Desarrollo de modelo de optimización del ratio productivo y energético en plantas desaladoras

Abstract

En lo que se refiere al campo de la inteligencia artificial y el machine learning, hemos tenido grandes avances que permiten generar herramientas de ayuda y predicción. Este tipo de tecnología facilita desde recomendaciones de series personalizadas para el usuario o ámbitos más serios como llegar a predecir una enfermedad. Es por esto por lo que se propuso el desarrollo de un modelo de predicción que mejore el ratio de producción de una bomba de agua, en función de los datos que se almacenan y con los que posteriormente se predecirá el ratio que va a tomar la bomba en el futuro y que podemos hacer para que no baje. Cabe destacar que este algoritmo ha sido desarrollado durante unas prácticas realizadas en la empresa llamada “Soincon”, haciendo uso de unos de sus módulos llamado “Fast Monitoring” que se encarga de recoger todos los datos acerca de la bomba. Los datos son capturados de forma automática, con el objetivo de permitir su estudio como posibles predictores del comportamiento de los procesos en el futuro. El modelo ha sido implementado en Python, donde se han entrenado diversos modelos tales como XgBoost, Catboost y redes neuronales, a partir de datos recogidos en la bomba de agua, para que después estos realicen predicciones en función de lo aprendido. A su vez serán analizados los resultaos que nos den cada uno de los modelos mediante RMSE, MAE y diversas métricas que nos permitirán estimar con que exactitud trabaja el modelo.

In the field of artificial intelligence and machine learning, we have made great advances that allow for the development of support and prediction tools. This type of technology facilitates everything from personalized series recommendations to more serious areas such as predicting an illness. This is why the development of a prediction model was proposed to improve the production rate of a water pump, based on the stored data. This model will then be used to predict the pump's future production rate and what we can do to prevent it from falling. It should be noted that this algorithm was developed during an internship at a company called Soincon, using one of its modules called "Fast Monitoring," which is responsible for collecting all the data about the pump. The data is captured automatically, allowing its study as potential predictors of future process behavior. The model has been implemented in Python, where various models such as XgBoost, Catboost, and neural networks have been trained using data collected from the water pump and then made predictions based on what they learned. The results of each model will be analyzed using RMSE, MAE, and various metrics that will allow us to estimate the accuracy of the model.