Implementación de machine learning para modelado y caracterización de muestras complejas de hidrocarburos a partir de técnicas de espectroscopia

Abstract

Una correcta caracterización fisicoquímica del petróleo es crucial para optimizar procesos como la producción, el transporte y la refinación en la industria de los hidrocarburos. Entre las pruebas de caracterización de crudos pesados destacan el análisis SARA, el porcentaje de carbono Conradson residual (%CCR) y el índice de clase de estabilidad de asfáltenos (ASCI). Aunque efectivos, estos métodos presentan limitaciones como altos costos, largos tiempos de respuesta y el uso de solventes peligrosos. Para superar estas dificultades, este estudio explora el uso de modelos de machine learning (ML) aplicados a datos de espectrometría de masas de alta resolución (HR-MS) y espectroscopía infrarroja por transformada de Fourier (MIR-FTIR). El objetivo principal es desarrollar modelos predictivos que estimen estas propiedades del petróleo a partir de datos espectrales. La metodología desarrollada incluye la construcción de una base de datos robusta, procesada y normalizada, utilizando técnicas como el análisis de componentes principales (PCA) para mejorar la exactitud y reducir la dimensionalidad de los datos. Se evaluaron diferentes algoritmos de ML para clasificación y regresión, tales como SVC, LDA, SVR, PLS y redes neuronales, con el fin de identificar los modelos más adecuados. Los resultados muestran que los modelos basados en ML, en particular SVC y LDA, mejoran significativamente la exactitud y eficiencia en la predicción de propiedades fisicoquímicas del petróleo, superando los métodos tradicionales. Se concluye que la integración de machine learning con técnicas espectroscópicas ofrece una alternativa más rápida y de menor impacto ambiental para caracterizar grandes volúmenes de muestras complejas, reduciendo riesgos y mejorando la reproducibilidad en comparación con las pruebas convencionales.