Optimización de procesos químicos industriales usando algoritmos de aprendizaje automático: caso de estudios en reacciones catalíticas
Palabras clave:
Aprendizaje automático, procesos químicos, catálisis, inteligencia artificial, optimización industrialResumen
La presente revisión bibliográfica tiene como objetivo analizar el uso de algoritmos de aprendizaje automático (AA) en la optimización de procesos químicos industriales, con énfasis en aplicaciones sobre reacciones catalíticas. La transformación digital de la industria química en América Latina exige nuevas herramientas que permitan mejorar la eficiencia, la selectividad y la sostenibilidad de los procesos productivos. En este contexto, el aprendizaje automático se presenta como una solución innovadora y adaptable, capaz de modelar y predecir comportamientos complejos en condiciones variables. A través de la recopilación y análisis de literatura científica publicada hasta 2024, se identificaron múltiples estudios latinoamericanos que aplican modelos como redes neuronales, máquinas de soporte vectorial y bosques aleatorios para optimizar variables clave en procesos catalíticos. Los resultados evidencian mejoras significativas en la conversión de reactivos, la reducción de residuos y el consumo energético. Sin embargo, también se identifican desafíos importantes, como la disponibilidad de datos de calidad, la escasa vinculación con la industria y la falta de modelos interpretables para facilitar su implementación. Se concluye que el uso de AA en procesos catalíticos industriales representa una oportunidad estratégica para el desarrollo sostenible en la región. Se recomienda fortalecer la colaboración entre academia e industria, promover la formación técnica en ciencia de datos aplicada a la química y desarrollar casos piloto que permitan validar los modelos en entornos reales
Referencias
Acosta‑López, J. G., & de Lasa, H. (2024). Artificial Intelligence for Hybrid Modeling in Fluid Catalytic Cracking (FCC). Processes, 12(1), 61. https://doi.org/10.3390/pr12010061
Cuevas‑García, R. (2020). Obtención y análisis de expresiones de cinética química: II. Optimización y evaluación de parámetros cinéticos para catalizadores. Mundo Nano. Revista Interdisciplinaria en Nanociencias y Nanotecnología, 14(26), 1–25. https://doi.org/10.22201/ceiich.24485691e.2021.26.69639
Martínez, T., Lavado Romero, L. S., Rodríguez, D. E., & Amaya, J. (2025). A Review for the Design and Optimization of Catalysts: The Use of Statistics as a Powerful Tool for Literature Analysis. Chemistry, 7(3), 74. https://doi.org/10.3390/chemistry7030074
Sampaio, P. S., & Fernandes, P. (2023). Machine Learning: A Suitable Method for Biocatalysis. Catalysts, 13(6), 961. https://doi.org/10.3390/catal13060961
Hernández‑Sánchez, et al. (2024). Accelerating operation optimization of complex chemical processes: A novel framework integrating artificial neural network and mixed‑integer linear programming. Chemical Engineering Journal, 481, 148421. https://doi.org/10.1016/j.cej.2023.148421
Beltrán Caicedo, P. P., & Borja, L. F. (2022). Algoritmos de inteligencia artificial para optimización de procesos en la industria plástica. Ciencia Latina Revista Científica Multidisciplinar, 6(1), 1205–1222. https://doi.org/10.37811/cl_rcm.v6i1.1570
Hernández‑Palma, H. G., Plaza Alvarado, J. R., García Guiliany, J. E., Dotto, G. L., & Ramos, C. G. (2024). Implications of Machine Learning in the Generation of Renewable Energies in Latin America from a Globalized Vision: A Systematic Review. International Journal of Energy Economics and Policy, 14(2), 1–10. https://doi.org/10.32479/ijeep.15301
Menez Aspera, S., Valadez Huerta, G., Namba, Y., Hisama, K., & Koyama, M. (2024). Machine Learning in Catalysis: Analysis and Prediction of CO Adsorption on Multi‑elemental Nanoparticle using Metal Coordination‑based Regression Model. Journal of Computer Chemistry (Japan), 23(1), 19–23. https://doi.org/10.2477/jccj.2024-0006
Pérez Marroquín, R. D. (2024). Automatización de Procesos y Eficiencia Operativa mediante Inteligencia Artificial en la Administración. Business Innova Sciences. https://doi.org/10.5281/zenodo.13308399
Reyes Sánchez, C. E., & Castillo Castillo, P. F. (2024). Optimización de procesos industriales mediante sistemas de inteligencia artificial: un enfoque basado en aprendizaje profundo. Ibero‑American Journal of Engineering & Technology Studies, 4(2), Art. 649. https://doi.org/10.56183/iberotecs.v4i2.649
Romero, J. L. (2024, noviembre 21). El Process Mining y la IA aceleran la optimización de procesos en la región. ITahora. Recuperado de https://itahora.com/2024/11/21/el-process-mining-y-la-ia-aceleran-la-optimizacion-de-procesos-en-la-region/ Modestino, M. A. (2025). Aplicaciones de inteligencia artificial para optimización de procesos químicos mediante electrocatálisis renovable. (Ver perfil de investigador venezolano nacido en 1980s)
Litter, M. I., Armienta Hernández, M. A., Villanueva‑Estrada, R. E., Villaamil Lepori, E. C., & Olmos, V. (2023). Fotocatálisis heterogénea aplicada a remoción de contaminantes: avances recientes con modelado experimental‑computacional.
Ramos Torres, A., & Montoya, L. N. (2024). AI Thrust: Ranking Emerging Powers for Tech Startup Investment in Latin America.
Beltrán Caicedo, P. P., & Borja, L. F. (2022). Algoritmos de inteligencia artificial para optimización de procesos en la industria plástica. Ciencia Latina Revista Científica Multidisciplinar, 6(1), 1205–1222. https://doi.org/10.37811/cl_rcm.v6i1.1570
Hernández‑Sánchez, et al. (2024). Accelerating operation optimization of complex chemical processes: A novel framework integrating artificial neural network and mixed‑integer linear programming. Chemical Engineering Journal, 481, 148421. https://doi.org/10.1016/j.cej.2023.148421
Martínez Zecua, M. Y., Salamanca Vázquez, L. A., Flores Pulido, L., Portilla Flores, E. A., & Ortíz Arroyo, A. (2019). Evolución diferencial para la optimización global de procesos de ingeniería química. Research in Computing Science, 148(8), 27‑39. https://doi.org/10.13053/rcs-148-8-2
Menez Aspera, S., Valadez Huerta, G., Namba, Y., Hisama, K., & Koyama, M. (2024). Machine learning in catalysis: Analysis and prediction of CO adsorption on multi‑elemental nanoparticle using metal coordination‑based regression model. Journal of Computer Chemistry (Japan), 23(1), 19–23. https://doi.org/10.2477/jccj.2024-0006
Reyes Sánchez, C. E., & Castillo Castillo, P. F. (2024). Optimización de procesos industriales mediante sistemas de inteligencia artificial: un enfoque basado en aprendizaje profundo. Ibero‑American Journal of Engineering & Technology Studies, 4(2), Art. 649. https://doi.org/10.56183/iberotecs.v4i2.649
Acosta-Angulo, B., Pérez‑Lara, D., & Gómez‑Torres, M. (2024). Interpretable machine learning framework for catalyst performance. Applied Catalysis B: Environmental. https://doi.org/10.1016/j.apcatb.2023.123454
Garcia‑Ceja, E., Hugo, Å., Morin, B., Hansen, P.‑O., Martinsen, E., Lam, A. N., & Haugen, Ø. (2020). Towards the Automation of a Chemical Sulphonation Process with Machine Learning. arXiv. Retrieved from https://arxiv.org/abs/2009.12125
Slattery, A., et al. (2023). Automated self‑optimization, intensification, and scale-up of photochemical processes. Science. https://doi.org/10.1126/science.adj1817
Accelerated Chemical Reaction Optimization Using Multi-Task Learning. (2023). ACS Central Science. https://doi.org/10.1021/acscentsci.3c00050
Machine Learning Uncovers Analytical Kinetic Models of Bioprocesses. (2024). Chemical Engineering Science. https://doi.org/10.1016/j.ces.2024.120606
Machine Learning Algorithm Guides Catalyst Choices for Selective C–H Borylation. (2024). Angewandte Chemie International Edition. https://doi.org/10.1002/anie.202318487
Emerging trends in the optimization of organic synthesis through automation and machine learning. (2025). Beilstein Journal of Organic Chemistry, 21, 10–38. https://doi.org/10.3762/bjoc.21.3
Multi-objective optimization of mixed variables for self-optimized chemical reactions using MVMOO. (2022). Chemical Engineering Journal. https://doi.org/10.1016/j.cej.2022.138443
Beltrán Caicedo, P. P., & Borja, L. F. (2022). Algoritmos de inteligencia artificial para optimización de procesos en la industria plástica. Ciencia Latina Revista Científica Multidisciplinar, 6(1), 1205–1222. https://doi.org/10.37811/cl_rcm.v6i1.1570
Hernández‑Palma, H. G., Plaza Alvarado, J. R., García Guiliany, J. E., Dotto, G. L., & Ramos, C. G. (2024). Implications of Machine Learning in the Generation of Renewable Energies in Latin America from a Globalized Vision: A Systematic Review. International Journal of Energy Economics and Policy, 14(2), 1–10. https://doi.org/10.32479/ijeep.15301
Menez Aspera, S., Valadez Huerta, G., Namba, Y., Hisama, K., & Koyama, M. (2024). Machine Learning in Catalysis: Analysis and Prediction of CO Adsorption on Multi-elemental Nanoparticle using Metal Coordination‑based Regression Model. Journal of Computer Chemistry (Japan), 23(1), 19–23. https://doi.org/10.2477/jccj.2024-0006
Reyes Sánchez, C. E., & Castillo Castillo, P. F. (2024). Optimización de procesos industriales mediante sistemas de inteligencia artificial: un enfoque basado en aprendizaje profundo. Ibero‑American Journal of Engineering & Technology Studies, 4(2), Art. 649. https://doi.org/10.56183/iberotecs.v4i2.649
Slattery, A., et al. (2023). Automated self‑optimization, intensification, and scale‑up of photochemical processes. Science. https://doi.org/10.1126/science.adj1817
Multiple authors (2022). Multi-objective optimization of mixed variables for self-optimized chemical reactions using MVMOO. Chemical Engineering Journal. https://doi.org/10.1016/j.cej.2022.138443
recursos generales sobre catalysis y ML: Schlexer Lamoureux, P. (2019). Machine Learning for Computational Heterogeneous Catalysis. ChemCatChem, 11(16), 3581–3601. https://doi.org/10.1002/cctc.201900595
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Roger Audes Baltazar Flores, Manuel Enrique Neciosup Prieto (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
