Decir que un modelo de IA «lleva la física dentro» suena abstracto hasta que se ve en un caso concreto. En la práctica significa que el modelo conoce algunas reglas que el proceso cumple siempre, como que la energía que entra en un horno tiene que ir a calentar la carga, a las paredes o a los humos, y que no puede proponer nada que las incumpla.
En este artículo
01. El conocimiento que ya tiene la planta
Cualquier ingeniero de proceso sabe cosas que un algoritmo tendría que aprender a fuerza de datos: que un horno no se calienta al instante, que una pieza más gruesa necesita más tiempo de permanencia, que la presión y el caudal de una bomba siguen una curva conocida o que la masa que entra en un reactor tiene que salir por algún sitio.
Ese conocimiento está escrito desde hace décadas en forma de balances de energía y de masa, ecuaciones de transferencia de calor y curvas de equipo. Un modelo de datos puro lo ignora y tiene que deducirlo del histórico, con el riesgo de aprender relaciones que solo se cumplen en las condiciones que ha visto. Un modelo con física parte de él.
02. Cuatro formas de meter la física en un modelo
No hay una sola manera de hacerlo. En proyectos industriales se combinan, según el proceso y los datos disponibles, estas cuatro:
- Variables con sentido físico. En lugar de dar al modelo la temperatura y la potencia por separado, se le da la energía acumulada en la carga o el tiempo que lleva a temperatura. Son variables que el ingeniero reconoce y que resumen mejor el estado del proceso.
- Estructura del modelo. El modelo se construye siguiendo el esquema del balance: una parte calcula lo que dicen las ecuaciones y otra aprende de los datos lo que las ecuaciones no recogen, como las pérdidas reales de un horno concreto.
- Penalización durante el entrenamiento. Es la idea de las redes neuronales informadas por la física (PINNs): mientras el modelo aprende, se le penaliza cada vez que su predicción incumple una ecuación del proceso.
- Límites en la salida. El modelo no puede recomendar una consigna fuera del rango seguro del equipo ni una temperatura que la física no permita alcanzar en el tiempo disponible.
03. Un ejemplo con un horno
En un horno de tratamiento térmico, la energía que aportan los quemadores se reparte entre calentar la carga, calentar el refractario y las paredes, y lo que se va por los humos y las aberturas. El balance se puede escribir de forma simplificada así:
Balance de energía simplificado
Energía aportada = m · cp · ΔT de la carga + calor almacenado en el refractario + pérdidas por paredes y humos
Un modelo de datos puro podría aprender que, en el histórico, las cargas más pesadas consumen más gas. Un modelo que conoce el balance sabe además por qué, y puede estimar cuánto consumirá una carga de un peso o un formato que el horno no ha procesado nunca, porque la masa y el calor específico entran en la ecuación aunque no estén en el histórico.
Lo que el modelo aprende de los datos es lo que el balance no sabe de antemano: cuánto pierde por paredes ese horno en concreto, cómo influye el estado del refractario o cuánto se enfría al abrir la puerta. La física pone la estructura y los datos ajustan los números.
04. Qué cambia para el equipo de planta
Para quien trabaja con el modelo, la diferencia se nota en situaciones concretas:
- Formatos nuevos o poco frecuentes: el modelo sigue dando estimaciones razonables, porque no depende solo de haberlos visto antes.
- Recomendaciones fuera de lo habitual: cuando propone bajar una consigna, lo hace dentro de lo que el balance permite, no extrapolando a ciegas.
- Explicación: la recomendación se puede justificar con variables del proceso, como la masa de la carga o las pérdidas del horno, que el jefe de turno entiende y puede comprobar.
También cambia la cantidad de datos que hacen falta para empezar. Como parte del comportamiento lo aporta la física, el modelo necesita menos histórico para dar resultados útiles, algo que importa en plantas donde los datos de calidad cubren pocos meses.
En Deduce Data Solutions, spin-off de la Universidad de Cantabria, construimos modelos de este tipo sobre los datos que la planta ya registra en su SCADA, MES o ERP.
¿Qué física conviene meter en tu modelo?
Reunión de 30 minutos para revisar tu proceso y los datos que ya registra la planta.
Reservar reunión exploratoria05. Preguntas frecuentes
¿Qué quiere decir que un modelo de IA lleva la física dentro?
Que el modelo conoce reglas que el proceso cumple siempre, como los balances de energía o de masa, y no puede dar predicciones o recomendaciones que las incumplan.
¿Un modelo con física es una simulación?
No exactamente. Una simulación parte solo de ecuaciones; un modelo con física combina esas ecuaciones con los datos reales de la planta, que ajustan lo que las ecuaciones no saben.
¿Qué son las PINNs?
Redes neuronales informadas por la física: durante el entrenamiento se penalizan cuando su predicción incumple las ecuaciones del proceso.
¿Hace falta conocer todas las ecuaciones del proceso?
No. Basta con las relaciones principales, como el balance de energía de un horno; el resto lo aprende el modelo de los datos.
Seguir leyendo: Cuándo gana un modelo de datos puros y cuándo uno con física · Gemelo digital o modelo del proceso · Cómo trabajamos
