Prevención de roturas en los tubos receptores de plantas termosolares mediante grupos de Counterfactuals

Abstract

La inteligencia artificial (IA) y el aprendizaje automático (AA) se han convertido en herramientas esenciales para el progreso contemporáneo, gracias a su eficacia y versatilidad que los hacen aplicables en diversos ámbitos. Para los ingenieros, estas capacidades de procesamiento de grandes cantidades de datos, anticipación de eventos y precisas clasificaciones ofrecen enormes oportunidades. Los "counterfactuals", o explicaciones contrafactuales permiten conocer los cambios que deben producirse en un cierto evento para modificar el resultado esperado. Los algoritmos diseñados para crear explicaciones contrafactuales cobran gran relevancia en el análisis de eventos y clasificaciones. Comprender las causas de los acontecimientos, cómo podrían haberse evitado y qué acciones podrían prevenirlos es fundamental en la mejora y prevención de cualquier sistema. En este estudio, se explora un amplio conjunto de datos relacionados con los tubos receptores de plantas termosolares. El objetivo principal es entrenar un modelo de aprendizaje automático con el que generar grupos de "counterfactuals". A través de estas explicaciones, se busca analizar tendencias y patrones de comportamiento en los tubos con el fin de prevenir posibles roturas. En resumen, el estudio combina la eficacia del aprendizaje automático con las explicaciones "counterfactuals" para avanzar en la prevención de roturas en tubos receptores de plantas termosolares, lo que podría derivar en mejoras significativas en términos de seguridad y funcionamiento eficiente.

Artificial intelligence (AI) and machine learning (ML) have become essential tools for contemporary progress, thanks to their effectiveness and versatility that make them applicable in various fields. For engineers, these capabilities of processing large amounts of data, anticipating events, and providing accurate classifications offer enormous opportunities. Counterfactuals, or counterfactual explanations, can provide the changes that must occur with a certain event to modify its expected outcome. Algorithms designed to create counterfactual explanations are of great relevance in event analysis and classifications. Understanding the causes of events, how they could have been avoided, and what actions could prevent them is crucial for the improvement and prevention of any system. In this study, a broad dataset related to receiver tubes of solar power plants is explored. The main goal is to train a machine learning model to generate groups of counterfactual explanations. Through these explanations, the aim is to analyze trends and behavioral patterns in the tubes in order to prevent potential breakages. In summary, the study combines the effectiveness of machine learning with counterfactual explanations to advance in the prevention of breakages in receiver tubes of solar power plants, which could result in significant improvements in terms of safety and efficient operation.