Predicción de desempeño de una caldera de incineración de residuos sólidos mediante acoplamiento de simulaciones CFD con métodos de regresión
Cargando...
Autores
Director
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Las calderas de parrilla móvil son equipos clave en los procesos de conversión de residuos sólidos municipales en energía. Sin embargo, las metodologías existentes para predecir su desempeño dependen principalmente de datos experimentales, cuya obtención es costosa en tiempo y recursos. Este estudio propone una metodología alternativa basada en la generación de datos sintéticos mediante simulaciones CFD de baja, media y alta fidelidad, implementadas en OpenFOAM, para el entrenamiento de modelos de aprendizaje supervisado capaces de predecir la eficiencia térmica y las emisiones de CO₂. Los tres modelos CFD fueron validados frente a datos experimentales reportados en la literatura, y posteriormente se generaron 205, 60 y 20 simulaciones de baja, media y alta fidelidad, respectivamente. Se evaluaron cuatro algoritmos de regresión (GPR, RF, XGBoost y MLP) mediante validación cruzada combinatoria con optimización de hiperparámetros, comparando métricas de error y tiempos de entrenamiento. XGBoost fue seleccionado por presentar el mejor balance entre desempeño predictivo, costo computacional y capacidad de entrenamiento incremental. Posteriormente, se implementó una estrategia de entrenamiento multifidelidad jerárquico, en la cual el modelo se entrena secuencialmente con datos de baja y media fidelidad, y se valida con datos de alta fidelidad. Se analizaron múltiples proporciones de entrenamiento mediante rotación de subconjuntos estratificados, comparando con el entrenamiento exclusivo con datos de media fidelidad y con la mezcla directa (sin jerarquía) de fidelidades. Los resultados muestran que la incorporación jerárquica de fidelidades es preferible a su mezcla directa, pero que el entrenamiento exclusivo con datos de media fidelidad presentó el mejor desempeño, alcanzando valores promedio de R² de 0.957 para la eficiencia térmica y 0.469 para las emisiones de CO₂, frente a 0.940 y 0.341 de la mejor configuración multifidelidad jerárquica, y 0.576 y −3.536 de la mezcla directa. Estos resultados indican que los datos de baja fidelidad, generados mediante un modelo CFD bidimensional, presentan discrepancias distribucionales significativas respecto a fidelidades superiores, lo que limita su utilidad en estrategias multifidelidad. Asimismo, se evidencia que el uso jerarquizado de simulaciones de media y alta fidelidad constituye una alternativa viable que permite obtener resultados con índices de confiabilidad satisfactorios para la predicción de la eficiencia térmica. (Texto tomado de la fuente)
Abstract
Moving grate boilers are key equipment in municipal solid waste-to-energy conversion processes. However, existing methodologies for predicting their performance rely primarily on experimental data, which can be costly in terms of time and resources. This study proposes an alternative methodology based on the generation of synthetic data through low-, medium-, and high-fidelity CFD simulations, implemented in OpenFOAM, for training supervised learning models capable of predicting thermal efficiency and CO₂ emissions. The three CFD models were validated against experimental data reported in the literature, and subsequently 205, 60, and 20 simulations were generated at low, medium, and high fidelity, respectively. Four regression algorithms (GPR, RF, XGBoost, and MLP) were evaluated through combinatorial cross-validation with hyperparameter optimization, comparing error metrics and training times. XGBoost was selected for providing the best trade-off between predictive performance, computational cost, and incremental training capability. A hierarchical multi-fidelity training strategy was then implemented, in which the model is sequentially trained with low- and medium-fidelity data, and validated against high-fidelity data. Multiple training proportions were analyzed through stratified subset rotation, comparing against exclusive training with medium-fidelity data and direct mixing (without hierarchy) of fidelities. Results show that hierarchical incorporation of fidelities is preferable to direct mixing, but that exclusive training with medium-fidelity data yielded the best performance, achieving mean R² values of 0.957 for thermal efficiency and 0.469 for CO₂ emissions, compared to 0.940 and 0.341 for the best hierarchical multi-fidelity configuration, and 0.576 and −3.536 for direct mixing. These results indicate that low-fidelity data, generated from a two-dimensional CFD model, exhibit significant distributional discrepancies with respect to higher fidelities, limiting their usefulness in multi-fidelity strategies. Furthermore, it is evidenced that the hierarchical use of medium- and high-fidelity simulations constitutes a viable alternative that yields results with satisfactory reliability indices for the prediction of thermal efficiency.
Palabras clave propuestas
Descripción
ilustraciones principalmente a color, diagramas, tablas