Por Carolina Conejeros S.
La inteligencia artificial (IA) es una disciplina que aprende automáticamente y que usa patrones similares a las redes neuronales humanas para ejecutar y/o repetir una tarea en específico. Sus ventajas son amplias, por lo que desde el año 2014, académicos y académicas del Departamento de Ingeniería Mecánica (DIMEC) trabajan con herramientas de inteligencia artificial (IA) para el modelamiento de sistemas.
En ingeniería mecánica se requiere utilizar modelos numéricos que permitan predecir las respuestas de ciertos sistemas que involucran el flujo de fluidos, transferencia de calor, deformación de sólidos, vibraciones estructurales, entre otras. Estos modelos se pueden ocupar en tiempo real, sin embargo, se requiere una retroalimentación de lo que está ocurriendo para poder hacer un control del sistema y predecir su comportamiento a futuro. “Necesitamos tener una evaluación rápida del comportamiento de los modelos, pero la mayoría de estos requieren muchos grados de libertad. Esto los hace lentos de evaluar, dificultando su evaluación en tiempo real y, por lo tanto, no sirven para optimizar el modelo”, explica la académica Viviana Meruane, directora del DIMEC.
En ese sentido, la aplicación de IA para desarrollar modelos equivalentes a este sistema conlleva ventajas importantes: puede ser más liviano, el procesamiento de los datos es más rápido y más económico. Para lograrlo, la académica explica que se identifican cuáles son los parámetros relevantes que dan respuestas a estos modelos, desarrollando uno de menor dimensión. “En la mayoría de los casos el sistema es dinámico y no solo requiere una respuesta en tiempo real, sino que también se necesita saber cómo va a cambiar o evolucionar en el tiempo”.
Optimizar y predecir
En el área de Confiabilidad, mantenimiento y gestión de activos, los profesores Enrique López y Viviana Meruane trabajan enfocados en la predicción del estado de salud y el comportamiento futuro de un equipo, dado los datos que van obteniendo. “Esto lo hacemos a través de datos de monitoreo de máquinas. En general, la mayoría de los equipos están siendo monitoreados por muchos sensores, de vibración, de temperatura, de corriente, de voltaje, de presión, etc., y todos estos dispositivos esconden información del estado de salud del equipo”, explica la investigadora.
En la industria hay muchos equipos que cuentan con una gran cantidad de información, lo que dificulta su procesamiento de la forma tradicional. En ese contexto, el profesor López desarrolló una solución denominada Big Machinery Data, que permite procesar gran cantidad de datos incorporando el uso de algoritmos de aprendizaje de máquina, capaces de aprender mejor y con mayor profundidad los datos masivos.
Estas soluciones han sido aplicadas en diferentes áreas de la industria nacional e internacional para predecir el estado salud de los equipos, detectando anomalías y planteando soluciones para el comportamiento de vida remanente del equipo. “Desde el punto de vista del proceso, analizamos en base a un conjunto de datos provenientes de sensores de alimentadores, correas transportadoras, chancadores y harneros, utilizando aprendizaje de máquina profundo (deep learning machine), así obtenemos inteligencia a partir de un conjunto de datos de monitoreo de sensores que tienen en planta o en los equipos, más la información o la data de los eventos de detenciones, que se saca de los sistemas de información como SAP y SCADA”, señala el académico Enrique López.
“La aplicación de IA es un proceso de madurez, que también involucra a la industria, porque a medida que se demuestra el valor agregado de utilizar estas herramientas, se organiza y se estructura de mejor forma el registro de los datos, y a su vez, mejora la calidad de estos, incidiendo en el desarrollo de soluciones de predicciones más potentes, con más exactitud y precisión”, explica el investigador. Un ejemplo es lo que han logrado analizando chancadores secundarios en una empresa minera, donde ya pueden anticiparse entre 3 y 6 horas. “Queremos llegar a 24 horas de anticipación del mantenimiento correctivo”, afirma.
En las empresas de celulosa también se ha aplicado IA en intercambiadores de calor. “En la planta completa hicimos un análisis donde miramos la planta de generación de óxido de cloro. En este caso alcanzamos a tener una anticipación entre 8 y 12 horas para identificar problemas de incrustación en un intercambiador de calor”, señala.
En el área de Confiabilidad, mantenimiento y gestión de activos del DIMEC, también han trabajado con las aerolíneas Latam y Sky Airline. Y a nivel internacional, en conjunto con la Universidad de California en Los Ángeles (UCLA), desarrollaron una solución mediante un gemelo digital (digital twin) para la programación autónoma de acciones de mantenimiento preventivo, en base al nivel de corrosión interno de tuberías de distribución de gas natural, cuyos resultados fueron publicados en la revista Sensors.
Ciencia de datos informada por física
En el área de Mecánica de fluidos y transferencia de Calor, el académico Benjamin Herrmann aplica aprendizaje de máquinas para sistemas físicos. “Usando computación de alto rendimiento, hoy somos capaces de construir modelos basados en física de sistemas de ingeniería que son de muy alta fidelidad. Sin embargo, simular estos modelos puede tomar semanas o incluso meses, lo que hace difícil aprovecharlos para tareas prácticas, como optimización de un diseño o control en tiempo real. Avances en aprendizaje de máquinas están permitiendo construir modelos reducidos para hacer lo que hace un supercomputador, pero en un laptop”, señala.
Los desafíos modernos de ingeniería mecánica son diferentes a los de otras áreas donde el aprendizaje de máquinas ha sido muy efectivo, explica el investigador, por lo que hay que ser cuidadosos al momento de usar estas herramientas. “Típicamente contamos con pocos datos y necesitamos construir modelos que sean interpretables para poder entender y comunicar el comportamiento del sistema, permitiendo la toma de decisiones”, dice. Para abordar estos desafíos, el académico trabaja en el desarrollo y aplicación de nuevas técnicas de aprendizaje de máquinas informado por física, para generar modelos basados en datos que respeten sus leyes.
El desarrollo de estos modelos contribuye a predecir, controlar y optimizar sistemas de ingeniería. Por ejemplo, “en el viento que pasa sobre un parque eólico interactúan de manera compleja las estelas turbulentas de los distintos aerogeneradores, y nos interesaría tener un modelo lo suficientemente sofisticado para capturar la aerodinámica relevante, y lo suficientemente simple para controlar el parque en tiempo real o para optimizar el posicionamiento de las turbinas”, plantea Herrmann. “Incorporar física no solo resulta en modelos que predicen mejor, sino que además necesitan menos datos para ser entrenados”, agrega.
Modelos subrogados
En Mecánica de Sólidos, Viviana Meruane desarrolla “modelos subrogados”, es decir, el desarrollo de un modelo equivalente que prediga lo mismo, pero que se pueda hacer de manera más rápida, para lo que utiliza algoritmos de aprendizaje de máquina. “Estos algoritmos se entrenan y aprenden el comportamiento del modelo numérico y luego, ese modelo sustituto lo ocupamos para hacer distintas predicciones”, explica la investigadora.
En ese sentido, añade que “es muy relevante poder medir la exactitud al momento de entrenar el modelo de aprendizaje de máquina, porque lo que se requiere es que se parezca al modelo real. Básicamente se va midiendo con algunas métricas el error que hay entre la predicción y lo real. Y cuando ya sabes que el La vibración puede dañar componentes, estropear las uniones entre partes y debilitar fuselajes, por lo que es clave en la mecánica de las cosas. modelo está ajustado, se ocupa para predecir otros casos”.
En su proyecto Fondecyt “Optimal design of ultralight sandwich panels with cellular truss cores and large phononic band gaps”, que comenzó a desarrollar este año, la investigadora modela estructuras tipo panel que impiden la propagación de vibraciones en un rango de frecuencias, conocidas como bandas prohibidas (band gaps). En este caso, Meruane señala que desarrolla el modelo numérico que permite predecir en qué rango de frecuencia van a estar estas bandas. Con ello, intenta hacer la misma predicción, pero con un algoritmo de aprendizaje de máquina, evitando la propagación de vibraciones.
La importancia de desarrollar estas estructuras, explica la académica, es que “en algunos casos las vibraciones generan problemas, dañando los componentes de un equipo y su posterior falla, por lo que desarrollar estos modelos subrogados aplicando inteligencia artificial es una gran herramienta para la predicción y la toma de decisiones”, enfatiza.
