Deep Learning con Aplicaciones en Ingeniería

Al finalizar el curso los asistentes estarán en capacidad de:

• Comprender los fundamentos del Aprendizaje Profundo y su integración en el modelado dinámico de procesos (DPM) y la Identificación de Sistemas (SysID).

• Diseñar y entrenar arquitecturas complejas de aprendizaje profundo (FFNN-NARX, LSTM y CNN) para el procesamiento eficiente de series temporales y datos de imágenes industriales.

• Diseñar e implementar algoritmos de Aprendizaje por Refuerzo (RL) para el control y la optimización de operaciones unitarias y biorreactores, comparando su desempeño frente al de las estrategias de control tradicional.

Al finalizar el curso el asistente:

• Construye y afina redes neuronales profundas desde sus cimientos, ajustando hiperparámetros y optimizadores para asegurar la convergencia.
• Pre-procesa adecuadamente datos industriales temporales y espaciales (imágenes), aplicando técnicas de remoción de ruido, escalado y tratamiento de valores atípicos.
• Implementa Redes Neuronales Convolucionales (CNN) para extraer patrones visuales en procesos, como la caracterización de cristales o el monitoreo térmico.
• Formula problemas de control de procesos bajo el paradigma de Aprendizaje por Refuerzo, definiendo el entorno, el agente, los estados y las funciones de recompensa.

Semana 1: Fundamentos Estructurales de Deep Learning

• Repaso de redes neuronales artificiales (ANN): Perceptrán multicapa, propagación hacia adelante (forward propagation) y hacia atrás (backpropagation).

• Funciones de activaci.n (ReLU, Sigmoid, Tanh) y su impacto en el desvanecimiento del gradiente.

• Entrenamiento y optimización: Descenso de gradiente, optimizadores adaptativos (Adam, RMSprop) y regularización (Dropout, L2).

• Evaluación de modelos: Función de pérdida (loss function), métricas de desempeño, y el problema del sobreajuste (overfitting) vs subajuste (underfitting).

Semana 2: Modelado Dinámico de Procesos y Redes NARX

• Introducción al modelado din.mico de procesos (DPM) y al flujo de trabajo de Identificación de Sistemas (SysID).

• Naturaleza de los datos industriales: manejo de ruido de proceso, ruido de medición, diferenciación y remoción de derivas (drifts).

• Introducción a las redes NARX (Nonlinear Autoregressive with eXogenous inputs).

• Modelado profundo de operaciones unitarias usando FFNN-NARX para la creación de Soft Sensors.

Semana 3: Secuencias Temporales y Dinámicas Complejas con LSTM

• Limitaciones de las redes tradicionales ante dependencias temporales largas.

• Redes Neuronales Recurrentes (RNN) y la arquitectura de Memoria a Corto y Largo Plazo (LSTM).

• Preparación de datos secuenciales y tensores tridimensionales para entrenamiento.

Semana 4: Visión Artificial en la Industria (CNNs)

• Fundamentos de Redes Neuronales Convolucionales (CNN): Filtros, padding, stride y capas de pooling.

• Arquitecturas cl.sicas y modernas para la extracci.n de caracter.sticas visuales.

Semana 5: Aprendizaje por Refuerzo (RL) y Control de Procesos

• Conceptos básicos de Reinforcement Learning: Agente, entorno (environment), estados, acciones y recompensa.

• Algoritmos de RL profundo adaptados a procesos continuos (ej. Actor-Critic, Deep Deterministic Policy Gradient – DDPG).

• Consideraciones prácticas para la implementación, estabilidad y seguridad en plantas reales.

Profesionales del sector industrial con orientación hacía la optimización y el control de procesos, y profesionales afines con interés en estas áreas. Estudiantes de octavo semestre en adelante, de ingeniería química, agroindustrial, bioquímica, biológica, de alimentos, industrial, mecánica  o áreas afines con conocimientos en procesos.

Francisco Ibáñez Espinel

Perfil Profesional: Ingeniero Químico, Magíster en Ciencias de la Ingeniería Química y Doctor en Ciencias de la Ingeniería Química, con una sólida formación académica y profesional. Especialista en Data Sciences y control avanzado de procesos, ha acumulado una destacada trayectoria en la industria y en el ámbito académico. Su experiencia abarca la gestión de datos y optimización de procesos en diversas industrias, así como la formación de futuros profesionales en el área de la ingeniería.

Experiencia Profesional:

• Ingeniero Especialista de Data Sciences: Aplicación de ciencias de datos y analítica avanzada para la mejora de procesos mineros. SGS Chile (3 años).
• Ingeniero de Data Sciences: Desarrollo de proyectos de ciencia de datos orientados a la optimización y control de procesos en múltiples sectores. BairesDev (3 años).
• Profesor Asistente: Profesor Asistente: Docencia y desarrollo de contenidos académicos en los cursos: Diseño en Ingeniería Biológica; Dinámica y Control de Procesos; Diseño de Experimentos, Optimización y Análisis Multivariado; Análisis de Biosistemas; Biotecnología Microbiana y Ciencia de Datos aplicada a la Metalurgia. En las universidades: Pontificia Universidad Católica de Chile, Universidad de Concepción y Universidad Católica del Norte.

Formación Académica:

• Doctor en Ciencias de la Ingeniería Química
  Pontificia Universidad Católica de Chile
• Magíster en Ciencias de la Ingeniería Química
  Universidad Técnica Federico Santa María
• Ingeniero Químico
  Universidad América

Publicaciones WOS:

• Advancing hybrid modeling of Saccharomyces cerevisiae fermentation with mixed carbon sources and urea in a mini-stirred tank reactor. Bioprocess and Biosystems Engineering, https://doi.org/10.1007/s00449-025-03222-5
• Fractional adaptive observer for variable structure high cell density fed-batch cultures. IFAC-PapersOnLine, https://doi.org/10.1016/j.ifacol.2024.08.163
• Reliable calibration and validation of phenomenological and hybrid models of high-cell-density fed-batch cultures subject to metabolic overflow. Computers & Chemical Engineering, https://doi.org/10.1016/j.compchemeng.2024.108706
• Recycling and Conversion of Yeasts into Organic Nitrogen Sources for Wine Fermentation: Effects on Molecular and Sensory Attributes. Fermentation, https://doi.org/10.3390/fermentation7040313
• Robust control of fed-batch high-cell density cultures: a simulation-based assessment. Computers and Chemical Engineering, https://doi.org/10.1016/j.compchemeng.2021.107545
• Fermentation of glycerol using Clostridium butyricum for the production of 1,3-Propanediol in a Fed-batch bioreactor using advanced controllers. Proceedings of the 20th International Conference on Modeling & Applied Simulation, https://doi.org/10.46354/i3m.2021.mas.021
• A robust hybrid observer for monitoring high-cell density cultures exhibiting overflow metabolism. Journal of Process Control, https://doi.org/10.1016/j.jprocont.2021.06.006
• Heterologous production of the epoxycarotenoid violaxanthin in Saccharomyces Cerevisiae. Metabolic Engineering, https://doi.org/10.1016/j.ymben.2020.01.006
• Estimation of the Effectiveness Factor for Immobilized Enzyme Catalysts through a Simple Conversion Assay. Catalysts, https://doi.org/10.3390/catal9110930

• Intensidad: 20 horas de clase en directo con el instructor.

• Frecuencia: Martes – Jueves de 7:00 pm a 9:00 pm – Colombia

• Entrega de certificado

• Entrega de memorias del curso: el material estará a disposición de los asistentes electrónicamente.

• Fecha de inicio: Martes 3 de noviembre de 2026