Desarrollo de soft sensors y herramientas predictivas basadas en datos y machine learning para el diagnóstico operacional y la mejora del desempeño de filtros de licor verde en planta industrial.
| dc.contributor.advisor | Garcés Hernández, Hugo Omar | es |
| dc.contributor.advisor | Flores Huenchullanca, Ricardo Antonio | es |
| dc.contributor.author | Polanco Ochoa, Aníbal Gabriel | es |
| dc.date.accessioned | 2026-08-21T14:30:49Z | |
| dc.date.available | 2026-08-21T14:30:49Z | |
| dc.date.issued | 2026 | |
| dc.description | Tesis presentada para optar al título de Ingeniero/a Civil Informático/a. | es |
| dc.description.abstract | La reducción en el circuito de licor verde es una variable relevante para la operación de la caldera recuperadora, pero su observación presenta limitaciones prácticas. Por una parte, las mediciones de laboratorio tienen baja frecuencia y latencia. Por otra, el sensor físico en línea disponible en planta presenta problemas de continuidad, disponibilidad y calidad efectiva de señal. En este contexto, esta memoria aborda el problema desde la construcción y evaluación de un soft sensor capaz de estimar la reducción a partir de variables historizadas del proceso. El trabajo se desarrolló sobre datos industriales del área de recuperación, integrando extracción, alineación temporal, depuración del target y construcción de espacios de entrada para modelamiento. Sobre esa base se compararon distintos regímenes de entrenamiento, distintos subconjuntos de variables, variantes con y sin retardos temporales, y dos formas principales de representación del problema: directa y mediante PLS. La evaluación se realizó bajo un esquema temporal estricto, con separación explícita entre entrenamiento, test y holdout, manteniendo al laboratorio como referencia principal para la medición del desempeño fuera de muestra. Los resultados muestran que el problema sí admite soluciones predictivas útiles, pero que su comportamiento depende de cómo se combinan espacio de variables, representación, uso de lag y modo de entrenamiento. No aparece una receta única que domine en todos los escenarios. La mejor solución retenida se obtuvo en un subconjunto reducido de variables, con estructura temporal explícita y entrenamiento mixto, mientras que en espacios más amplios o intermedios la representación mediante PLS se mantuvo competitiva. En conjunto, el estudio respalda la factibilidad técnica del enfoque, confirma el valor de una evaluación temporal conservadora y muestra que la señal del sensor aporta más cuando se integra de forma controlada que cuando se la trata como reemplazo directo del laboratorio. | es |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Informática y Ciencias de la Computación | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/14416 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Teoría de la información | es |
| dc.subject | Machine learning | en |
| dc.subject | Algoritmos | es |
| dc.title | Desarrollo de soft sensors y herramientas predictivas basadas en datos y machine learning para el diagnóstico operacional y la mejora del desempeño de filtros de licor verde en planta industrial. | es |
| dc.type | Thesis | en |