Comparteix:

MadeAI Conference 2024: Modelling, Data Analytics and AI in Engineering

15/07/2024

Jordi Vives Pons, Toni Dorado i Marta Tarrés van participar en el congrés internacional MadeAI Conference 2024: Modelling, Data Analytics and AI in Engineering celebrat del 2 al 5 de Juliol a Oporto, Portugal.

15/07/2024

En l'actual panorama de ciència i tecnologia en ràpida evolució, la modelització, l'anàlisi de dades i la intel·ligència artificial (IA) transformen les estratègies de resolució de problemes en sectors com l'aeroespacial, l'automoció, la química, la construcció, l'energia, la sanitat, els materials i el transport, impulsant la innovació. Tot i això, aquestes disciplines sovint s'estudien de manera aïllada, mancant col·laboració interdisciplinària. Per desbloquejar el seu ple potencial, és crucial una integració amb un enfocament holístic de sistemes. MadeAI va reunir investigadors i líders industrials per explorar la fusió de la modelització, l'anàlisi de dades i la IA en l'enginyeria, fomentant la recerca i la innovació en aquests àmbits.

Jordi Vives Pons, Toni Dorado i Marta Tarrés van presentar els resultats de recerca IA en l'àmbit de bioprocessos en la indústria química amb el seu treball "Harnessing Color: Predicting Copper Recovery in Bioleaching Processes with RGB Measurement", amb el següent enfoc de manera resumida:

Els residus electrònics, comunament coneguts com a e-waste, es caracteritzen per contenir metalls valuosos, especialment coure. El biolixiviat, un mètode establert per a la recuperació de metalls, explota les capacitats dels microorganismes per extreure metalls d'una manera ambientalment sostenible. Aquest estudi presenta un enfocament innovador per predir la recuperació de coure utilitzant valors RGB capturats mitjançant un sensor de color. Mitjançant l'aplicació de tècniques d'aprenentatge automàtic, es desenvolupa un model predictiu per pronosticar la recuperació de coure basant-se en les dades de color recollides al llarg de la solució del procés de biolixiviat. El model és entrenat i validat utilitzant un conjunt de dades de valors RGB i pH. La investigació explora diversos algoritmes de regressió per predir els valors de recuperació de coure, identificant finalment els models de Regressió Random Forest Regression i de Gradient Boosting Machine com els més efectius. Aquesta troballa significativa, combinada amb l'adquisició de dades en temps real, obre el camí per al desenvolupament futur d'un bessó digital per a la indústria del biolixiviat, permetent accions de control precises i mesures correctives sense interrompre la biomassa implicada. En conclusió, aquesta recerca subratlla l'anàlisi de dades RGB com un enfocament pràctic i eficient per avaluar el contingut de coure en processos de biolixiviat i prendre decisions en cas de desviació del comportament òptim.

Aquesta recerca ha estat possible gràcies al projecte de l'Agència Estatal de Recerca d'Espanya, Ref. PID2020-117520RA-I00/AEI/10.13039/501100011033, i pel grup de recerca RIIS de la UPC sota la subvenció AGAUR SGR-CAT 2021.