Redes Neuronales para la Predicción Inteligente de Costos de inversión en Procesos Químicos

Resumen

La estimación precisa de los costos de instalación de equipos en etapas tempranas del diseño de procesos químicos representa un desafío, especialmente cuando no se dispone de información detallada o bases de datos industriales completas. Ante esta limitación, el presente trabajo propone una estrategia basada en redes neuronales artificiales para predecir los costos de instalación de equipos de proceso a partir de variables de diseño y operación generadas mediante simulaciones en Aspen Plus y Aspen Process Economic Analyzer. Se desarrollaron modelos predictivos para bombas, compresores y separadores flash, empleando un muestreo con hipercubo latino para generar más de 1000 escenarios por equipo, con lo cual se garantizó una cobertura uniforme del espacio de entrada. Las redes neuronales fueron entrenadas en MATLAB usando configuraciones totalmente conectadas en secuencia, activaciones ReLU y técnicas de normalización, evaluando su desempeño mediante el coeficiente de determinación (R²). Los resultados demostraron una alta capacidad predictiva del enfoque, alcanzando un R² de hasta 0.9955 para el compresor, lo que valida su aplicabilidad para la estimación económica preliminar en entornos con alta variabilidad de condiciones. Este enfoque ofrece una alternativa eficiente y flexible frente a los métodos tradicionales, con el potencial de acelerar la toma de decisiones en procesos químicos.