Speakers
Description
Este trabajo presenta un modelo de aprendizaje automático basado en Máquinas de Vectores de Soporte (SVM) para predecir el espesor de pared remanente en codos de alimentación de la planta Embalse. El modelo utiliza como variables de entrada el ángulo del primer codo, la velocidad del fluido y los años equivalentes a plena potencia (EFPY), excluyendo el segundo codo para evitar ambigüedad en el vector de entrada. Para cuantificar la incertidumbre de las predicciones, se aplicó una técnica de bootstrap con 1000 reentrenamientos, lo que permitió construir bandas de predicción del 95% y estimar intervalos de confianza para las curvas obtenidas. El modelo fue validado con división de entrenamiento y prueba, y evaluado por canal de alimentación. Los resultados se comparan con un modelo físico de base bayesiana, previamente ajustado, destacando las similitudes y diferencias en la tendencia de degradación esperada por EFPY. Se generaron gráficos para cada canal que muestran las mediciones reales, las curvas promedio predichas por SVM, los intervalos de confianza y predicción por bootstrap, y las curvas del modelo bayesiano. Este enfoque permite integrar el poder predictivo de modelos de machine learning con técnicas estadísticas robustas para la toma de decisiones en componentes sujetos a degradación en el tiempo.