Digitalización e inteligencia artificial aplicadas al modelado y análisis de procesos en Ingeniería Química

Resumen

La transformación digital de la industria de procesos ha impulsado la incorporación de herramientas avanzadas de análisis de datos en la ingeniería de procesos químicos. Aunque los modelos fenomenológicos tradicionales han permitido diseñar y optimizar reactores con alto grado de confiabilidad, su aplicación puede presentar limitaciones relacionadas con el tiempo de cálculo y la adaptación a condiciones operativas variables. El presente estudio tuvo como objetivo evaluar el potencial del aprendizaje automático para la predicción y optimización de sistemas de reacción química. La investigación se desarrolló en 2026 en la Universidad Ignacio Agramonte (Cuba). Como caso de estudio se analizó un reactor continuo de tanque agitado en el cual se consideró una reacción irreversible de primer orden. En una primera etapa se formuló un modelo fenomenológico basado en balances de materia y cinética química, implementado en MATLAB para simular el comportamiento del reactor y generar datos sintéticos bajo diferentes condiciones operativas. Posteriormente, los datos se utilizaron para entrenar una red neuronal artificial feedforward, capaz de predecir la concentración de salida. La validación se realizó mediante Statgraphics Centurion, aplicando análisis de varianza e intervalos de confianza. Los resultados muestran que el modelo reproduce con alta precisión el comportamiento del reactor, evidenciando que la integración de modelos fenomenológicos, aprendizaje automático y análisis estadístico constituye una herramienta eficaz para la optimización de procesos químicos. El modelo de red neuronal feedforward mostró un alto grado de precisión y capacidad de generalización, validando su aplicabilidad como sustituto del modelo fenomenológico.