MadeAI Conference 2024: Modelling, Data Analytics and AI in Engineering

15/07/2024

En el actual panorama de la ciencia y la tecnología en rápida evolución, la modelización, la análisis de datos y la inteligencia artificial (IA) transforman las estrategias de resolución de problemas en sectores como la aeroespacial, la automoción, la química , la construcción, la energía, la sanidad, los materiales y el transporte, impulsando la innovación. Sin embargo, estas disciplinas a menudo se estudian de manera aislada, careciendo de colaboración interdisciplinaria. Para desbloquear su propio potencial, es crucial una integración con un enfoque holístico de sistemas. MadeAI reunió a investigadores y líderes industriales para explorar la fusión de la modelización, el análisis de datos y la IA en la ingeniería, fomentando la investigación y la innovación en estos ámbitos.

Jordi Vives Pons, Toni Dorado y Marta Tarrés presentaron los resultados de investigación IA en el ámbito de bioprocesos en la industria química con su trabajo "Harnessing Color: Predicting Copper Recovery in Bioleaching Processes with RGB Measurement", con el siguiente enfoque de forma resumida:

Los residuos electrónicos, comúnmente conocidos como e-waste, se caracterizan por contener metales valiosos, especialmente cobre. El biolixiviado, un método establecido para la recuperación de metales, explota las capacidades de los microorganismos para extraer metales de forma ambientalmente sostenible. Este estudio presenta un enfoque innovador para predecir la recuperación de cobre utilizando valores RGB capturados mediante un sensor de color. Mediante la aplicación de técnicas de aprendizaje automático, se desarrolla un modelo predictivo para pronosticar la recuperación de cobre en base a los datos de color recogidos a lo largo de la solución del proceso de biolixiviado. El modelo es entrenado y validado utilizando un conjunto de datos de valores RGB y pH. La investigación explora varios algoritmos de regresión para predecir los valores de recuperación de cobre, identificando finalmente los modelos de Regresión Random Forest Regression y de Gradient Boosting Machine como los más efectivos. Este hallazgo significativo, combinado con la adquisición de datos en tiempo real, abre el camino para el desarrollo futuro de un gemelo digital para la industria del biolixiviado, permitiendo acciones de control precisas y medidas correctivas sin interrumpir la biomasa implicada. En conclusión, esta investigación subraya el análisis de datos RGB como un enfoque práctico y eficiente para evaluar el contenido de cobre en procesos de biolixiviado y tomar decisiones en caso de desviación del comportamiento óptimo.

Esta investigación ha sido posible gracias al proyecto de la Agencia Estatal de Investigación de España, ref. PID2020-117520RA-I00/AEI/10.13039/501100011033, y por el grupo de investigación RIIS de la UPC bajo la subvención AGAUR SGR-CAT 2021.