Desarrollo de un modelo de aprendizaje automático para la detección de adulteraciones en gasolinas con mezcla de etanol anhidro de origen vegetal.

Abstract

La implementación de un modelo de aprendizaje automático busca detectar adulteraciones en gasolinas que contienen aditivos de origen vegetal, garantizando la integridad y cumplimiento de los parámetros de calidad establecidos. Se realizan análisis comerciales y de emisiones de carbono de las gasolinas con aditivos de origen vegetal en Bolivia, así como un examen exhaustivo de las características y propiedades de las gasolinas finales. Utilizando datos obtenidos de la Agencia Nacional de Hidrocarburos (ANH), se emplean técnicas de análisis de datos en Python para identificar patrones y relaciones entre parámetros clave como el octanaje, la tensión de vapor Reid y la cantidad de etanol anhidro. El algoritmo basado en Ridge se utiliza para realizar proyecciones de costos y emisiones de carbono, revelando diferencias significativas en las emisiones de gases contaminantes al incluir adulterantes como hexano y tolueno en diversas proporciones. Los resultados indican que la adopción del modelo de aprendizaje automático optimiza el tiempo de análisis y reduce los costos asociados a la identificación de adulteraciones, contribuyendo a mejorar la calidad del combustible en el mercado. No obstante, se hace notar la necesidad de medir más parámetros para fortalecer el modelo y adaptarlo a posibles cambios en las normativas de calidad. Las recomendaciones futuras incluyen investigar relaciones adicionales entre el octanaje y la tensión de vapor Reid, así como expandir el conjunto de datos utilizado para mejorar la precisión de las proyecciones.