Predicción de la Inflamabilidad de Productos Químicos del Dataset Cramer-UDD mediante Machine Learning

Simple item page
dc.contributor.advisorGómez Vargas, Germán
dc.contributor.advisorElizalde, Juan
dc.contributor.authorVits Contreras, Sofía
dc.coverage.spatialSantiago
dc.date.accessioned2026-03-18T15:55:13Z
dc.date.available2026-03-18T15:55:13Z
dc.date.issued2025
dc.descriptionProyecto de grado presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data Science
dc.description.abstractLos productos químicos son clasificados en categorías de riesgo de acuerdo a su reactividad, inflamabilidad, perjuicios a la salud, y otros riesgos especiales relacionados con la naturaleza fisicoquímica de una fórmula. En este trabajo se analizará específicamente el punto de inflamación de una fórmula química. Esta característica es uno de los parámetros utilizados para evaluar la inflamabilidad de una sustancia química. La determinación de esta propiedad requiere la aplicación de mediciones experimentales específicas, las cuales pueden resultar ser muy costosas para una empresa desde los puntos de vista económico y temporal. Por este motivo, la empresa Cramer compartió sus datos para poder crear modelos de clasificación multiclase, con el propósito de clasificar la inflamabilidad de sus fórmulas líquidas. Las fórmulas fueron clasificadas en fórmulas que contienen compuestos líquidos con comportamiento gaseoso (más específicamente compuestos azufrados), fórmulas etanólicas, fórmulas acuosas, y fórmulas que contienen otros solventes orgánicos. Los modelos aplicados fueron regresión logística multiclase, Random Forest, LightGBM, y CatBoost. Todos estos modelos fueron calibrados mediante predicción conformal utilizando margin nonconformity score para dicho propósito. Posteriormente se realizó un análisis SHAP de los modelos LightGBM y CatBoost, comparando la importancia asignadas a cada variable por estos modelos, así como el estudio de los gráficos de dependencia de dichas variables.
dc.format.extent74 p.
dc.identifier.urihttps://hdl.handle.net/11447/10636
dc.language.isoes
dc.publisherUniversidad del Desarrollo. Facultad de Ingeniería
dc.subject070037S
dc.subjectMachine learning
dc.subjectPredicción conformal
dc.subjectAnálisis SHAP
dc.subjectClasificación multiclase
dc.subjectPunto de inflamación
dc.titlePredicción de la Inflamabilidad de Productos Químicos del Dataset Cramer-UDD mediante Machine Learning
dc.typeThesis
dcterms.accessRightsAcceso abierto

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Predicción de la Inflamabilidad de Productos Químicos del Dataset Cramer-UDD mediante Machine Learning.pdf
Size:
7.85 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
347 B
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Tesis de Postgrado Ingeniería

Implementado por OpenGeek Services