Diseño y análisis de modelos subrogados de gemelos digitales para optimización de procesos industriales

Abstract

[Resumen] Aunque los gemelos digitales proporcionan una representación detallada y precisa de sistemas físicos, su elevado coste computacional limita su aplicabilidad en escenarios que requieren múltiples simulaciones. En este contexto, los modelos subrogados permiten acelerar los cálculos manteniendo un compromiso adecuado entre precisión y eficiencia computacional. Para abordar este problema, se ha llevado a cabo una serie de estudios enfocados en el diseño, entrenamiento y validación de modelos subrogados. En primer lugar, se ha definido una arquitectura de red y una topología óptimas mediante una evaluación comparativa exhaustiva de distintas configuraciones de modelos. A continuación, se ha explorado la generación de datasets, incluyendo análisis de validación y representatividad de los datos de entrenamiento. Se ha tenido en cuenta la estocasticidad del proceso, estudiando su impacto en la robustez de los modelos y en la optimización de sus parámetros. Asimismo, se ha realizado una evaluación sistemática para caracterizar el impacto de los hiperparámetros en la precisión de la predicción, considerando su relación con la configuración de la red, la estructura del dataset y el proceso de entrenamiento. Como resultado de este estudio, se ha desarrollado un método iterativo ad hoc denominado AIBA (Algoritmo Iterativo de Búsqueda Adaptativa) que permite optimizar de manera progresiva la configuración del modelo, reduciendo la cantidad de evaluaciones necesarias para alcanzar un rendimiento óptimo. Los resultados obtenidos muestran que, en determinadas condiciones, el uso de modelos subrogados puede alcanzar niveles de precisión comparables a los del gemelo digital, con una reducción significativa del coste computacional. El método iterativo desarrollado ha demostrado una mejora en la estabilidad y eficiencia del proceso de ajuste, optimizando el tiempo de simulación sin introducir pérdidas significativas en la capacidad predictiva. En conclusión, este trabajo proporciona una metodología estructurada para la implementación de modelos subrogados en la optimización de procesos industriales, contribuyendo a su aplicabilidad en entornos donde la escalabilidad y la rapidez de simulación son factores clave.[Abstract] Although digital twins provide a detailed and accurate representation of physical systems, their high computational cost limits their applicability in environments that require multiple simulations. In this context, surrogate models enable faster calculations while maintaining an appropriate balance between accuracy and computational efficiency. To address this issue, a series of studies have been conducted focusing on the design, training, and validation of surrogate models. First, an optimal network architecture and topology were defined through a comprehensive comparative evaluation of different model configurations. Next, the generation of datasets was explored, including validation analysis and the representativeness of training data. The stochastic nature of the process was also considered, studying its impact on model robustness and parameter optimization. Additionally, a systematic evaluation was carried out to characterize the impact of hyperparameters on prediction accuracy, considering heir relationship with network configuration, dataset structure, and the training process. As a result of this study, a custom iterative method called AIBA (Adaptive Search Iterative Algorithm) was developed, allowing for a progressive optimization of the model configuration while reducing the number of evaluations required to achieve optimal performance. The obtained results show that, under certain conditions, the use of surrogate models can achieve accuracy levels comparable to those of the digital twin, with a significant reduction in computational cost. The developed iterative method has demonstrated improvements in the stability and efficiency of the adjustment process, optimizing simulation time without introducing significant losses in predictive capability. In conclusion, this work provides a structured methodology for the implementation of surrogate models in industrial process optimization, contributing to their applicability in environments where scalability and simulation speed are key factors.[Resumo] Aínda que os xemelos dixitais proporcionan unha representación detallada e precisa de sistemas físicos, o seu elevado custo computacional limita a súa aplicabilidade en contornas que requiren múltiples simulacións. Neste contexto, os modelos subrogados permiten acelerar os cálculos mantendo un compromiso axeitado entre precisión e eficiencia computacional. Para abordar este problema, realizouse unha serie de estudos centrados no deseño, adestramento e validación de modelos subrogados. En primeiro lugar, definiuse unha arquitectura de rede e unha topoloxía óptimas mediante unha avaliación comparativa exhaustiva de distintas configuracións de modelos. A continuación, explorouse a xeración de datasets, incluíndo análises de validación e representatividade dos datos de adestramento. Tívose en conta a estocasticidade do proceso, estudando o seu impacto na robustez dos modelos e na optimización dos seus parámetros. Así mesmo, realizouse unha avaliación sistemática para caracterizar o impacto dos hiperparámetros na precisión da predición, considerando a súa relación coa configuración da rede, a estrutura do dataset e o proceso de adestramento. Como resultado deste estudo, desenvolveuse un método iterativo ad hoc denominado AIBA (Algoritmo Iterativo de Busca Adaptativa) que permite optimizar de maneira progresiva a configuración do modelo, reducindo a cantidade de avaliacións necesarias para acadar un rendemento óptimo. Os resultados obtidos amosan que, en determinadas condicións, o uso de modelos subrogados pode acadar niveis de precisión comparables aos do xemelo dixital, cunha redución significativa do custo computacional. O método iterativo desenvolvido demostrou unha mellora na estabilidade e eficiencia do proceso de axuste, optimizando o tempo de simulación sen introducir perdas significativas na capacidade predictiva. En conclusión, este traballo proporciona unha metodoloxía estruturada para a implementación de modelos subrogados na optimización de procesos industriais, contribuíndo á súa aplicabilidade en contornas onde a escalabilidade e a rapidez de simulación son factores clave.