Generación y validación de datos sintéticos para la mejora de modelos predictivos en entornos de datos limitados
El presente Trabajo Fin de Máster aborda el problema de la predicción de la fragilización neutrónica de aceros empleados en vasijas de reactores nucleares, un fenómeno crítico para la seguridad y la extensión de vida de las centrales. Como referencia empírica se consideró la norma ASTM E900-15, ampl...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2026 |
| País: | España |
| Institución: | Universidad de Cantabria (UC) |
| Repositorio: | UCrea Repositorio Abierto de la Universidad de Cantabria |
| Idioma: | español |
| OAI Identifier: | oai:dnet:ucreareposit::69eb2070e48d1842c206c81a32923286 |
| Acceso en línea: | https://hdl.handle.net/10902/40297 |
| Access Level: | acceso abierto |
| Palabra clave: | Fragilización neutrónica Aceros de vasija AutoML Datos sintéticos Generative Adversarial Networks (GANs) |
| Sumario: | El presente Trabajo Fin de Máster aborda el problema de la predicción de la fragilización neutrónica de aceros empleados en vasijas de reactores nucleares, un fenómeno crítico para la seguridad y la extensión de vida de las centrales. Como referencia empírica se consideró la norma ASTM E900-15, ampliamente utilizada en el ámbito internacional para la estimación del desplazamiento de la temperatura de transición dúctil-frágil (ΔT₄₁J). Posteriormente, se desarrollaron modelos de regresión basados en técnicas de AutoML entrenados con datos experimentales, que permitieron mejorar de manera sistemática los resultados obtenidos mediante la formulación empírica. Con el fin de superar las limitaciones derivadas de la escasez de datos experimentales, se implementó una metodología de generación de datos sintéticos mediante Generative Adversarial Networks (GANs). Los datos sintéticos obtenidos se integraron con los datos reales en distintos ratios de incorporación, lo que permitió analizar su efecto en el rendimiento de los modelos de predicción. Los resultados muestran que la inclusión de datos sintéticos conduce a una reducción significativa del error de predicción, especialmente en materiales con mayor heterogeneidad, como las soldaduras. En conjunto, la metodología desarrollada demuestra que la ciencia de datos, y en particular las técnicas generativas, constituye una herramienta eficaz para optimizar el aprovechamiento de conjuntos de datos limitados y reforzar la capacidad predictiva en problemas de alta relevancia ingenieril. |
|---|