Mondragon Innovation | Humanity at work – Machine Learningaren bitartez polimeroen Creep moduluen aurreikuspenak egitea
Mondragon Innovation | Humanity at work
Sektorea: Industria
Negozio-kasua
Etengabeko karga jasaten duten polimeroek zurruntasuna galtzen dute denborarekin Creeparen ondorioz. Fenomeno hau neurtzeko entseguak oso luzeak eta garestiak dira; beraz, industriak teknika alternatiboak behar ditu. Datu-basea lortu ondoren, Creepen aurreikuspenerako Machine Learningak duen erabilgarritasuna aztertu dugu.
Helburuak
Creepen moduluen balioak epe luzera eta ahalik eta zehaztasun handienarekin aurreikustea, entseguen denborak murriztuz. Horrez gain, interpretatu eta orokortu daitezkeen ereduak lortzea eta fenomenoan eraginik handiena duten parametroak zein diren ulertzea.
Erabilera-kasua
Lehenik eta behin, 450 polimero baino gehiagok eta Creepen 5.000 kurba baino gehiagok osatutako datu-basea deskargatzea, garbitzea eta eraikitzea. Ondoren, goranzko konplexutasuna duten atzerapen-ereduak fitteatu eta baliozkotzea, Gradient Boostingen ereduekin (LightGBM) ahalik eta aurreikuspenik onenak lortzeko.
Azpiegitura
On Premise
Erabilitako teknologiak
Ikaskuntza Automatikoa edo Sakona
Erabilitako datuak
Taula formatuko dataseta, campusplastics.com datu-base libre eta doakotik aterata.
Erabilitako baliabideak
Proiektua 5 ikerlari baino gehiagoko ikerketa-ildo batetik abiatu da. Datu-basearen deskarga azpikontratatu egin da; aldiz, gainerako zereginetarako, ikerlari bat egon da 2-3 hilabetez lanaldi osoan eta Mondragon Unibertsitateko aditu batek lagundu dio (40 ordu).
Zailtasunak eta ikaskuntza
Alde batetik, datu-base osoa, zailtasunik gabea eta askotarikoa (adierazgarria) lortzeko zailtasuna. Bestalde, aurreikuspenetan konfiantza izateko zailtasuna, hau da, ereduen aurreikuspen-gaitasuna modu errealistan estimatzekoa. Gainera, lanaren antolaketa eta esperimentuak erregistratzea funtsezkoa izan da.
KPIak (negozioan duen inpaktua eta ereduaren metrikak)
Ereduen zehaztapena kuantifikatzeko eta alderatzeko, zehaztapen-koefizientearen scorea erabiltzen dugu (R²). Orokortze-gaitasuna ahalik eta modurik errealistenean neurtzeko, baliozkotze gurutzatu habiaratua erabiltzen dugu (Nested/Double CV), splittinga egiteko materialen informatikako jarduketa onak jarraituz.
Finantzaketa
Mondragon Unibertsitatearekin dagoen lankidetza finantzatzeko Mondragon Finantzazioa.
Kolaboratzaileak
Carlos Cernuda (Mondragon Unibertsitatea)
