MODELO DE RED NEURONAL ARTIFICIAL CONVOLUCIONAL PARA LA PREDICCION DEL INDICE DE CETANO DE MUESTRAS DIÉSEL USANDO ESPECTROS NIR

Abstract

Este trabajo buscó desarrollar un modelo predictivo para determinar el índice de cetano en diésel mediante espectroscopía de infrarrojo cercano (NIR) y aprendizaje profundo, con el objetivo de crear una alternativa rápida y económica a los métodos de laboratorio tradicionales. La metodología se centró en un conjunto de 62 muestras de diésel. Los espectros NIR fueron corregidos con filtros Savitzky-Golay y la técnica Standard Normal Variate (SNV). Se evaluaron dos enfoques: Redes Neuronales Convolucionales (CNN) y una regresión de Mínimos Cuadrados Parciales (PLS). El rendimiento de los modelos fue medido con validación cruzada y un conjunto de prueba final para asegurar una evaluación imparcial. Los resultados principales indicaron que las arquitecturas CNN sufrieron de un sobreajuste (overfitting) severo, incapaces de aprender debido al limitado número de datos. Por su parte, el modelo PLS, aunque mostró un rendimiento promisorio en la validación interna (R² de 0.51), demostró una capacidad limitada de generalización en la prueba final, con un R² negativo de -0.1763 atribuido a un sobreajuste. La conclusión fundamental es que el objetivo de crear un modelo predictivo viable no se alcanzó. El factor crítico fue el insuficiente tamaño del conjunto de datos, que impidió construir un modelo robusto. Se demostró que la predicción de este parámetro es una tarea compleja que requiere una cantidad significativamente mayor de muestras para lograr resultados fiables y aplicables en la industria.