Revista ION

Evaluación de redes artificiales recurrentes en el diagnóstico de fallas del proceso Tennessee-Eastman

2025-03-27T15:42:07+00:00

Las redes neuronales recurrentes LSTM (Long Short-Term Memory) fueron implementadas en Python (TensorFlow/Keras, Google Colab) para la detección y el diagnóstico de fallas del Proceso Tennessee Eastman (TEP). Las 52 variables de proceso fueron tratadas con el Análisis de Componentes Principales (PCA) y el estadístico T² de Hotelling como referencia de detección. Las LSTM con una sola capa oculta y con diferente número de neuronas ocultas (16 - 256), funciones de activación de salida (softmax, tanh, sigmoid) y épocas (10 - 30) fueron entrenadas para clasificar la operación sin falla (IDV(0)) y las fallas críticas IDV(6) e IDV(18). En entrenamiento, validación y prueba, la exactitud de detección alcanzó un promedio de ≈80 %. La red LSTM con 16 neuronas ocultas, entrenada por 10 épocas reportó el mejor compromiso entre exactitud y capacidad de generalización en la detección; el uso de más épocas no aportó una ganancia significativa (~4 % en promedio), pero sí aumentaron el sobreajuste. Las métricas de diagnóstico mostraron un desempeño más confiable para IDV(0) e IDV(18) que para IDV(6). La red LSTM con 16 neuronas fue entrenada con todas las clases de falla del TEP (5 - 25 épocas), reportando las mayores exactitudes para IDV(2), IDV(6), IDV(12) e IDV(18); para las otras fallas, las exactitudes fueron bajas o nulas. Según lo anterior, las LSTM permiten un diagnóstico efectivo de las fallas clave del TEP consideradas en este trabajo. Para todas las fallas, las LSTM presentan un desempeño bajo, con lo cual probablemente requieran más épocas de entrenamiento. También, arquitecturas alternativas podrían reportar mejores desempeños para todas las fallas.

Aprovechamiento de residuos de la industria pesquera: escamas y esqueletos de Oreochromis niloticus para la remoción de turbidez

2025-09-01T00:46:34+00:00

Con el propósito de dar valor agregado a los residuos sólidos provenientes de la industria pesquera y aumentar la sostenibilidad ambiental de esta industria se propone en esta investigación la utilización de escamas y esqueletos de Oreochromis niloticus para la obtención hidroxiapatita y colágeno y su aplicación como bio-coagulantes. La metodología usada consistió en un pretratamiento y posterior separación de hidroxiapatita/colágeno (HAP/COL) y colágeno (COL) en solución, usando ácido acético al 0.5 M. Las muestras de HAP/COL fueron caracterizadas mediante espectroscopía infrarroja por transformada de Fourier (FTIR), difracción de rayos X (DRX) y microscopía electrónica de barrido con espectroscopía de dispersión de energía (SEM-EDS) evidenciando mayor cristalinidad y presencia de hidroxiapatita en los esqueletos. El colágeno tuvo rendimientos de extracción entre 10–16%, con mayor recuperación en escamas, alcanzando eficiencias de remoción de turbidez sobre el 90% y resultados favorables en términos de conductividad. Por su parte, la mezcla HAP/COL mostró un rendimiento del 58,3–58,8% y una eficiencia en la remoción de turbidez del 91,8–58,55% en aguas sintéticas para escamas y esqueletos respectivamente. Los resultados demuestran que ambos bio-coagulantes poseen un desempeño comparable o superior a coagulantes convencionales, promoviendo una alternativa ecológica y funcional para el tratamiento de aguas. Asimismo, el estudio contribuye al aprovechamiento de residuos pesqueros bajo un enfoque de economía circular y representa un avance en el desarrollo de tecnologías limpias, dado que ninguno de los productos evaluados había sido previamente reportado para este fin.

Editorial

2025-10-16T19:37:10+00:00