Machine Learning Applications

Modelos que respetan la física, desplegados en vivoPhysics-respecting models, deployed live

Dos problemas reales de planta resueltos de punta a punta: datos generados con simuladores físicos, verificación de la fenomenología, entrenamiento y validación, exportación del modelo y una demo que corre en el navegador.Two real plant problems solved end to end: data from physics simulators, phenomenology checks, training and validation, model export, and a demo that runs in the browser.

Pythonscikit-learngradient boostingsoft sensorsgray-box modelswave equationJavaScriptthree.jsoil & gasfood processing

ProyectosProjects

Simulador de bombeo mecánico con el diagnóstico de machine learning en vivo

Oil & gas · producciónproduction

Diagnóstico automático de cartas dinamométricasAutomatic dynamometer-card diagnosis

Clasifica cada carta de fondo de un pozo con bombeo mecánico en 7 condiciones (golpe de fluido, gas, fugas en válvulas, varilla cortada, golpe abajo) y entrega la probabilidad. Las cartas dudosas van a revisión humana.Classifies each downhole card of a sucker-rod pumped well into 7 conditions (fluid pound, gas interference, valve leaks, parted rods, pump tagging) with probabilities. Uncertain cards go to human review.

98,7 %exactitud en pruebatest accuracy

96,7 %en pozos fuera de rangoon out-of-range wells

50 %reglas de ingeniero (base)engineer rules (baseline)

La carta de superficie solo logra el 34 % fuera de rango: los datos confirman por qué la industria diagnostica con la carta de fondo.
The surface card only reaches 34 % out of range: the data confirms why the industry diagnoses with the downhole card.
2800 cartas de un simulador con ecuación de onda y bomba con válvulas; cada etiqueta se valida con su física.
2,800 cards from a wave-equation simulator with a valve-level pump model; every label is physics-checked.

Pedir una demoRequest a demo → Notebook README

Evaporador de jugo con el sensor virtual de machine learning en vivo

Alimentos · jugo concentradoFood · juice concentrate

Sensor virtual de °Brix, HMF y colorSoft sensor for °Brix, HMF and colour

Estima cada minuto la calidad del concentrado de manzana en un evaporador de 5 efectos con los instrumentos que la planta ya tiene. Sirve de respaldo del refractómetro y anticipa los problemas de calidad horas antes que el laboratorio.Estimates apple-concentrate quality every minute in a 5-effect evaporator using existing plant instruments. Backs up the refractometer and flags quality issues hours before the lab.

1,34°Brix de error en un ensayo no visto (ingenuo: 6,45)°Brix error on an unseen step test (naive: 6.45)

R² 0,93HMF con 120 análisis de laboratorioHMF from 120 lab samples

0,162constante cinética recuperada (real 0,18)kinetic constant recovered (true 0.18)

Modelo de caja gris (Arrhenius × tiempo de residencia): con 20 análisis rinde más que un gradient boosting con 120.
Gray-box model (Arrhenius × residence time): with 20 lab samples it beats a gradient-boosting model trained on 120.
El modelo de °Brix se elige por validación cruzada solo entre los que pasan las pruebas físicas.
The °Brix model is selected by cross-validation only among models that pass physics tests.

Pedir una demoRequest a demo → Notebook README

Decisiones de ingenieríaEngineering decisions

La física primeroPhysics first

Rasgos derivados de la física (elevación del punto de ebullición, balances, Arrhenius, carga de fluido) y restricciones de signo y monotonía: los modelos no pueden aprender relaciones imposibles.Physics-derived features (boiling-point elevation, balances, Arrhenius, fluid load) plus sign and monotonic constraints: models cannot learn impossible relationships.

Validación honestaHonest validation

Partición por pozo y por tiempo, pozos fuera de rango, ensayos en planta para salir del lazo cerrado y comparación contra líneas base simples antes de agregar complejidad.Split by well and by time, out-of-range wells, plant step tests to escape closed-loop data, and simple baselines before adding complexity.

Los chequeos encuentran erroresChecks catch bugs

Las pruebas de fenomenología detectaron tres errores en los propios simuladores (una fuga que "aumentaba" la producción, °Brix que bajaba entre efectos, una cadena de energía con dos soluciones), y se corrigieron antes de entrenar.Phenomenology tests caught three bugs in the simulators themselves (a leak that "increased" production, °Brix falling between effects, a two-root energy chain), fixed before training.

Del dato al despliegueFrom data to deployment

1 · Problema y KPIProblem & KPIQué decisión mejora y cuánto cuesta equivocarse.Which decision improves and the cost of errors.

2 · Datos con físicaPhysics dataHistoriador, laboratorio y ensayos; aquí, simuladores validados.Historian, lab and step tests; here, validated simulators.

3 · Modelos y validaciónModels & validationLínea base, validación cruzada agrupada y pruebas físicas.Baselines, grouped CV and physics tests.

4 · Despliegue y monitoreoDeploy & monitorExportado y verificado bit a bit, umbrales de confianza y control de residuos.Exported and bit-exact verified, confidence thresholds and residual monitoring.