primer acercamiento a estos algoritmos se presenta un estudio comparativo entre ambos tomando como ejemplos funciones de referencia y datos de un modelo de una columna de destilación. Del estudio se desprende que la Programación Kaizen es capaz de obtener modelos que representan mejor los datos que la Programación Genética. Por ello la Programación Kaizen es la técnica a utilizar en los siguientes casos de estudio. En segundo lugar, se construye un soft-sensor, esto es un modelo que permite predecir la salida, de la columna de separación de hidrocarburos C3 y C4 en la planta de refinería de La Teja de ANCAP. Para la construcción del modelo se utilizaron datos históricos de la columna. A partir del modelo construido se encuentra que es un buen predictor de la salida del sistema. Por último, debido a que en la Ingeniería Química es usual trabajar con modelos de varias variables de salida, en donde los modelos comparten expresiones en común, se diseñan y estudian dos algoritmos basados en Programación Kaizen para modelos de múltiples salidas en una sola ejecución del algoritmo. En el primer algoritmo se sustituye en la etapa de regresión lineal, la implementación para una sola variable de salida por una para múltiples salidas. El segundo algoritmo está basado en el modelo de islas para algoritmos evolutivos, en donde cada isla resuelve la búsqueda del modelo de una variable de salida, y cada determinadas iteraciones se intercambia la información entre las islas de las expresiones creadas hasta el momento. Se concluye que la estrategia basada en modelo de islas construye modelos con más precisión y con más expresiones en común que la Programación Kaizen original.

The aim of this thesis is to present the application of machine learning techniques to obtain surrogate models in chemical processes. Surrogate models are black-box models that approximate the behavior of a system by fitting inputoutput data to combinations of simple functions. These models are used to substitute computationally expensive rigorous models, without loss of accuracy, in the context of process control and optimization. We used Genetic Programming and Kaizen Programming as techniques for the construction of surrogate models. Both techniques belong to the Evolutionary Algorithms family. Both algorithms build data-driven models without assumptions on the mathematical expression of the model. As a first approach to the use of these algorithms, we applied them to obtain surrogate models from benchmark functions and a distillation column. We found that Kaizen Programming is able to obtain models with better performance than the models obtained from Genetic Programming. For that reason, we use Kaizen Programming in later cases. Afterwards, we developed a soft-sensor to estimate the composition of C4 hydrocarbons in the distillate stream of a splitter column in the oil refinery of ANCAP. For the construction of the soft-sensor, we used real historical data. In this case, we found that the obtained model had good predictions of the unit operation. Finally, as in a Chemical Process many outputs, such as concentrations of different species, are highly related by the underlying physicochemical phenomena. We developed and evaluated two multi-output approaches based on Kaizen Programming to obtain multi-output models in a single execution of the algorithm. In the first approach, we used a multi-output linear regression instead of a single-output linear regression as in the original Kaizen Programming. The second approach was based on the islands model for parallelization of evolutionary algorithms, where each island build the model of one output variable, and after a prefixed number of iteration there is a step of exchange of expresssions beetwen the islands. We found that the strategy based on the islands model builds better models and with more terms in common than the models obtained from the single-output Kaizen Programming. Keywords: Machine Learning, Surrogate models, Evolutionary algorithms, Soft-sensors, Process system engineering.