Resumen de Strategies of data analysis for numerical simulation of industrial processes
La creciente digitalización de la industria y la búsqueda de la competitividad ha aumentado la necesidad de generar aplicaciones online para la optimización de los parámetros de operación, predicción de la calidad y prevención de defectos en el producto final. El desarrollo del gemelo digital proporciona la integración física-digital de los procesos industriales pero para que el modelo virtual se pueda implementar adecuadamente a nivel industrial, éste debe ser rápido, robusto y preciso.
Las simulaciones numéricas son muy útiles para obtener un conocimiento profundo de sus correspondientes sistemas físicos y crear modelos dotados de interpretabilidad. Sin embargo, el alto coste computacional limita su implementación directa en entornos de producción. El objetivo del presente trabajo es proporcionar estrategias acopladas de simulación numérica y análisis de datos que permitan su integración en aplicaciones predictivas en tiempo real.
Ambas herramientas se pueden combinar utilizado diferentes niveles de utilización de datos de proceso para el desarrollo de varios modelos virtuales del proceso físico. Estas aproximaciones se aplican en un caso real de mezclado de caucho. Se presenta un modelo teórico que ofrece una compresión detallada del proceso. Por otra parte, los modelos dirigidos por datos son más precisos pero la interpretabilidad física sólo se conserva utilizando técnicas de reducción de dimensionalidad basados en selección de variables. Adicionalmente, se evalúan dos casos industriales utilizando modelos híbridos. El modelado de procesos de producción se puede abordar utilizando diferentes aproximaciones y la combinación de modelos basados en datos y basados en la física del sistema permite la generación de modelos precisos, rápidos e interpretables y preparados para el despliegue a nivel industrial.
La mejora de las estrategias de acoplamiento entre la simulación numérica y el modelo resulta en un mayor rendimiento. En este trabajo, se muestra la implementación de un ROM en un software comercial de CFD que permite la obtención precisa de las propiedades termodinámicas de forma robusta y eficiente, sustituyendo el cálculo complejo de las ecuaciones de estado por el ROM correspondiente.
Además, se demuestra que la división de un conjunto de datos en subdominios de características particulares que se ajustan individualmente a su respectivo ROM mejora la precisión de la predicción global. Para ello, se pueden utilizar técnicas de separación guiadas por la compresión del sistema o basadas en los propios datos.
Por último, la selección del diseño de experimentos para generar los datos de entrenamiento de un ROM es una etapa crítica para el rendimiento del ROM. Se propone un novedoso algoritmo de muestreo secuencial que incluye la información disponible sobre el comportamiento del sistema para calcular cada punto de muestreo, generando el conjunto de datos de entrenamiento óptimo para el ROM.
