ANN basada en el algoritmo de optimización de ballenas modificado: un nuevo modelo predictivo para una planta desalinizadora de ósmosis inversa

Scientific Reports volumen 13, número de artículo: 2901 (2023) Citar este artículo

1121 Accesos

5 citas

1 altmétrica

Detalles de métricas

En las últimas décadas, los métodos de optimización inspirados en la naturaleza han desempeñado un papel fundamental para ayudar a los diseñadores de plantas industriales a encontrar soluciones superiores para los parámetros del proceso. Según la literatura, estos métodos son sencillos, rápidos e indispensables para ahorrar tiempo, dinero y energía. En este sentido, el algoritmo de optimización de ballenas modificado (MWOA) hibridado con redes neuronales artificiales (ANN) se ha empleado en el rendimiento de la planta desaladora de ósmosis inversa (RO) para estimar el flujo de permeado (0,118‒2,656 L/h m2). Los conjuntos de datos de la planta se han recopilado de la literatura e incluyen cuatro parámetros de entrada: caudal de alimentación (400‒600 L/h), temperatura de entrada del evaporador (60‒80 °C), concentración de sal de alimentación (35‒140 g/L) y Temperatura de entrada del condensador (20‒30 °C). Para ello se han propuesto diez modelos predictivos (MWOA-ANN Model-1 a Model-10), que son capaces de predecir con mayor precisión el flujo de permeado (L/h m2) que los modelos existentes (Response Surface Methodology (RSM), ANN y modelos híbridos WOA-ANN) con errores mínimos. Los resultados de la simulación sugieren que el algoritmo MWOA demuestra una mayor capacidad de optimización para encontrar los pesos y sesgos correctos para permitir un modelado superior basado en ANN sin limitación de sobreajuste. Se han propuesto diez modelos MWOA-ANN (Modelo-1 a Modelo-10) para investigar el rendimiento de la planta. El modelo 6 con una única capa oculta (H = 1), once nodos de capa oculta (n = 11) y los trece agentes de búsqueda (SA = 13) produjeron los resultados de regresión más destacados (R2 = 99,1%) con errores mínimos (MSE = 0,005). También se encuentra que los errores residuales del Modelo 6 están dentro de los límites (intervalo de −0,1 a 0,2). Finalmente, los hallazgos muestran que los modelos MWOA-ANN seleccionados son prometedores para identificar los mejores parámetros de proceso con el fin de ayudar a los diseñadores de plantas industriales.

Esta sección se ha dividido en tres partes: la primera parte describe los antecedentes de ANN y WOA, mientras que la segunda parte detalla la revisión de la literatura. La tercera parte explica los principales objetivos, contribuciones y esquema de investigación.

La ambición humana de realizar tareas de forma más rápida, sencilla y económica ha llevado al creciente desarrollo de operaciones eficientes en todo el mundo1,2. De la misma manera, la industria de plantas de proceso está cambiando hacia una cultura donde las decisiones se toman en base al análisis de datos y resultados experimentales3,4. En este sentido, los conjuntos de datos experimentales de la planta se han recopilado y evaluado para recopilar nuevos conocimientos, lo que ayuda a los diseñadores de plantas a tomar decisiones para ahorrar tiempo de procesamiento, costos operativos y energía1,5,6.

En las últimas décadas, las industrias de plantas de procesos se han vuelto considerablemente más dinámicas y han recurrido a análisis avanzados, algoritmos de optimización y herramientas de aprendizaje automático para proporcionar soluciones predictivas y prescriptivas para mejorar su rendimiento3,5,6,7,8,9,10,11 . Estos algoritmos y herramientas son simples, adaptables y eficientes para analizar conjuntos de datos de plantas tanto pequeñas como de gran escala. Algunos algoritmos y herramientas inteligentes comúnmente utilizados últimamente incluyen redes neuronales artificiales (ANN)12,13,14,15, colonias de abejas artificiales (ABC)16,17, optimización de enjambre de gatos (CSO)18,19, optimización de enjambre de partículas (PSO) )20,21,22, Algoritmo de luciérnaga (FA)23, Algoritmo de murciélago (BA)23,24, Algoritmo de optimización de ballenas (WOA)17,25,26,27, Optimizador de lobo gris (GWO)17,25,28,29 ,30 Algoritmo de optimización de mariposa (BOA)31, Optimizador de hormiga león (ALO)17, Máquina de vectores de soporte (SVM)18,32,33, Metodología de superficie de respuesta (RSM)34,35, Algoritmo genético de clasificación no dominado (NSGA)36 y su híbrido.

ANN, en general, sigue el algoritmo de entrenamiento de retropropagación (BP) mientras encuentra un conjunto óptimo de pesos y sesgos de conexión de nodos para reducir el error. Una predicción precisa de ponderaciones y sesgos es muy importante para garantizar un alto rendimiento del modelo. El enfoque BP emplea un algoritmo de descenso de gradiente y requiere una gran cantidad de iteraciones37. La literatura sugiere que uno de los mayores desafíos al utilizar la técnica de descenso de gradiente es su captura en los óptimos locales. Esto está totalmente ligado a los valores iniciales de peso considerados37, lo que afecta a la precisión final de los modelos. Por lo tanto, los investigadores han encontrado soluciones alternativas como GA, PSO, GWO y WOA para minimizar estos problemas1,6.

La hibridación es actualmente la tecnología más utilizada para analizar el rendimiento de una planta, precisamente porque combina dos algoritmos y herramientas en uno y les permite trabajar de forma sinérgica1,2,6. La literatura sugiere que varios modelos híbridos, como GA-ANN25,38, PSO-ANN21, ABC-ANN16, SVM-ANN33, PSO-SVM32, WOA-ANN39 y otros, se han centrado en la efectividad del modelo de sistema en la investigación de diversos campos. de ingeniería y en la evaluación del desempeño de la planta. Entre ellas, las RNA con modelos híbridos son la tecnología más utilizada para investigar correctamente conjuntos de datos de plantas5,6.

Con la motivación de la literatura26,39, hemos desarrollado modelos hibridados utilizando WOA modificado (MWOA) con ANN para modelar y analizar el rendimiento de plantas desalinizadoras de ósmosis inversa (RO). Luego, los modelos se simulan para evaluar la capacidad de dicha hibridación a fin de encontrar los sesgos y pesos óptimos utilizados en los algoritmos para aumentar la exactitud y precisión del modelo ANN. Más específicamente, este artículo explora la posibilidad de utilizar el algoritmo MWOA en el modelo ANN para superar las limitaciones de los algoritmos de entrenamiento de BP para mejorar el desempeño del modelo y, por lo tanto, permitir un mejor modelado de los procesos de desalinización y la realización o predicción de su desempeño. Los conjuntos de datos utilizados anteriormente por Gil et al.35 también se han utilizado aquí para realizar una comparación con los resultados publicados por ellos. A partir de la simulación se observa que la WOA modificada sirve como una optimización superior para la ANN en esta investigación en comparación con la ANN asistida por BP utilizada anteriormente35 y los algoritmos WOA simples.

Como se indicó en la subsección de antecedentes, muchos investigadores han estado utilizando ANN y sus modelos híbridos para examinar el desempeño de las plantas. Algunos de ellos son particularmente relevantes para las plantas desalinizadoras y el modelado de ANN, que analizamos más a fondo en esta sección para ayudar a comprender mejor la importancia de dichos modelos. Lee et al.40 desarrollaron un modelo ANN para predecir los sólidos disueltos totales (TDS) del permeado (354,2 a 745,7 ppm) y el caudal del permeado (454,0 a 470,2 m3/h) de la planta desalinizadora de agua de mar por ósmosis inversa. Han investigado un conjunto de datos de funcionamiento de un año de la planta desalinizadora de agua de mar por ósmosis inversa de Fujairah, Emiratos Árabes Unidos (EAU)40. Todo el conjunto de datos se dividió en tres partes para las investigaciones de modelado: 60 % para capacitación, 20 % para pruebas y 20 % para validación. Predijeron el TDS del permeado (coeficiente de regresión, R2 = 96%) y el caudal del permeado (R2 = 75%) para la etapa de prueba. Además, Aish et al.12 propusieron una red neuronal de perceptrón multicapa (MLP) y una red neuronal de función de base radial (RBF) para predecir las concentraciones de TDS (entrenando de 10 a 430 mg/L y probando de 11,80 a 340 mg/L) y el caudal de permeado. (entrenamiento de 9,5 a 17 bares y prueba de 10 a 15,5 bares) de una planta desalinizadora de ósmosis inversa, Franja de Gaza, Palestina12. Los datos se recopilaron durante más de seis meses (de marzo a septiembre de 2013) y se dividieron en dos partes, 70 % para capacitación y 30 % para pruebas. Han informado las concentraciones de TDS mejor predichas con un error mínimo (error cuadrático medio, MSE = 0,023) para probar el modelo MLP. Además, también informaron el caudal de permeado mejor previsto con un error mínimo (MSE = 12,645) para probar el modelo RBF.

Asimismo, Cabrera et al.13 desarrollaron modelos para evaluar la presión operativa óptima (bares) y el caudal de alimentación (m3/h) de una planta desaladora de ósmosis inversa, Gran Canaria, España, utilizando el modelo ANN. Mientras modelaban, utilizaron 505 conjuntos de datos e informaron una buena concordancia entre los resultados previstos y experimentales con errores mínimos (0,026 m3/h) para el caudal de alimentación y (0,252 bares) para la presión operativa. También informaron que utilizaron una gran cantidad de 38 y 56 nodos en la primera capa oculta y 4 y 9 nodos en la segunda capa oculta como los más adecuados para el modelado de ANN propuesto. Recientemente, Panahi et al.41 propusieron un modelo híbrido ALO-ANN para predecir la producción de agua limpia en invernaderos de agua de mar en tierras áridas. Informaron que el modelo ALO-ANN superó a ANN, BA-ANN y PSO-ANN en la fase de prueba, con valores de porcentaje de RMSE de 39, 18 y 33%, respectivamente, inferiores a los de ANN, BA-ANN. y modelos PSO-ANN.

Estudios recientes de WOA y sus variantes motivan a los investigadores a trabajar en este campo, como Fu et al.42 utilizaron una memoria a largo plazo muy híbrida con WOA y modos variacionales para estimar la evapotranspiración mensual. Ding et al.43 propusieron tres versiones mejoradas del WOA para mejorar las capacidades de exploración, empleadas también para mejorar la diversidad de la población. De manera similar, Ju et al.44 sugirieron una estrategia híbrida de WOA basada en conceptos de factor de convergencia no lineal, inicialización del caos y mutación. Además, Chakraborty et al. propusieron varios modelos de inteligencia artificial utilizando WOA y sus variantes para numerosas aplicaciones, como la segmentación de imágenes de rayos X de COVID-1945, la optimización global46,47, la optimización numérica48 y otras aplicaciones49,50,51,52.

La literatura revela que el logro preciso de los objetivos del modelo depende de la selección específica de los algoritmos y los parámetros de modelado. La literatura también sugiere que los algoritmos inspirados en la naturaleza tienen excelentes capacidades de búsqueda para lograr óptimos globales. Además, estos algoritmos pueden ajustarse según las funciones objetivo. Pero algunos algoritmos y modelos, como BP-ANN, tienen limitaciones a la hora de encontrar los mínimos globales. En este contexto, este estudio se centra en gran medida en los algoritmos WOA debido a su singularidad y capacidad para encontrar pesos y sesgos óptimos en los óptimos globales. Por lo tanto, esta investigación emplea un algoritmo WOA modificado (MWOA) para lograr el óptimo global y respaldar a ANN para obtener un resultado preciso con errores mínimos. Para ello, hemos empleado conjuntos de datos de plantas desalinizadoras de ósmosis inversa (RO) para investigar y validar los resultados con los modelos existentes.

El objetivo principal de esta investigación es investigar el uso de tecnologías de inteligencia artificial en los campos de la desalinización y el tratamiento del agua. Sin embargo, muchos investigadores han trabajado en esta área y han producido varios modelos para mejorar el rendimiento de las plantas. Sin embargo, hasta donde sabemos y tras la revisión de la literatura, la técnica MGWO-ANN se está proponiendo y aplicando al modelado de la planta desalinizadora de OI por primera vez.

Según informes de la OMS y UNICEF (2017)53, para 2025, “la mitad de la población mundial podría vivir en lugares con escasez de agua”. Por lo tanto, es imperativo que los investigadores aceleren la investigación en el campo de la desalinización mejorada para garantizar una vida sostenible para humanos, animales y plantas. Tenemos la intención de promover esto mediante la utilización del algoritmo WOA modificado en ANN para modelar adecuadamente dichos sistemas y mejorar la predicción de los parámetros del proceso de las plantas desalinizadoras. Según los hallazgos de la literatura y nuestro mejor conocimiento, los modelos híbridos MWOA-ANN se han empleado por primera vez para predecir el flujo de permeado de la planta desalinizadora por ósmosis inversa (0,118‒2,656 L/h m2).

La parte restante del documento está organizada de la siguiente manera: la sección "Conjuntos de datos y metodología" define los conjuntos de datos y la metodología, mientras que la sección "Resultados y discusión" describe los resultados y la discusión. Finalmente, en el Apartado “Conclusión”, se presenta la conclusión de este trabajo.

Esta sección se ha dividido en dos partes: la primera parte describe los conjuntos de datos utilizados en esta investigación, mientras que la segunda parte detalla la metodología propuesta. La segunda parte explica los conceptos de ANN, MWOA y los modelos híbridos MWOA-ANN empleados aquí para una mejor comprensión del modelo desarrollado por el lector.

En esta investigación, se han utilizado para el modelado propuesto los conjuntos de datos experimentales de la planta desalinizadora del trabajo previo de Gil et al.35. El módulo de la planta al que se refieren fue diseñado por el Instituto Fraunhofer para Sistemas de Energía Solar que utiliza una membrana comercial de WL Gore Associates [Permeate Gap Membrane Distillation (PGMD)] con una capa activa de politetrafluoroetileno (PTFE)35. Se utilizaron cuatro parámetros de entrada: concentración de sal, caudal, temperaturas de entrada del evaporador y del condensador, mientras que el flujo de permeado fue el parámetro de salida del modelo. El detalle de los rangos de parámetros se presenta en la Tabla 135.

ANN es el modelo elemental de esta investigación, que ha sido mejorado en esta investigación mediante su hibridación con un proceso de optimización avanzado. Se basa en la actividad de las neuronas biológicas del cerebro humano, y el concepto de aprendizaje de redes neuronales fue propuesto por primera vez por McCulloch y Pitts54. Mostró una gran capacidad para anticipar el rendimiento de diversas aplicaciones de ingeniería y manejar eficazmente tareas complejas, lineales y no lineales. En la literatura, se sugieren arquitecturas de ANN como la red neuronal de regresión generalizada (GRNN), la función de base radial (RBF) y el perceptrón multicapa (MLP), siendo MLP la más frecuente y utilizada con frecuencia en numerosas aplicaciones1. En general, ANN emplea tres capas: (entrada, oculta y salida) y sigue la técnica de aprendizaje de retropropagación (BP) con un algoritmo de entrenamiento de Levenberg-Marquardt (LM)5. Los modelos mapean la relación entre insumos y objetivos5,6. Hemos propuesto una arquitectura de este tipo {(I1, n4): (H1, n1–20): (O1, n1)} como se ilustra en la Fig. 1. Aquí, (I1, n4) representa una única capa de entrada con cuatro nodos, (H1, n1–20) representa una única capa oculta con 1 a 20 nodos, y (O1, n1) representa una única capa de salida con un nodo.

Ilustra la arquitectura básica de ANN {(I1, n4): (H1, n1–20): (O1, n1)}. b1 representa un sesgo simple, Wij representa ponderaciones entre las capas de entrada y ocultas, y Wjk representa ponderaciones entre las capas oculta y de salida.

Las ballenas son los mamíferos más grandes del mundo y las criaturas más hermosas de la naturaleza. Las ballenas tienen células fusiformes en el cerebro que son similares a las "células fusiformes humanas" y son responsables de las emociones, el juicio y los comportamientos sociales, según Hof y Gucht55. Tienen un comportamiento fantástico ya que pueden vivir solos o en grupos. Además, el aspecto fascinante de las 'ballenas jorobadas' es su técnica de caza única, conocida como alimentación con redes de burbujas27. Esta habilidad de caza se centra en formar varias burbujas a lo largo de un camino o círculo en forma de '9', como se muestra en la Fig. 2, lo que ayuda a las ballenas jorobadas a capturar finalmente los peces más pequeños cerca de la superficie del agua27.

(a) Comportamiento de alimentación de las ballenas jorobadas con redes de burbujas (b) Posición de actualización en espiral. Foto: Cortesía de Mirjalili y Lewis27.

La formulación matemática de MWOA implica tres pasos, a saber, Paso 1: rodear a la presa, Paso 2: método de ataque con red de burbujas (fase de explotación) y Paso 3: buscar presa (fase de exploración)27,56.

Rodeando a la presa27,56:

Las ballenas primero localizan a sus presas y luego comienzan a rodearlas. Intentan estimar la mejor solución candidata, también conocida como mejor operador de búsqueda (BSO), y luego actualizan sus posiciones en consecuencia para que coincidan con el BSO. Las siguientes ecuaciones representan matemáticamente este comportamiento:

donde, \(\vec{D}\) = desplazamiento en la posición de la presa; \(\vec{X}^{*}\) = vector de posición de la mejor solución obtenida hasta el momento; \(\vec{X}\) = vectores de posición; t = iteración actual; \(\vec{A}\) y \(\vec{C}\) = vectores de coeficientes; \(\vec{A} = 2\vec{a} \cdot \vec{r}_{1} - \vec{a}\) y \(\vec{C} = 2 \cdot \vec{r} _{2}\); \(\vec{r}_{1}\) y \(\vec{r}_{2}\) vectores aleatorios en [0, 1]; \(\vec{a} = 2\left( {1 - \frac{{t^{2.5} }}{{t_{m}^{2.5} }}} \right)\); y tm = iteraciones máximas.

Método de ataque con red de burbujas (fase de explotación)27,56:

Como se indicó anteriormente, las ballenas nadan en un camino en forma de '9' alrededor de la presa en el círculo que se encoge, como se ilustra en la Fig. 2. Se ha descubierto que esta técnica forma varias burbujas en el agua a lo largo de un círculo. Esto se simula eligiendo un esquema envolvente cada vez más reducido (Fig. 2b) con un 50% de probabilidad durante las iteraciones. Por lo tanto, las siguientes ecuaciones representan matemáticamente este comportamiento de ataque de red de burbujas como:

donde, l es el número aleatorio en [− 1, 1], p es el número arbitrario en [0, 1]; y b es la constante (para identificar la forma de espiral logarítmica).

Búsqueda de presas (Fase de Exploración)27,56:

En la etapa de exploración, en lugar de en la etapa de explotación, la posición del operador de búsqueda se actualiza utilizando un operador de búsqueda elegido aleatoriamente (\(\vec{X}_{rand}^{*}\)). Esta estrategia enfatizará la exploración y al mismo tiempo permitirá que MWOA complete una búsqueda global. Para la fase exploratoria se utiliza la siguiente ecuación:

donde, \(\vec{X}_{rand}^{*}\) es el vector de posición (aleatorio) seleccionado de la población actual. Además, el pseudocódigo del algoritmo MWOA se muestra en la Fig. 327,56. MWOA puede considerarse un optimizador global desde un punto de vista teórico porque contiene capacidad de explotación y exploración colectiva.

El pseudocódigo del algoritmo MWOA. Foto: Cortesía de Mirjalili y Lewis27,56.

Según la literatura, varios modelos híbridos predicen con precisión el desempeño de diversos dominios. Este estudio utilizó la técnica MWOA para entrenar el modelo ANN. Para ello, hemos sugerido diez modelos hibridados con ANN (MWOA-ANN Model-1 a Model-10) para estimar el rendimiento de la planta desaladora de RO. Por tanto, el objetivo vital de este estudio es minimizar el error (mínimo MSE). Por lo tanto, el error (MSE) se define de la siguiente manera21,22,40:

donde, \(\hat{y}_{k}^{p}\) salida predicha de la red neuronal, \(y_{k}^{p}\) salida real; M no. de nodos de salida y N no. de patrones. El diagrama de flujo completo del modelo sugerido (MWOA-ANN) se muestra en la Fig. 4. Principalmente, recopile los datos de la planta desalinizadora de RO y defina los conjuntos de datos. En este trabajo, hemos recopilado conjuntos de datos de trabajos anteriores de Gil et al.35. Luego, de acuerdo con los requisitos computacionales del modelo, organizamos los datos y ejecutamos la división del conjunto de datos (%) en entrenamiento, validación y prueba. Para simular el modelo, se seleccionan los parámetros de modelado iniciales apropiados. Luego, se inicializa la población de ballenas o agente de búsqueda (SA) y se evalúa la aptitud de cada ballena. Además, determine la mejor aptitud; si cumple con el requisito o criterio deseado, entonces regístrelo y deténgalo; de lo contrario, actualice la posición de la ballena y vuelva a evaluar la aptitud hasta que se logre la aptitud deseada.

Diagrama de flujo del modelo propuesto (MWOA-ANN).

Esta sección se ha dividido en tres partes para comprender mejor los resultados de la investigación: "Optimización", "Modelos mejor optimizados" y "El mejor modelo optimizado y su novedad".

La literatura sugiere que la precisión de un modelo depende de un diseño perfecto y un enfoque sistemático del modelo. La elección correcta de los parámetros de modelado y las divisiones apropiadas del conjunto de datos hace que el diseño del modelo sea perfecto. Además, el mejor modelo es un enfoque sistemático paso a paso llevado a cabo de manera adecuada. Como resultado, hemos empleado ambos principios para mejorar nuestro modelo y elegir los mejores modelos en esta sección. Para la mejor selección del modelo, hemos optimizado tres parámetros de modelado importantes [n, SA y división del conjunto de datos (%)] paso a paso de manera sistemática y logramos varios resultados fructíferos. Los mejores criterios de selección de modelos son mejores resultados que los modelos existentes (RSM y estructura básica de ANN)35.

El número de nodos de la capa oculta (n) juega un papel esencial en la optimización del modelo. Para hacer esto, variamos los nodos de la capa oculta uno por uno (n = 1 a 20), y los resultados obtenidos se presentan en la Tabla 2. Para una fácil comprensión y evaluación, los resultados también se muestran gráficamente en la Fig. 5. Observamos que aunque los modelos con n = 12 y 13 demuestran el mejor rendimiento para el entrenamiento y la validación individualmente, el modelo con n = 15 produjo el mejor rendimiento para las pruebas y todos los conjuntos de datos. Finalmente, seleccionamos dos modelos (con n = 11 y 15), que alcanzaron nuestros criterios de selección para los mejores resultados de simulación (R2 más alto = 98,8, 98,9% y MSE más bajo = 0,007, 0,008) y los registramos como modelos favorables.

Optimización de nodos de capa oculta (n) para diferentes etapas (entrenamiento, validación, pruebas y todas) para: (a) Coeficientes de regresión (R2), (b) MSE.

El segundo parámetro esencial del modelado es el número de población de ballenas/agentes de búsqueda (SA) que pueden desempeñar un papel importante en el diseño de un modelo perfecto. Para ello, variamos los agentes de búsqueda uno por uno (SA = 1 a 20) y obtuvimos una variedad de resultados, que se muestran en la Tabla 3. Para una mejor comprensión y evaluación, los resultados también se muestran gráficamente en la Fig. 6. Hemos observado que (SA = 10, 7 y 16) demuestran individualmente el mejor rendimiento para los casos de entrenamiento, validación y prueba, respectivamente, mientras que (SA = 13) produjo el mejor rendimiento para todos los conjuntos de datos. Finalmente, seleccionamos seis modelos (con SA = 6, 8, 10, 13, 15 y 16), que alcanzaron nuestros criterios de selección para obtener los mejores resultados de simulación considerando todos los conjuntos de datos y los registraron.

Ilustración de la variación en (a) coeficientes de regresión (R2) y (b) MSE en función del número de agentes de búsqueda (SA) para explorar el valor óptimo.

Utilizamos la división del conjunto de datos (75 por ciento de entrenamiento, 20 por ciento de validación y 05 por ciento de prueba) como parte de recomendaciones anteriores de Gil et al.35 en la primera y segunda optimizaciones para validar los modelos propuestos. Encontramos ocho modelos que superaron al de Gil et al. (2018) resultados del modelo (ANN y RSM). Hemos dividido los conjuntos de datos en varias combinaciones y registrado numerosos resultados útiles, como se indica en la Tabla 4, para un análisis más profundo. Finalmente, seleccionamos dos modelos (con división del conjunto de datos = 70–15–15 y 80–00–20), que cumplieron con nuestros criterios de selección y los registraron.

Desarrollamos diez modelos (MWOA-ANN Modelo-1 a Modelo-10) mediante optimización regresiva (n, SA y división del conjunto de datos como variables), que resultan ser superiores a los modelos RSM, ANN y WOA-ANN existentes. Como se desprende de la Tabla 5, MWOA-ANN Model-6 ha superado a la mayoría con el menor error (0,005 L/h m2). También notamos que los diez modelos considerados necesitaban solo una capa oculta, mientras que los modelos de Gil et al.35 necesitaban dos para lograr un grado razonable de eficiencia de modelado. Según la literatura, las capas ocultas adicionales complican los modelos. Por lo tanto, nuestros modelos son menos complicados que los modelos existentes. En resumen, los parámetros de modelado (n, SA y división del conjunto de datos) asumen una importancia crítica en el proceso de modelado e impactan significativamente el éxito del modelo.

Como se muestra en la Tabla 5, el Modelo-6 de MWOA-ANN supera a los otros diez modelos propuestos, así como a los modelos RSM y ANN propuestos en la literatura para los mismos conjuntos de datos. De ahí que sea importante explorar y expresar en profundidad la novedad de este modelo. Todos los modelos propuestos han sido desarrollados en MATLAB versión 2019b (Neural Network Toolbox). Los resultados de la simulación revelan que este modelo muestra el mejor rendimiento (en las etapas de entrenamiento, validación y prueba) en la época 8, como se muestra en la Fig. 7. Los resultados de rendimiento muestran una rápida convergencia del modelo. Además, la belleza de este modelo es que muestra un rendimiento excelente (R2 = 99,5%) con un error mínimo (MSE = 0,002) en la etapa de entrenamiento, que es muy cercano a cero, lo que indica un ajuste cercano con el experimental como se evidencia en la Fig. 8a1. Los errores residuales observados en la etapa de entrenamiento son bastante razonables y aceptables (intervalo de -0,1 a 0,1), como se desprende de la Fig. 8a2. Del mismo modo, el rendimiento de la validación también registró un rendimiento aceptable (R2 = 98,2%, MSE = 0,017) con errores residuales (intervalo de −0,1 a 0,1), como se ilustra en las figuras 8b1 y b2. Además, también se observa un excelente rendimiento de las pruebas (R2 = 99,7%, MSE = 0,009) con errores residuales deseables (intervalo de 0,0 a 0,2), como se muestra en las figuras 8c1 y c2. Por último, el rendimiento de todo el conjunto de datos también demuestra resultados aceptables (R2 = 99,1%, MSE = 0,005) con errores residuales deseables (intervalo de -0,1 a 0,2), como se muestra en las figuras 8d1 y d2. En resumen, llegamos a la conclusión de que el Modelo 6 (R2 = 99,1%, MSE = 0,005, H = 1, n = 11, SA = 13) es el más adecuado para investigar el rendimiento de la planta desalinizadora de ósmosis inversa con una convergencia rápida y un error mínimo.

Mejores desempeños (entrenamiento, validación y pruebas) en las épocas 8 del Modelo-6. *Se utilizó Neural Network Toolbox de MATLAB versión 2019b para investigaciones.

Diagramas de caja de errores residuales observados y de dispersión para el Modelo 6: (a1, a2) entrenamiento (b1, b2) pruebas de validación (c1, c2) y (d1, d2) todos los conjuntos de datos.

El rendimiento del flujo de permeado experimental de la planta desalinizadora de ósmosis inversa se comparó con el flujo de permeado previsto del modelo propuesto para validar lo mejor del Modelo 6 mejor optimizado. En este caso, la prueba t se realizó utilizando 88 observaciones tanto para el modelo experimental como para el modelo predicho. . Notamos que los valores experimentales del flujo de permeado coinciden con las estimaciones del flujo de permeado pronosticadas para el Modelo 6 propuesto. Como resultado, el experimento encontró que el modelo propuesto era válido con un nivel de significancia del 96% (α = 0,05). Como se muestra en la Tabla 6, los valores p de los modelos propuestos satisfacen las condiciones de la prueba t (valor p < 0,05), tienen una buena correlación de Pearson (0,99) y, deseablemente, han planteado como hipótesis diferencias medias de cero.

En este estudio se ha presentado un modelo híbrido de red neuronal artificial (ANN) basado en un algoritmo de optimización de ballenas modificado (MWOA) (MWOA-ANN). El comportamiento de caza de la ballena jorobada inspira el algoritmo MWOA. Tiene tres operadores para simular matemáticamente; buscar presas, rodearlas y buscar alimento en redes de burbujas. Lo empleamos para explorar los pesos y sesgos óptimos para los modelos ANN, y los modelos híbridos resultantes produjeron resultados superiores a los no híbridos (RSM, ANN) informados en la literatura. En este estudio se evaluó el rendimiento del modelo para predecir el flujo de permeado (L/h m2) de una planta desalinizadora de ósmosis inversa (RO). Hay 88 conjuntos de datos de entrada (4) y salida (1) recopilados de la literatura. Se han propuesto diez modelos (MWOA-ANN Modelo-1 a Modelo-10) para investigar el rendimiento de la planta. Según los resultados de la simulación, todos los modelos propuestos superan a las ANN y la metodología de superficie de respuesta (RSM) existentes y a los modelos híbridos WOA-ANN. Entre los diez modelos propuestos, el MWOA-ANN Modelo-6 con una única capa oculta (H = 1), once nodos de capa oculta (n = 11) y los trece agentes de búsqueda (SA = 13) produjeron los resultados de regresión más destacados. (R2 = 99,1%) con errores mínimos (MSE = 0,005). También se encuentra que los errores residuales del Modelo 6 están dentro de los límites (intervalo de −0,1 a 0,2), considerando además la eficiencia del modelo. Finalmente, los resultados de la simulación demuestran que el algoritmo MWOA es un optimizador eficiente que puede superar a los algoritmos de retropropagación (BP) y WOA en tales casos de modelado de plantas de desalinización y puede parecer indispensable en aplicaciones de plantas de proceso similares. Durante las simulaciones, es posible que se produzcan limitaciones como el "sobreajuste". Sin embargo, en esta investigación se controla sin esfuerzo mediante un enfoque sistemático y paso a paso. El modelo híbrido MWOA-ANN ha sido probado actualmente para 88 conjuntos de datos proporcionados por Gil et al.35. En el futuro, los autores llevarán a cabo experimentos adecuados de desalinización basados en RO para obtener un mayor número de conjuntos de datos y explorar la superioridad de estos modelos híbridos sobre los modelos anteriores al considerar conjuntos de datos enormes.

Los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles del autor correspondiente a solicitud razonable.

Al Aani, S., Bonny, T., Hasan, SW y Hilal, N. ¿Pueden el lenguaje de máquina y la inteligencia artificial revolucionar la automatización de procesos para el tratamiento y la desalinización del agua? Desalinización 458, 84–96 (2019).

Artículo CAS Google Scholar

Ahmed, FE, Hashaikeh, R., Diabat, A. & Hilal, N. Modelado matemático y de optimización en desalinización: estado del arte y dirección futura. Desalación 469, 114092 (2019).

Artículo CAS Google Scholar

Voutchkov, N. Planificación y diseño de ingeniería de desalinización (The McGraw-Hill Companies Inc, 2013).

Google Académico

Shannon, MA y cols. Ciencia y tecnología para la potabilización del agua en las próximas décadas. Naturaleza 452, 301–310 (2008).

Artículo ADS CAS PubMed Google Scholar

Mahadeva, R., Manik, G., Verma, OP y Sinha, S. Modelado y simulación del proceso de desalinización utilizando redes neuronales artificiales: una revisión. Desalinización. Tratamiento de agua. 122, 351–364 (2018).

Artículo CAS Google Scholar

Mahadeva, R., Manik, G., Goel, A. y Dhakal, N. Una revisión de los enfoques de simulación y modelado basados en redes neuronales artificiales aplicados para optimizar las técnicas de desalinización por ósmosis inversa. Desalinización. Tratamiento de agua. 156, 245–256 (2019).

Artículo CAS Google Scholar

Mahadeva, R., Manik, G., Verma, OP, Goel, A. y Kumar, S. Modelado y simulación de un sistema de ósmosis inversa utilizando la técnica de predicción PSO-ANN. Adv. Intel. Sistema. Computadora. 1053, 1209-1219 (2020).

Google Académico

Goel, A., Manik, G. y Mahadeva, R. Una revisión del colector cilindroparabólico y su modelado. Adv. Intel. Sistema. Computadora. 1053, 803–813 (2020).

Google Académico

Kumar, R. & Mahadeva, R. Medición y control experimental del estómago del cuerpo humano mediante tomografía de impedancia eléctrica. J. Sistema de circuitos. Computadora. 30, 1-17 (2021).

Artículo de Google Scholar

Najid, N. y col. Control de incrustaciones y modelado en ósmosis inversa para desalinización de agua de mar: una revisión. Computadora. Química. Ing. 162, 107794 (2022).

Artículo CAS Google Scholar

Al-hotmani, OMA et al. Minimización del consumo energético mediante la optimización de un sistema híbrido simple de destilación multiefecto y reprocesamiento de permeados mediante procesos de ósmosis inversa para la desalinización de agua de mar. Computadora. Química. Ing. 148, 107261 (2021).

Artículo CAS Google Scholar

Aish, AM, Zaqoot, HA y Abdeljawad, SM Enfoque de red neuronal artificial para predecir el rendimiento de las plantas desalinizadoras por ósmosis inversa en la Franja de Gaza. Desalinización 367, 240–247 (2015).

Artículo CAS Google Scholar

Cabrera, P., Carta, JA, González, J. & Melián, G. Redes neuronales artificiales aplicadas a la gestión del funcionamiento variable de una planta simple de ósmosis inversa de agua de mar. Desalinización 416, 140-156 (2017).

Artículo CAS Google Scholar

Mahadeva, R., Kumar, M., Patole, SP y Manik, G. Empleo de redes neuronales artificiales para el modelado, la simulación y el análisis de rendimiento precisos de un proceso de desalinización basado en RO. Sostener. Computadora. Informar. Sistema. 35, 100735 (2022).

Google Académico

Cao, W., Liu, Q., Wang, Y. & Mujtaba, IM Modelado y simulación del proceso de desalinización VMD por ANN. Computadora. Química. Ing. 84, 96-103 (2016).

Artículo CAS Google Scholar

Le, LT, Nguyen, H., Dou, J. & Zhou, J. Un estudio comparativo de PSO-ANN, GA-ANN, ICA-ANN y ABC-ANN para estimar la carga de calefacción de la eficiencia energética de los edificios para sistemas inteligentes. planificación de la ciudad. Aplica. Ciencia. 9, 1-23 (2019).

ADS del artículo Google Scholar

Bahiraei, M., Foong, LK, Hosseini, S. y Mazaheri, N. Predicción de la tasa de transferencia de calor de un intercambiador de calor de triple tubo acanalado que funciona con nanofluidos utilizando una red neuronal mejorada mediante algoritmos de optimización avanzados. Tecnología en polvo. 381, 459–476 (2021).

Artículo CAS Google Scholar

Borkar, GM, Patil, LH, Dalgade, D. & Hutke, A. Un nuevo enfoque de agrupación y clasificador SVM adaptativo para la detección de intrusiones en WSN: un concepto de minería de datos. Sostener. Computadora. Informar. Sistema. 23, 120-135 (2019).

Google Académico

Chu, S., Tsai, P. y Pan, J. Optimización de enjambre de gatos. en: Pacific Rim Int. Conf. Artif. Intel. PRICAI 2006 Tendencias Artif. Intel., 854–858 (2006).

Mahadeva, R., Mehta, R., Manik, G. y Bhattacharya, A. Una investigación experimental y computacional de una membrana compuesta de película delgada de poli (piperizinamida) para la separación de sales del agua mediante una red neuronal artificial. Desalinización. Tratamiento de agua. 224, 106-121 (2021).

Artículo CAS Google Scholar

Mahadeva, R., Kumar, M., Patole, SP y Manik, G. Un modelo PSO-ANN optimizado para mejorar la predicción del rendimiento de la planta desalinizadora de tratamiento de agua. Suministro de agua. 22, 2874–2882 (2022).

Artículo de Google Scholar

Mahadeva, R., Kumar, M., Manik, G. & Patole, SP Modelado, simulación y optimización del rendimiento de la membrana de una planta desalinizadora de ósmosis inversa de agua de mar utilizando redes neuronales y técnicas de computación blanda basadas en difusas. Desalinización. Tratamiento de agua. 229, 17–30 (2021).

Artículo CAS Google Scholar

Yang, X.-SS Algoritmos metaheurísticos inspirados en la naturaleza 2ª ed. (Luniver Press, 2010).

Google Académico

Roy, K. Una técnica MABC-ANN eficiente para la gestión óptima y el modelado de sistemas de microredes. Sostener. Computadora. Informar. Sistema. 30, 100552 (2021).

Google Académico

Seifi, A. & Soroush, F. Estimación de la evaporación del recipiente y derivación de ecuaciones optimizadas explícitas mediante nuevos métodos híbridos metaheurísticos basados en ANN en diferentes climas de Irán. Computadora. Electrón. Agrícola. 173, 105413 (2020).

Artículo de Google Scholar

Gharehchopogh, FS y Gholizadeh, H. Un estudio completo: algoritmo de optimización de ballenas y sus aplicaciones. Evolución del enjambre. Computadora. 48, 1-24 (2019).

Artículo de Google Scholar

Mirjalili, S. & Lewis, A. El algoritmo de optimización de ballenas. Adv. Ing. Software. Rev. 95, 51–67 (2016).

Artículo de Google Scholar

Maroufpoor, S., Bozorg-Haddad, O. y Maroufpoor, E. Estimación de la evapotranspiración de referencia basada en una combinación óptima de entradas y un modelo híbrido de inteligencia artificial: hibridación de una red neuronal artificial con un algoritmo optimizador de lobo gris. J. hidrol. 588, 125060 (2020).

Artículo de Google Scholar

Cui, F. y col. Modelo de inteligencia artificial mejorado utilizando un optimizador de lobo gris guiado por alfa para la predicción del nivel de agua subterránea: estudio comparativo e información para la tecnología de aprendizaje federado. J. hidrol. 606, 127384 (2022).

Artículo de Google Scholar

Mahadeva, R., Kumar, M., Patole, SP y Manik, G. Modelo de predicción del rendimiento de la planta desalinizadora utilizando el enfoque ANN basado en el optimizador de lobo gris. Acceso IEEE. 10, 34550–34561 (2022).

Artículo de Google Scholar

Qi, X., Zhu, Y. y Zhang, H. Un nuevo algoritmo metaheurístico inspirado en mariposas. J. Computación. Ciencia. 23, 226–239 (2017).

Artículo MathSciNet Google Scholar

Mohammadi, B., Guan, Y., Moazenzadeh, R. & Safari, MJS Implementación de algoritmos híbridos de evolución diferencial y optimización de enjambres de partículas junto con un perceptrón multicapa para la estimación de la carga de sedimentos suspendidos. CATENA 198, 105024 (2021).

Artículo de Google Scholar

Hejabi, N., Saghebian, SM, Aalami, MT y Nourani, V. Evaluación de los parámetros de calidad de los efluentes de una planta de tratamiento de aguas residuales basada en análisis de incertidumbre y enfoques de posprocesamiento (estudio de caso). Ciencia del agua. Tecnología. 1, 1-16 (2021).

Google Académico

Garg, MC y Joshi, H. Un nuevo enfoque para la optimización de membranas de ósmosis inversa a pequeña escala utilizando agua subterránea artificial. Reinar. Tecnología. 35, 2988–2999 (2014).

Artículo CAS PubMed Google Scholar

Gil, JD, Ruiz-Aguirre, A., Roca, L., Zaragoza, G. & Berenguel, M. Modelos de predicción para analizar el rendimiento de una unidad de destilación por membranas a escala comercial para desalar salmueras de plantas de ósmosis inversa. Desalinización 445, 15-28 (2018).

Artículo CAS Google Scholar

Guria, C., Bhattacharya, PK y Gupta, SK Optimización multiobjetivo de unidades de desalinización por ósmosis inversa utilizando diferentes adaptaciones del algoritmo genético de clasificación no dominado (NSGA). Computadora. Química. Ing. 29, 1977–1995 (2005).

Artículo CAS Google Scholar

Xu, B., Zhang, H., Wang, Z., Wang, H. & Zhang, Y. Modelo y algoritmo de red neuronal BP basado en optimización cuántica multicadena expandida. Matemáticas. Problema. Ing. 2015, 1-11 (2015).

Artículo MathSciNet CAS MATH Google Scholar

Feng, Y., Jia, Y., Zhang, Q., Gong, D. y Cui, N. Evaluación a escala nacional de modelos de evaporación en bandeja en diferentes zonas climáticas de China. J. hidrol. 564, 314–328 (2018).

ADS del artículo Google Scholar

Haghnegahdar, L. & Wang, Y. Una red neuronal artificial entrenada con algoritmos de optimización de ballenas para la detección de ciberintrusiones en redes inteligentes. Computación neuronal. Aplica. 32, 9427–9441 (2020).

Artículo de Google Scholar

Lee, YG y cols. Modelo de red neuronal artificial para optimizar el funcionamiento de una planta desaladora de agua de mar por ósmosis inversa. Desalinización 247, 180–189 (2009).

Artículo CAS Google Scholar

Panahi, F. y col. Predecir la producción de agua dulce en invernaderos de agua de mar utilizando modelos híbridos de redes neuronales artificiales. J. Limpio. Pinchar. 329, 129721 (2021).

Artículo de Google Scholar

Fu, T. & Li, X. Híbrido de la memoria a corto plazo con el algoritmo de optimización de ballenas y la descomposición del modo variacional para la estimación de la evapotranspiración mensual. Ciencia. Rep. 12, 20717. https://doi.org/10.1038/s41598-022-25208-z (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Ding, H., Wu, Z. & Zhao, L. Algoritmo de optimización de ballenas basado en un factor de convergencia no lineal y un peso inercial caótico. Concurrir. Computadora. Practica. Exp. 32, 1–26. https://doi.org/10.1002/cpe.5949 (2020).

Artículo de Google Scholar

Ju, C., Ding, H. & Hu, B. Una estrategia híbrida mejoró el algoritmo de optimización de ballenas para la composición de servicios web. Computadora. J. https://doi.org/10.1093/comjnl/bxab187 (2021).

Artículo de Google Scholar

Chakraborty, S., Saha, AK, Nama, S. & Debnath, S. Segmentación de imágenes de rayos X de COVID-19 mediante un algoritmo de optimización de ballenas modificado con reducción de población. Computadora. Biol. Medicina. 139, 104984. https://doi.org/10.1016/j.compbiomed.2021.104984 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Chakraborty, S., Kumar Saha, A., Sharma, S., Mirjalili, S. y Chakraborty, R. Un novedoso algoritmo de optimización de ballenas mejorado para la optimización global. Computadora. Ing. de Indiana. 153, 107086. https://doi.org/10.1016/j.cie.2020.107086 (2021).

Artículo de Google Scholar

Chakraborty, S., Saha, AK, Sharma, S., Chakraborty, R. y Debnath, S. Un algoritmo híbrido de optimización de ballenas para la optimización global (Springer, 2021). https://doi.org/10.1007/s12652-021-03304-8.

Reservar Google Académico

Chakraborty, S., Sharma, S., Saha, AK y Saha, A. Un nuevo algoritmo de optimización de ballenas mejorado para resolver la optimización numérica y aplicaciones del mundo real (Springer, 2022). https://doi.org/10.1007/s10462-021-10114-z.

Reservar Google Académico

Chakraborty, S., Saha, AK, Chakraborty, R., Saha, M. y Nama, S. HSWOA: Un conjunto de búsqueda de juegos del hambre y algoritmo de optimización de ballenas para la optimización global. En t. J. Intel. Sistema. 37, 52-104. https://doi.org/10.1002/int.22617 (2022).

Artículo de Google Scholar

Chakraborty, S., Saha, AK, Chakraborty, R. y Saha, M. Un algoritmo de optimización de ballenas mejorado para problemas de optimización a gran escala. Conocimiento. Sistema basado. 233, 107543. https://doi.org/10.1016/j.knosys.2021.107543 (2021).

Artículo de Google Scholar

Chakraborty, S., Sharma, S., Saha, AK y Chakraborty, S. SHADE – WOA: Un algoritmo metaheurístico para la optimización global. Aplica. Computación blanda. 113, 107866. https://doi.org/10.1016/j.asoc.2021.107866 (2021).

Artículo de Google Scholar

Mahadeva, R., Kumar, M., Patole, SP & Manik, G. Diseño de control PID utilizando la técnica AGPSO y su aplicación en la planta desalinizadora de ósmosis inversa TITO. Acceso IEEE. 10, 125881–125892. https://doi.org/10.1109/ACCESS.2022.3224127 (2022).

Artículo de Google Scholar

OMS y UNICEF. Programa Conjunto de Monitoreo de Avances en Agua Potable, Saneamiento e Higiene (2017).

McCulloch, WS & Pitts, W. Un cálculo lógico de las ideas inmanentes a la actividad nerviosa. Toro. Matemáticas. Biofísica. 5, 115-116 (1943).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Hof, PR & Van Der Gucht, E. Estructura de la corteza cerebral de la ballena jorobada, Megaptera novaeangliae (Cetacea, Mysticeti, Balaenopteridae). anat. Rec. R. 31, 1–31 (2006).

Google Académico

Maloo, S., Kumar, M. y Lakshmi, N. Un enfoque de marca de agua de imágenes digitales basado en un algoritmo de optimización de ballenas modificado. Sens. Imágenes. 21, 1-22 (2020).

Artículo de Google Scholar

Descargar referencias

Los autores desean expresar su agradecimiento a la Universidad Khalifa de Ciencia y Tecnología, Abu Dhabi, Emiratos Árabes Unidos, por brindar apoyo financiero (FSU-2022-030-Código de proyecto-8474000453) para esta publicación.

Departamento de Física, Universidad Khalifa de Ciencia y Tecnología, 127788, Abu Dhabi, Emiratos Árabes Unidos

Rajesh Mahadeva, Vinay Gupta, Gaurav Manik y Shashikant P. Patole

Departamento de Ingeniería de Instrumentación y Control, Instituto Nacional de Tecnología Dr. BR Ambedkar, Jalandhar, Punjab, 144011, India

Mahendra Kumar

Departamento de Ingeniería de Procesos y Polímeros, Instituto Indio de Tecnología, Roorkee, Uttarakhand, 247667, India

Gaurav Manik

También puedes buscar este autor en PubMed Google Scholar.

RM: El primer autor redactó el manuscrito y contribuyó al trabajo de investigación. MK: El segundo autor contribuyó a la sección de metodología y programación. VG, GM y SPP: Los autores tercero, cuarto y quinto supervisaron todo el trabajo de investigación, editaron y finalizaron el manuscrito y las respuestas con los autores correspondientes.

Correspondencia a Gaurav Manik o Shashikant P. Patole.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Mahadeva, R., Kumar, M., Gupta, V. et al. ANN basada en el algoritmo de optimización de ballenas modificado: un modelo predictivo novedoso para una planta desalinizadora de ósmosis inversa. Informe científico 13, 2901 (2023). https://doi.org/10.1038/s41598-023-30099-9

Descargar cita

Recibido: 08 de noviembre de 2022

Aceptado: 15 de febrero de 2023

Publicado: 18 de febrero de 2023

DOI: https://doi.org/10.1038/s41598-023-30099-9

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Informes Científicos (2023)

Revisión de inteligencia artificial (2023)

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.