Redes neuronales artificiales

Las redes neuronales ayudan a los ingenieros a crear modelos de los procesos empleando datos históricos (que residen en las bases de datos en tiempo real como el PI). Los modelos predicen cómo responderá el proceso a diferentes entradas y condiciones operativas. También pueden ser determinadas las condiciones operativas óptimas con redes neuronales formuladas en forma apropiada. Los modelos identificados empleando redes neuronales pueden ser empleados en estudios fuera de línea o instaladas en línea para proporcionar detección temprana de problemas en los procesos y determinar los setpoints que optimicen continuamente la rentabilidad de los mismos.

Las redes neuronales traen a la vida a los datos, ayudando a revelar los factores más importantes que afectan a la calidad y rendimientos. Este conocimiento puede ser empleado, a menudo, para realizar mejoras que requieren muy poca o nula inversión de capital.

Las áreas generales de utilización potencial de las redes neuronales son las siguientes:

Control de Calidad, Sensores Inferenciales y Reducción de Modelos. En la economía globalizada de hoy en día, el gerenciamiento de la calidad en tiempo real es una aplicación de vital importancia, pero los ensayos de calidad raramente están disponibles sin retardos y usualmente son onerosos. Los modelos basados en redes neuronales proporcionan medidas “virtuales” en tiempo real, permitiendo acciones de control rápidas para mantener la calidad en el objetivo deseado. Los modelos pueden ser obtenidos no sólo a partir de los datos de planta y laboratorio sino de datos generados con corridas de modelos de simulación rigurosos (desarrollados, por ejemplo, en HYSYS). Este último procedimiento se conoce como “reducción de modelos”.

Optimización de Procesos. El valor de la optimización basada en modelos está bien probado pero, en general, los modelos analíticos de un proceso pueden ser muy difíciles de obtener. Al emplear redes neuronales en conjunto con su capacidad de optimización en línea y en tiempo real, puede ser posible obtener el mayor potencial económico de un proceso.

Mantenimiento Predictivo y Seguridad. Los modelos basados en redes neuronales pueden ser empleados para monitorear la performance de máquinas y equipos. Con ellos se pueden detectar tempranamente corrimientos o errores en los modelos operativos o sensores permitiendo a los ingenieros corregir los problemas antes que devengan en incidentes mayores. Se puede mejorar, en consecuencia, la disponibilidad de plantas y equipos. El monitoreo continuo del contenido de emisiones (CEM, Continuous Emissions Monitoring) de NOx, CO2, SO2 en los gases de escape de hornos y calderas es una aplicación típica en esta área.

Validación de Sensores. La deriva progresiva y/o falla abrupta de las señales de sensores son la fuente principal para paradas de planta n planeadas y producción de productos fuera de especificación. Con los modelos basados en redes neuronales es posible seguir los valores de los sensores y generar alarmas cuando las medidas provenientes de los sensores físicos no están de acuerdo con los valores inferidos para los mismos. El valor inferido puede ser empleado también como línea de base en los casos en que el instrumento es recalibrado o reparado.

Predicción y Estimación. El futuro puede ser predicho dentro de la precisión que dan los modelos basados en comportamientos. Las redes neuronales pueden aprender los modelos óptimos, adaptados empleando los últimos datos medidos. Los ingenieros pueden emplear estas predicciones para estimar las demanda de mercados de corto plazo, predecir estados futuros del proceso o aún condiciones meteorológicas que afecten a las emisiones e impacten sobre la vecindad de la planta.

Algunas otras aplicaciones y usos de redes neuronales:

Uso de redes neuronales para análisis de señales de ensayos no destructivos de materiales (R.P.J. Perazzo (CEA-UBA), E. Altschuler, A.Pignotti (FUDETEC, Org Techint), S.L.Reich (CEA), H.Gavarini(CONICET))

El estudio se orientó al análisis de peligrosidad de fallas en las paredes de tubos sin costura que fabrica la empresa SIDERCA. Estas fallas son regularmente identificadas automáticamente mediante el método de flujo magnético disperso. Esquemáticamente este método consiste en someter el tubo a un campo magnético estático externo. La ocurrencia de una grieta en la pared del tubo produce una inhomogeneidad local del campo cuya detección permite establecer la ubicación y potencial peligrosidad de la falla por la intensidad del potencial inducido en el sistema de medición. El proyecto completó una primera etapa (1993/94) en la que se exploraron diversas posibles aplicaciones de redes para este tipo de ensayo, basándose en el concepto que mediante el uso de redes es posible efectuar un análisis de más parámetros que la simple intensidad de la señal. Este desarrollo (1994/95) dio lugar a un trabajo que se publicó en ``Insight'' (``British Journal for Non Destructive Testing''). Este método significa una mejora dramática respecto de los métodos tradicionales aun cuando requiere el rediseño de los sistemas de detección de fallas. El trabajo continuó con un estudio más detallado de la factibilidad de este nuevo diseño de los sistemas que operan en la planta. Para ello se simuló de una manera más precisa el proceso de medición/detección introduciendo prámetros que pueden asociarse a la resolución finita del detector. Este trabajo ya ha sido finalizado. Una parte del mismo fue aceptada en la 14th World Conference on Non Destructive Testing. Una versión ampliada se enviará para su publicación en ``Insight''.

Sistemas Adaptativos (R.P.J. Perazzo (CEA-UBA), A.Schuschny (Becario) CEA-UBA):

Se desarrolló un modelo de una red neuronal adaptativa consistente en un autómata booleano con el que se simuló un proceso evolutivo utilizando algoritmos genéticos. Con estos elementos se intentó reproducir el proceso que da lugar a la aparición de ciclos circadianos. éstos son un elemento evolutivo común a casi todas las especies y es por consiguiente una reliquia evolutiva extremadamente antigua. El modelo permitió establecer que la aparición de dichos ciclos no surgen de un proceso enteramente pasivo sino que debe actuar sobre un sistema con una ``inercia'' propia - una resistencia al cambio - que deriva de su propia complejidad interna. El modelo permite reproducir los resultados cualitativos que tienen lugar en vuelos transmeridianos y en experimentos espeleológicos.

Computación Cuántica (R.P.J. Perazzo (CEA-UBA),J.P.Paz (FCEN-UBA) y C.Miquel (Estud. FCEN-UBA) (tesis de licenciatura)) Toda computación debe realizarse en algún sistema físico, sea éste un trozo de papel, un ábaco, o el mismo cerebro. La teoría de la computabilidad supone que tal sistema debe obedecer a las leyes de la física clásica. Si esta hipótesis se extiende para englobar a sistemas cuánticos surge la posibilidad de un paralelismo intrínseco en el procesamiento. Dicho modo de procesamiento permite, al menos en teoría, encarar la solución en tiempos polinomiales de ciertos problemas cuya complejidad crece exponencialmente con la cantidad de datos de entrada. Hallar los factores primos de un número es un problema de este tipo que es relevante por su importancia en la criptografía. En este trabajo se implementó el algoritmo de Shor para este problema en términos de compuertas lógicas reversibles, paso éste que permite implementarlo en un sistema de cómputo cuántico. El trabajo fue aceptado en Phys. Rev.

Simulación numérica de sistemas económicos.

Inflación y relajamiento al equilibrio (R.P.J. Perazzo (CEA-UBA), S.L.Reich (CEA-UBA), M. Virasoro (Univ Roma 1 e ICTP Trieste), J.Schvarzer (CISEA-CEA))

En estos trabajos se describe un sistema económico como una red de agentes interactuantes que producen bienes y se los venden entre si. Cada agente regula su precio y producción en función de sus interacciones con los demás agentes. Se han modelado de esta manera procesos inflacionarios y de relajamiento al equilibrio. El trabajo ha sido presentado en un Taller de Física y Economía del ``Santa Fe Institute'' (USA, New Mexico) y ha sido conferencia invitada en la First International Conference on Complex Systems in Computational Physics, Bs.As., Oct. 1993).

Fijación de precios en un modelo esquemático de aprendizaje inductivo (R.P.J. Perazzo (CEA-UBA), A. Schuschny (CEA-UBA), D.Heymann (CEPAL y FCE-UBA)

Se ha desarrollado un modelo de agentes adaptativos que interactúan fijando precios en un esquema competitivo. El modelo posee diversas variantes: se estudia el caso de una proveeduría y un conjunto de clientes que pueden recurrir a un proveedor externo con un precio de referencia fijo, una proveeduría con una clientela idéntica a la anterior salvo por el hecho que debe incurrir en una costo de búsqueda de la alternativa de precio mínimo y finalmente dos proveedurías que deben repartirse una clientela que busca optimizar el precio de su compra y puede concurrir a un proveedor externo con un precio de referencia fijo. Tanto clientes como proveedores fijan su estrategia futura de compra o de precios basados en sus experiencias pasadas, validando o modificando sus hipótesis acerca del futuro comportamiento del resto del sistema. El modelo permite estudiar el proceso de relajamiento al equilibrio, su robustez y también se estudia la emergencia de clientelas cautivas. El caso de dos proveedurías permite estudiar equilibrios dinámicos colusivos entre los proveedores así como comparar con lo que se sabe de sistemas duopólicos. También se puede hacer un estudio ``empírico'' de la validez y aplicabilidad de teoría de juegos a la competencia de ambas proveedurías por la masa de clientes. Este trabajo ha sido enviado y aceptado en la Conferencia Internacional de economía computacional en Ginebra, Suiza, 1996.

Información recopilada de www.cea.uba.ar/aschu/staffes.html