Optimización hiperheurística guiada por datos experimentales

Abstract

La digitalización es uno de los principales motores de la innovación pues cada vez hay más datos disponibles. Su explotación eficiente es imprescindible. En particular, para la optimización de sistemas de procesos es un desafío combinar métodos cimentados en ecuaciones con estrategias basadas en datos. Presentamos un enfoque que consiste en la integración de modelos físicos con el aprendizaje automático. Se propone una metodología basada en la física para derivar un metamodelo utilizando boosting. Para el ajuste paramétrico se emplea el Optimizador Hiperheurístico Cooperativo Paralelo (PCHO). PCHO comprende las metaheurísticas clásicas denominadas Algoritmos Genéticos, Recocido Simulado y Optimización por Enjambre de Partículas, cuyos parámetros se eligen de forma adaptativa durante las ejecuciones. Algunos mecanismos complejos pueden requerir varias instancias para representar la realidad. El objetivo de los metamodelos es unificar varias estructuras posibles para obtener resultados generales. Se describe el diseño conceptual de este enfoque, cuyo marco general se concibió para encontrar un metamodelo de la velocidad de reacción inversa del desplazamiento de gas en agua (RWGS) a 600°C. Para este caso se generaron datos experimentales para varios escenarios reales. En consecuencia, fue necesario ajustar varias correlaciones potencialmente aplicables que se combinaron en un metamodelo final.