Desarrollo y análisis comparativo de algoritmos de aprendizaje automático para la modelización predictiva de la...

Área de la Ciencia:

• Ciencia de los Materiales
• Ciencias Ambientales
• Ciencia de Datos

Sus antecedentes:

• La corrosión atmosférica representa una amenaza económica global para la infraestructura industrial.
• La falta de datos completos dificulta la comprensión de la corrosión en diversos climas y ubicaciones.
• La investigación tiene como objetivo evaluar los factores que influyen en la corrosión atmosférica y sus efectos en los materiales.

Objetivo del estudio:

• Desarrollar un conjunto de datos completo de corrosión atmosférica.
• Identificar los parámetros clave que influyen en las tasas de corrosión.
• Evaluar algoritmos de aprendizaje automático para la predicción de la corrosión.

Principales métodos:

• Recopilación y estandarización de datos de corrosión de diversos entornos y regiones.
• Aplicación de algoritmos de aprendizaje automático que incluyen regresión lineal, árboles de decisión y redes neuronales.
• Utilización de ingeniería de características y ajuste de hiperparámetros para optimizar el rendimiento del modelo.

Principales resultados:

• Los modelos de aprendizaje automático, especialmente los bosques aleatorios, demostraron una alta precisión en la predicción de las tasas de corrosión.
• La selección y personalización de características mejoraron significativamente las capacidades predictivas del modelo.
• Los métodos de conjunto mostraron un rendimiento superior en comparación con los modelos convencionales.

Conclusiones:

• El aprendizaje automático, en particular los métodos de conjunto como los bosques aleatorios, ofrece avances significativos en la predicción de la corrosión atmosférica.
• Este estudio establece una base para mejorar las estrategias de gestión y prevención de la corrosión.
• La integración de diversos conjuntos de datos y técnicas avanzadas de aprendizaje automático es crucial para la investigación futura.