Implementación De Una Solución Basada En Redes Neuronales Para La Optimización Del Proceso De Refinamiento De Aceite Para Una Empresa Pesquera

Abstract

La empresa “Pescamar” es una empresa pesquera líder en su sector, produciendo alimentos e ingredientes marinos de alta calidad, con un gran valor agregado y excelencia, lo cual les ha permitido convertirse en el primer productor y exportador de harina y aceite de pescado del mundo. Actualmente Pescamar cuenta con una planta que se encarga exclusivamente del refinamiento y concentración de aceite de pescado con alto contenido de Omega 3. El Omega 3 es un ácido graso esencial poliinsaturado (el organismo humano no los puede fabricar sino es a partir de otras sustancias), que se encuentran en alta proporción en los tejidos de ciertos pescados, frutos secos, aceites vegetales (tales como el aceite de canola y de girasol). Es por ello que Pescamar consciente de todos los beneficios que produce el Omega 3 (principalmente esto lo encontramos en productos farmacéuticos y nutracéuticos), le dedica mucho atención en el tratamiento y refinamiento del aceite de pescado para la obtención de nuevos aceites con altos contenidos de Omega 3. Ahora el proceso para la obtención de nuevos aceites (y que estos sean los esperados), suele ser muy complejo puesto que no existe una fórmula matemática que te diga que al someter el aceite de pescado a ciertas condiciones puedas obtener un tipo de aceite con cierta cantidad de EPA (ácido eicosapentaenoico) y DHA (ácido docosahexaenoico) deseada, siendo estos los más importantes ácidos grasos de la familia del Omega 3, mientras se obtenga mayor % de EPA y DHA el aceite de Omega 3 es más puro. Es por ello que de ahí proviene la propuesta solución y el proyecto que he realizado. Analizando el proceso que se realiza para el refinamiento del aceite verifique que el mismo es secuencial e iterativo, y que este toma demasiado tiempo y coste de recursos para poder obtener un aceite de Omega 3 deseado. Y esto es porque no se cuenta con una fórmula matemática que te diga que al someter un aceite a ciertas condiciones puedes obtener un aceite con una alta concentración de Omega 3 en la menor cantidad de pasos posibles, y sin esa información no podrán analizar todos los tipos de aceite de Omega 3 generados y los costes que implican producirlos, y por ende no se podrá aplicar una buena estrategia de venta de su producto a las demás industrias interesadas en el aceite de Omega 3. Esta problemática como tal es un proyecto de minería de datos, ya que se maneja grandes volúmenes de información, con esto me refiero a todas las posibilidades de aceites que se van a manejar para la elección de los aceites deseados. Ahora como tema central a analizar es el modelo matemático que se va a aplicar para la solución de la problemática planteada, en donde los algoritmos más cercanos para la solución de este tipo de problemas son los algoritmos predictivos (pues estos se basan principalmente en la extracción de patrones de datos históricos, y es con lo que contamos ahora sólo datos históricos) y entre los más importantes tenemos las redes neuronales, árboles de decisión y máquinas de vectores de soporte (SVMs), cada uno de estos dependiendo del proyecto te brinda un grado de error, por ello se deben analizar varios modelos para ver cuál de todos es el que te genera el menor porcentaje de error. Para este proyecto se escogió como algoritmo predictivo el perceptrón multicapa (es un tipo de algoritmo de redes neuronales), y como algoritmo de aprendizaje el backpropagation. Lo que se busca con este modelo es el poder predecir con un grado de exactitud (ya que cualquier algoritmo predictivo cuenta con un porcentaje de confiabilidad) el nuevo tipo de aceite generado basado en unas entradas (%EPA, %DHA, Temperatura y Tiempo). Finalmente a manera de reflejar los nuevos registros generados (ya que el algoritmo te va a generar esos nuevos tipos de aceites), se utilizó una herramienta reporteadora tal es el caso de QlikView).