Un sistema automatizado de rutado de canalizaciones basado en aprendizaje automático y programación matemática

En la actualidad existe una gran cantidad de situaciones prácticas en las que es necesario diseñar redes de forma óptima.

Investigador principal

Justo Puerto Albandoz

Sede

US

Tecnología

Machine learning

Sector

2

Agentes agregados

Ghenova Ingeniería

Resumen de la propuesta

En la actualidad existe una gran cantidad de situaciones prácticas en las que es necesario diseñar redes de forma óptima. El problema que motiva este proyecto surge del trazado de canalizaciones en ingeniería naval, aunque tiene aplicabilidad directa en otras situaciones como en el uso de infraestructuras inteligentes. En este proyecto, proponemos desarrollar una metodología de diseño automatizado de redes complejas basada en la descomposición de problemas de flujo multicomodidad en flujos secuenciales separables evitando los problemas de constructibilidad basados en algoritmos de aprendizaje automático. Esta metodología dará lugar a un prototipo que se validará en el entorno real del agente colaborador.

Objetivo del proyecto

Este proyecto persigue mejorar las reglas de diseño y restricciones de trazado de alto nivel de redes complejas que involucran diversos servicios independientes que deben competir por espacios de trazado escasos y respetando la compatibilidad y fabricabilidad de los elementos diseñados y trazados.

Se pretende crear herramientas que se puedan integrar en las plataformas de los diseñadores y que aceleren la generación de los datos de entrada, para poder generar los escenarios y los diagramas funcionales inteligentes de forma rápida y con opciones de poder ser modificados para absorber los cambios que se producen en las condiciones de contorno del diseño en un proyecto real. El banco de pruebas real se realizará sobre el trazado de canalizaciones en grandes buques en los que el agente colaborador es líder a nivel mundial.
 
Este proceso se va a desarrollar adaptando modelos de flujo multicomodidad modificados para incluir especificaciones de diseño. Además, incorporaremos mecanismos de aprendizaje automático sobre los parámetros que guían los procesos de optimización y sobre los parámetros de separabilidad secuencial que propondremos.

Resultados esperados e indicadores

Se espera integrar al graduado contratado con cargo al proyecto en el grupo de investigación de los miembros de la US (FQM-331) y en el futuro proyecto del plan nacional de investigación que se solicitará en 2020. Asimismo, esperamos cerrar un nuevo contrato de transferencia avalado por los resultados de esta investigación. Los resultados metodológicos se presentarán en congresos nacionales e internacionales. Prevemos asistir a 3 congreso nacionales y 4 internacionales en los 21 meses de duración del proyecto.

Los resultados de las tareas 3, 4, 5, 6 y 7 podrán dar lugar a publicaciones científicas en revistas indexadas en JCR.  Por la temática de estas tareas esperamos producir y publicar entre 3 y 4 artículos con este material.

Es esperable que el personal contratado con cargo al proyecto pueda desarrollar una tesis doctoral basada en los resultados del mismo.

Indicadores (esperados hasta el 31/12/2021)
    Nuevo personal investigador (equivalente anual):  1
    Patentes:  
    Nº contratos transferencia: 1
    Congresos:  3 nacionales y 4 internacionales
    Publicaciones indexadas:   3-4 publicaciones en JCR.
    Tesis doctorales:  1.

Justificación potencial impacto tecnológico del proyecto (TRL)

El proyecto que se presenta cubre diferentes fases de “Technology Readiness Level” (TRL). La tarea 1 analiza la situación de partida y por tanto cubre la fase TRL 1. Posteriormente en las tareas 2, 3, 5 y 6 desarrollamos conceptos tecnológicos y los validamos con pruebas experimentales y en escenarios generados en la tarea 2 cubriendo por tanto los niveles de TRL 2, 3, 4 y 5.

Finalmente, en la tarea 8 se aborda la integración de las soluciones desarrolladas en las plataformas informáticas del agente colaborador para su validación en un entorno operacional real (TRL 7).

Avances

Generación de escenarios.

Dada la necesidad de contar con escenarios de prueba para analizar de forma pormenorizada nuestra propuesta, hemos creado una librería propia para generar instancias realistas donde realizar experimentos de evaluación de los procedimientos desarrollados. Se han diseñado estrategias para generar escenarios con diversos parámetros: tamaño de la instancia/densidad (en ejes x, y y z), número de obstáculos/vigas, tipología de los obstáculos y situación (prismas). Esto ha dado lugar a una batería de instancias de distinta naturaleza y tamaño suficientes para chequear los desarrollos realizados.

Modelos matemáticos para los problemas de flujo multicomodidad. Adaptación al problema de diseño de redes para diversos servicios.

Se ha modelado el problema básico de rutado como un problema de flujo multicomodidad dando lugar a un problema de programación lineal entera de grandes dimensiones (tantas como aristas del grafo). La solución de este problema daría lugar a un trazado para todos los servicios en el que dos servicios no hacen uso de una arista del grafo, y por tanto evitando colisiones entre canalizaciones. Este problema se había venido resolviendo de forma independiente para cada servicio, y resolviendo los posibles problemas de “intersección” de tuberías de forma heurística. En esta fase hemos implementado el modelo exacto en Python usando el solver de optimización Gurobi para resolver el problema de programación lineal y entera. El solver es capaz de resolver en tiempos razonables instancias de tamaño medio, lo que justifica el uso de esta metodología como base del análisis completo del problema (en el que como se ve en la Tarea 4, supone considerar más factores en el diseño y que complican considerablemente el problema).

CEI_22