Un equipo de investigación de la Universidad de Cádiz ha aplicado dos herramientas diferentes de inteligencia artificial para comparar la precisión en el proceso de control de calidad de la gasolina y clasificarla en función de su capacidad de autocombustión. En concreto, se ha usado una ‘nariz electrónica’, diseñada por este mismo equipo de expertos para detectar restos de líquidos inflamables en un incendio, e infrarrojos para discriminar entre los dos tipos de gasolina más comercializadas.
Este avance permitirá a la industria disponer de información actualizada, precisa y en tiempo real de la composición de este hidrocarburo. El trabajo se ha realizado con fondos de la Consejería de Transformación Económica, Industria, Conocimiento y Universidades, recursos propios de la Universidad de Cádiz y del Instituto de Investigación Vitivinícola y Agroalimentario (IVAGRO), así como con apoyo de FEDER.
Los investigadores han trabajado con dos métodos analíticos basados en la identificación de patrones en datos masivos y elaboración de predicciones, lo que se conoce como ‘machine learning’. Los han aplicado por separado y de forma conjunta. Así, han analizado la utilidad de ambos métodos en dos procesos diferentes, uno basado en algoritmos -instrucciones que procesan datos- y otro obteniendo mediciones químicas de gasolina. Asimismo, también han evaluado la eficacia de su combinación para discriminar y clasificar muestras de hidrocarburos.
Mientras la ‘nariz electrónica’ ofrece datos sobre el perfil volátil de las muestras, las técnicas espectroscópicas se centran en analizar los compuestos no volátiles. La unión de la información de ambas metodologías se usa para generar modelos predictivos que permiten discriminar y clasificar muestras de gasolina en función de su octanaje. «Esta combinación supone una alternativa real para automatizar el proceso del control de calidad de este derivado del petróleo, que actualmente depende de la experiencia del analista que realiza este trabajo», ha explicado la investigadora de la Universidad de Cádiz, Marta Barea, responsable de este trabajo.
Al proporcionar información concreta, las aplicaciones de esta nueva metodología en la industria petroquímica contribuyen en gran medida a optimizar los procesos de calidad, así como en otros ámbitos. «Con estos datos, las refinerías dispondrán de sistemas de gestión de calidad rápidos, en el momento y con un nivel de detalle muy preciso«, ha añadido.
También es de gran utilidad en el ámbito de la química forense si, por ejemplo, se produce un incendio y es necesario determinar qué líquido inflamable lo ha originado y desde ahí seguir indicios hasta localizar su origen.
Los modelos de identificación generados en este estudio pueden usarse para la creación de aplicaciones web para ordenadores, tablet y móviles y facilitar la automatización de los procesos de calidad de este derivado del petróleo.
Medición del octanaje
Para obtener estos resultados, el equipo de investigación usó los datos de un total de 50 muestras de gasolina de 95 y 98 octanos, que analizó mediante estas dos técnicas. Primero se entrenó al modelo, dándole a conocer el conjunto de toda la información a la que puede acceder. Con el fin de comprobar si también era capaz de interpretar nuevas muestras, se incluyeron otros datos desconocidos para el modelo.
Como conclusión, los expertos han obtenido buenos rendimientos en ambos algoritmos, permitiendo clasificar y determinar las muestras correctamente. No obstante, han observado que la ‘nariz electrónica’ proporciona información más precisa de la gasolina según su octanaje debido a la clasificación de los compuestos volátiles.
