Fernando Moreno, doctorando y científico de datos en Deduce Data Solutions, presentó el lunes 7 de septiembre en ECML PKDD 2026, en Nápoles, un póster que compara dos redes neuronales para predecir la temperatura de un horno de mantenimiento y colada. El trabajo lo firman también Diego Tuccillo, Paula Monje y Steven Van Vaerenbergh, y se expuso en SOMI-2026, el taller del congreso dedicado a la inteligencia artificial que llega a funcionar en la industria.
En esta noticia
- ECML PKDD 2026 reunió en Nápoles al aprendizaje automático europeo
- SOMI-2026, un taller sobre lo que funciona en planta
- Un horno cuya temperatura se mide poco y tarde
- Un simulador contrastado con datos de planta
- Dos redes iguales, una de ellas con balance de energía
- Lo que el póster deja pendiente
- Preguntas frecuentes
El póster presentado en ECML PKDD 2026 lleva por título Physics-Informed Neural Networks for an Industrial Holding-and-Casting Furnace: A Controlled Synthetic Benchmark. Responde a una pregunta que cualquier planta con hornos se ha hecho al valorar un modelo predictivo: cuántas medidas de temperatura hacen falta para que la red acierte, y cuánto ayuda decirle de antemano cómo se comporta el calor.
Deduce Data Solutions (DDS), pyme científica de Santander surgida de la Universidad de Cantabria, trabaja con redes neuronales informadas por física sobre los datos que la planta ya registra. La presentación en ECML PKDD 2026 expuso ese trabajo ante investigadores de universidades y de empresas.
01. ECML PKDD 2026 reunió en Nápoles al aprendizaje automático europeo
ECML PKDD 2026 se celebró del 7 al 11 de septiembre. Las siglas corresponden a European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases, el congreso europeo de referencia en aprendizaje automático y minería de datos. La rama ECML nació en 1986 como un encuentro de trabajo sobre aprendizaje y PKDD arrancó en 1997. Compartieron sede desde 2001 y en 2008 se fusionaron en un único congreso anual.
Antes de ECML PKDD 2026, el congreso pasó por Oporto (2025), Vilna (2024) y Turín (2023). La selección es exigente: la tasa media de aceptación de su sección principal de investigación ronda el 25 %. El programa de ECML PKDD 2026 reunió ponencias de investigación, conferencias invitadas, tutoriales, sesiones de pósteres, una sección de ciencia de datos aplicada, otra de industria y un foro de doctorandos. Los talleres temáticos ocuparon el lunes y el viernes.
La conferencia plenaria que recogen las imágenes fue la de Mihaela van der Schaar, catedrática de la Universidad de Cambridge, titulada Rethinking Scientific Discovery in the Era of AI.
02. SOMI-2026, un taller sobre lo que funciona en planta
SOMI, uno de los talleres de ECML PKDD 2026, toma su nombre de Systems Over Models: What Actually Works in Industry. El taller se celebró la tarde del lunes 7 de septiembre y lo organizaron Zahra Taghiyarrenani y Slawomir Nowaczyk, del centro CAISR de la Universidad de Halmstad (Suecia), junto a Maciej Misiorny, de Sigma Technology Insight Solutions, João Gama (Universidad de Oporto), Albert Bifet (Universidad de Waikato) y Martin Atzmüller (Universidad de Osnabrück). Forma parte de los proyectos KEEPER y FeelAI, cofinanciados por la Knowledge Foundation y la agencia sueca de innovación Vinnova.
La convocatoria parte de un hecho conocido en cualquier fábrica: muchos prototipos que rinden bien en el laboratorio fallan cuando se enfrentan a datos imperfectos, a condiciones de operación que cambian y al coste de equivocarse en producción. Los organizadores pidieron a los autores que trataran el despliegue como objeto de estudio científico y que contaran los fracasos con el mismo rigor que los éxitos.
Buscamos estudios que cuantifiquen dónde y por qué los resultados dejan de transferirse del laboratorio al terreno.Convocatoria de SOMI-2026, traducción propia
La conferencia invitada corrió a cargo de Sahar Asadi, directora de AI Labs en King, el estudio de videojuegos integrado en Microsoft Gaming. Según las normas del taller, todos los trabajos aceptados se presentaron en formato póster y al menos uno de los autores debía defenderlo en persona. Por parte de DDS lo hizo Fernando Moreno, que atendió el póster durante la sesión de ECML PKDD 2026.
03. Un horno cuya temperatura se mide poco y tarde
Un horno de mantenimiento y colada conserva el metal fundido a temperatura de trabajo mientras se va extrayendo para colar. La temperatura del baño se toma con un pirómetro de inmersión: una medida puntual, intrusiva y poco frecuente, que además llega con retardo respecto al estado real del metal.
Con tan pocas lecturas, un modelo entrenado solo con datos apenas tiene de dónde aprender y acaba prediciendo valores cercanos a la media. El estudio presentado en ECML PKDD 2026 mide cuánto mejora la predicción cuando la red conoce, además, la ecuación de balance de energía del horno.
04. Un simulador contrastado con datos de planta
En una planta nunca se conoce la temperatura verdadera del baño en cada instante, así que resulta imposible separar el error del modelo del error del sensor. Por eso el equipo construyó un banco de pruebas sintético. El horno se representa como un único nodo térmico cuya masa de metal cambia con el tiempo.
La ecuación que gobierna el simulador
m(t)·cp·dT/dt = η·P(t) − kloss·(T(t) − Tamb(t)) + Qmix(t). A la izquierda, la energía que acumula el baño. A la derecha, la potencia aportada con su rendimiento, las pérdidas hacia el ambiente y el calor que se reparte al mezclarse el metal nuevo con el que ya había.
El simulador reproduce el control de potencia todo o nada, las pérdidas de calor, la extracción continua por colada, los rellenos de metal a intervalos irregulares y la mezcla térmica con retardo. A la señal de temperatura se le añaden ruido, retardo y muestreo disperso para que las redes vean lo mismo que entregaría un pirómetro.
Para comprobar que el banco se parece a la realidad, los autores compararon las distribuciones de temperatura, potencia y masa simuladas con las de un horno real mediante estimación de densidad por núcleos (KDE, Kernel Density Estimation). La temperatura simulada, centrada en torno a 1.400 °C, se solapa bien con la del pirómetro. La masa simulada sale algo más dispersa que la real.
05. Dos redes iguales, una de ellas con balance de energía
Se entrenaron dos modelos con cantidades crecientes de datos. El primero es una red LSTM (Long Short-Term Memory, una arquitectura recurrente pensada para series temporales) que aprende solo de las medidas. El segundo, LSTM–PINN, tiene la misma arquitectura y añade a su función de pérdida el residuo de la ecuación anterior: la red recibe una penalización cada vez que su predicción incumple el balance de energía. Al compartir arquitectura, cualquier diferencia entre ambas se debe a ese término físico.
El rendimiento se midió con el sMAPE (error porcentual absoluto medio simétrico, mejor cuanto más bajo) y con el coeficiente de determinación R², que es negativo cuando el modelo predice peor que la media de los datos.
Con 100 puntos de entrenamiento, las dos redes obtienen un sMAPE de 0,37, pero la LSTM se queda en un R² de −0,71 y predice alrededor del valor medio, mientras que la LSTM–PINN sube a −0,55 y recoge las tendencias de la temperatura. Con 5.000 puntos la ventaja desaparece: ambas marcan un sMAPE de 0,29 y un R² de 0,35 y 0,34.
El póster llevado a ECML PKDD 2026 incluye una prueba más. Los dos modelos, entrenados en el simulador, se aplicaron a datos de un horno real sin reentrenarlos. Ambos respondieron correctamente. La LSTM logró un error absoluto medio de 4,14 °C y un R² de 0,32, y la LSTM–PINN, 4,48 °C y 0,12. En ese ensayo, la red sin física fue ligeramente mejor.
06. Lo que el póster deja pendiente
La conclusión de los autores es que el aprendizaje informado por física ayuda sobre todo cuando escasean las medidas etiquetadas, y que con datos abundantes las dos redes rinden igual. Para una fundición, donde cada lectura con pirómetro de inmersión cuesta tiempo y consumibles, el caso habitual es el de pocos datos. Publicar también el ensayo en el que la variante con física queda por detrás responde a lo que pedía SOMI-2026: decir con cifras hasta dónde llega un método.
Tras ECML PKDD 2026, el equipo plantea cuatro líneas de trabajo:
- Probar los modelos con más ruido, más retardo, datos ausentes y deriva del proceso (concept drift).
- Identificar en línea los parámetros de pérdidas de calor y de rendimiento del calentamiento.
- Sustituir el peso heurístico del término físico por un entrenamiento autoadaptativo, en la línea de McClenny y Braga-Neto (2023).
- Trasladar la metodología, paso a paso, a datos reales de fundición.
Una versión anterior del estudio se mostró en julio en el congreso Entropy 2026, en Barcelona. La de ECML PKDD 2026 incorpora a Steven Van Vaerenbergh como coautor.
Hablemos de los datos que ya registra tu planta
Reunión de 30 minutos con el equipo de DDS para revisar qué variables mide tu proceso, con qué frecuencia y qué se puede predecir con ellas.
Contactar con DDSPreguntas frecuentes
¿Qué es ECML PKDD 2026?
Es la edición de 2026 de la European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases, el congreso europeo de aprendizaje automático y minería de datos. Se celebró en Nápoles del 7 al 11 de septiembre de 2026.
¿Qué es el taller SOMI-2026?
Systems Over Models: What Actually Works in Industry es un taller de ECML PKDD 2026 organizado desde la Universidad de Halmstad con investigadores de Oporto, Waikato y Osnabrück. Reúne trabajos sobre el despliegue de modelos de aprendizaje automático en condiciones industriales reales, incluidos los resultados negativos.
¿Quién firma el póster de Deduce Data Solutions en ECML PKDD 2026?
Fernando Moreno, Diego Tuccillo, Paula Monje y Steven Van Vaerenbergh. Lo presentó en Nápoles Fernando Moreno, doctorando y científico de datos en DDS.
¿Qué es una red neuronal informada por física?
Una red que, además de ajustarse a los datos, recibe una penalización cuando sus predicciones incumplen una ecuación conocida del proceso. En este trabajo, esa ecuación es el balance de energía del horno. El concepto lo formalizaron Raissi y colaboradores en 2019.
¿Cuándo compensa añadir la física al modelo?
Según los resultados del póster, cuando hay pocas medidas etiquetadas. Con 100 puntos de entrenamiento, la red con balance de energía recoge tendencias que la red convencional no ve. Con 5.000 puntos, las dos rinden igual.
Seguir leyendo: IA industrial en Entropy 2026: la investigación de DDS · Más noticias en el blog de DDS
