Inteligencia computacional para la generación de modelos subrogados.

Abstract

Los modelos subrogados son aproximaciones que buscan replicar el comportamiento de modelos numéricos o simulaciones de manera precisa, utilizando ecuaciones simples formadas por combinaciones de polinomios, funciones logarítmicas, exponenciales, entre otras. Este trabajo tiene como objetivo explorar y aplicar técnicas de inteligencia computacional para la generación de modelos subrogados a partir de datos de simulación, abordando tanto problemas de benchmarking como casos reales en Ingeniería de Procesos. Para ello, se evaluaron tres enfoques principales: DSO, Operon y DSR. En una primera etapa, se realizó una experimentación monoobjetivo, utilizando el RMSE como métrica principal para comparar su desempeño y aplicando métodos estadísticos como el Test de Friedman y el procedimiento post-hoc de Holm. Posteriormente, se extendió DSO para abordar problemas de optimización multiobjetivo, incorporando objetivos como la minimización de puntos indefinidos, el cumplimiento de restricciones de monotonía y la precisión. Finalmente, se desarrolló una variante de DSO con un esquema de selección mejorado, que utiliza el operador de selección de Deb, enfocado en priorizar restricciones relacionadas con las propiedades estructurales de las soluciones. Los resultados obtenidos evidenciaron que Operon destacó en la experimentación monoobjetivo, logrando menores RMSE y mayor consistencia en comparación con DSO y DSR, según el análisis estadístico realizado. Con respecto al enfoque multiobjetivo, aunque la versión multiobjetivo de DSO implementada mostró potencial para manejar restricciones como monotonía y minimizar puntos indefinidos en algunos problemas de lo benchmarks evaluados, su desempeño fue inconsistente para otros, con alta variabilidad, mayores costos computacionales y menor cumplimiento de las propiedades físicas en algunos casos. Sin embargo, el operador de selección de Deb demostró ser altamente efectivo para satisfacer propiedades físicas como la monotonía, y reducir la cantidad de puntos indefinidos respecto a los anteriores enfoques.