Modelo predictivo del desempeño instántaneo de motores de combustión interna en aplicaciones industriales basado en Machine Learning

• Autor: Mendoza Suárez, César Elías
• Formato: tesis doctoral
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/28798
• Enlace del recurso: http://hdl.handle.net/20.500.14076/28798
• Nivel de acceso: acceso abierto
• Materia: Motores de combustión interna; Rendimiento; Inteligencia Artificial (IA); Aplicaciones industriales; Machine learning; Predicción (Estadística); https://purl.org/pe-repo/ocde/ford#2.03.02

En el desarrollo de los procesos industriales modernos impulsados por motores de combustión interna, es crucial mantener un monitoreo constante de su desempeño para prever acciones de operación, mantenimiento y producción que impacten de manera relevante en su aplicación. En este sentido esta investigación tiene por objetivo determinar de qué manera un modelo de pronóstico basado en machine learning logra la predicción del desempeño instantáneo de un motor de combustión interna de aplicación industrial. Para esta investigación se empleó un diseño no experimental y de corte transversal, partiendo del registro del comportamiento de un motor de combustión interna de encendido por compresión (motor diésel) de inyección directa, turboalimentado, equipado con un sistema electrónico de suministro de combustible del tipo "common rail", al cual se le sometió a pruebas de carga en un banco dinamométrico. Una vez formada la base de datos, se procedió al análisis y ejecución de modelos de regresión en machine learning para evaluar la predicción de los parámetros de potencia, torque, consumo de combustible y factor de carga. Posteriormente, desarrollado el modelo adecuado, se procedió a la validación del factor de carga, frente a condiciones de operación reales. Los resultados de la investigación permitieron determinar los parámetros de entrada más relevantes en el proceso de predicción, así como también la eficacia de los modelos evaluados (Multiple Linear Regresion, K-Nearest Neighbors, Support Vector Machine, Decision Tree, Random Forest, Artificial Neural Network y XGboost) mediante métricas de desempeño como MAE, MSE, RMSE y R2. En el caso del torque, el modelo XGBoost presentó el mejor desempeño, con un RMSE de 0,092 y el R2 de 0,991, seguido por el modelo Random Forest (RF), que obtuvo un RMSE de 0,095 y un R² de 0,99. Para la potencia, el mejor desempeño correspondió al modelo Random Forest (RF), con un RMSE de 0,081 y un R² de 0,993, seguido de XGBoost, con un RMSE de 0,098 y un R² de 0,990. En cuanto al consumo de combustible, el modelo Random Forest mostró el mejor desempeño, con un RMSE de 0,065 y un R² de 0,996, seguido por XGBoost, que alcanzó un RMSE de 0,083 y un R² de 0,993. Sin embargo, cabe destacar que la carga computacional del modelo Random Forest es considerablemente elevada. Los demás modelos evaluados no lograron resultados relevantes en comparación. Finalmente se concluye que el modelo basado en XGBoost es el más adecuado para la predicción del desempeño instantáneo en motores de combustión interna destinados a aplicaciones industriales.