Diseinu Industrial Adimenduetarantz: Eredu Subrogatuen Bidezko Optimizazioa Testuinguru Errealetan
2025
La optimización basada en modelos subrogados fue propuesta hace 20 años para resolver muchos problemas del mundo real. La metodología ha sido utilizada para resolver problemas en todos los ámbitos de la ciencia y la tecnología, y ha permitido resolver problemas que no podían resolverse debido a su coste computacional o económico. Sin embargo, aunque la metodología ha sido propuesta para resolver problemas computacionalmente complejos o experimentalmente complejos, la investigación para el segundo caso ha sido mucho más escasa.
La optimización basada en modelos subrogados se ha convertido en un concepto conocido en las últimas décadas, y aunque se ha realizado una amplia investigación en este campo, todavía existen retos y preguntas abiertas: cómo actuar en problemas que se basan únicamente en datos experimentales, estudiar las posibles complejidades en la sustitución de fenómenos físicos complejos (como fenómenos espaciales, temporales o espacio-temporales), desde el punto de vista del muestreo, el modelado y los algoritmos de optimización. Además, aprovechando las oportunidades que ofrecen los avances en el aprendizaje automático, es fundamental investigar los beneficios que pueden aportar las mejoras en los modelos subrogados.
La hipótesis principal de este trabajo es que la optimización basada en modelos subrogados es una herramienta útil para optimizar procesos complejos en contextos industriales, siempre que se desarrollen métodos de muestreo más eficaces, se seleccionen modelos adecuados y los algoritmos de optimización se adapten al contexto real. En esta línea, esta tesis desarrolla la investigación en tres direcciones: en primer lugar, trabajando con datos simulados, se analiza que el muestreo adaptativo favorece una optimización eficiente; en segundo lugar, se destaca la capacidad de los modelos subrogados para resolver problemas no formalizados mediante datos experimentales; y, por último, se analiza el peso que tiene la investigación en aprendizaje automático en los modelos subrogados.
Las contribuciones científicas de este trabajo han sido validadas en dos escenarios: (1) en la optimización de la producción de neumáticos de caucho en una planta de Continental; (2) en la mejora de eficiencia del modelo phase field para acelerar la predicción del proceso de solidificación de metales en fabricación aditiva.