Caracterización de polímeros mediante redes neuronales artificiales

Abstract

En la presente Tesis Doctoral se aborda la predicción de variables químicas fundamentales de diversos grupos de polímeros mediante Inteligencia Artificial, en concreto mediante Redes Neuronales Artificiales (ANN). Estas ANN que se podrían definir como "un sistema para el tratamiento de información cuya unidad básica de procesado está inspirada en la célula fundamental del sistema nervioso humano, la neurona (González Bosque). Como resultado del trabajo investigador del autor se han llegado a la siguiente serie de conclusiones: - Los resultados obtenidos en esta Tesis Doctoral invitan a la utilización de este tipo de modelos para la derminación de distintos parámetros, relacionados con variables fundamentales o constitutivas de los polímeros, como pueden ser el parámetro de solubilidad, el índice de refracción, la temperatura de transición vítrea o las condiciones ideales de copolimerización para un determinado polímero. - Después de todas las implementaciones neuronales desarrolladas para cada uno de los capítulos de la presente Tesis Doctoral, se ha podido constatar que, como se afirma en numerosas bibliografía y en las fuentes externas consultadas, las Redes Neuronales de tipo Back propagation son las que mejor ajustan. Así mismo, también se ha podido constatar que la función de activación de tipo Sigmodal y la función de propagación de tipo Sumador son las que mejor resultado proporcionan. - Se ha podido constatar la inexistencia de outlaiers en todos los trabajos realizados en la presente memoria, en contraposición con otros métodos de simulación desarrollados en la bibliografía. - Debemos hacer especial hincapié en la estructura de los polímeros utilizados en la presente Tesis Doctoral los cuales presentan estructuras poco complejas con grupos funcionales sencillos, lo que puede facilitar el cálculo de las propiedades buscadas. - Por convienio, las Redes Neuronales implementadas suelen cubrir un grupo de datos sobre los que han sido entrenadas previamente, sin embargo, en el Capítulo V además de implementar una Red Neuronal para determinar la temperatura de transición vítrea, se ha podido comprobar que era posible extrapolar ese "aprendizaje" a una serie de compuestos distintos a los entrenados (polímeros de acrilato) como fueron los polímeros de estireno. - A pesar de los buenos resultados obtenidos en la presente memoria, y en todos los modelos realizados paralelamente, se recomienda optimizar las distintas Redes Neuronales implementadas según nuevos casos experimentales para, por un lado dotar a las Redes Neuronales de un mayor poder de generalización y por otro permitir su uso en un rango más amplio de polímeros.