Metamodelos para Análisis y Optimización de Procesos

El uso de metamodelos es cada vez más frecuente en el análisis y optimización de modelos de simulación computacionalmente costosos, en industrias como la aeroespacial, automotriz, y petrolera. Metamodelos hacen referencia a la idea de construir un modelo alternativo (sustituto) de rápida ejecución a partir de datos obtenidos de simulaciones numéricas. La siguiente figura ilustra el proceso de construcción de metamodelos.

Control óptimo de flujo en yacimientos petrolíferos

En los yacimientos de petróleo y gas, el factor de recobro está fuertemente atado a la habilidad de la empresa operadora de establecer apropiadamente las tasas de inyección (agua, gas, químicos) y producción (petróleo, gas) en los pozos. Los cambios de las citadas tasas a lo largo del tiempo con frecuencia están basados en el conocimiento empírico de operadores de campo y en procedimientos de ensayo y error no sistemáticos, lo que conduce a factores de recobro insatisfactorios. Esta línea de investigación estudia estrategias óptimas considerando como variables de control las tasas de inyección y producción de los pozos (ilustradas en la siguiente figura) a lo largo del tiempo, y como restricciones la dinámica del proceso de producción (flujo en medios porosos).

Articulos en revistas arbitradas

1. Nava, E., Pintos, S., Queipo, N. (2010) A geostatistical perspective for the surrogate-based integration of variable fidelity models. Journal of Petroleum Science and Engineering, Vol. 71, p56-66
2. Verde, A., Pintos, S., Queipo, N., Haftka, R., (2009) Assessing the value of another cycle in Gaussian process surrogate-based optimization. Structural and Multidisciplinary Optimization. Volume 39, Number 5, p459-475. Nov. 2009. DOI 10.1007/s00158-008-0346-0
3. Lin, Y., Haftka, R., Queipo, N., Fregly, B. (2009) Two-Dimensional surrogate contact modeling for computationally efficient dynamic simulation of total knee replacements. Journal of Biomechanical Engineering, Vol. 131, Issue 4, 041010 (8 pages) doi:10.1115/1.3005152
4. Sanchez, E. Pintos, S., Queipo, N. (2008) Toward and optimal ensemble of kernel-based approximations with engineering applications. Structural and Multidisciplinary Optimization DOI: 10.1007/s00158-007-0159-6
5. Zerpa, L., Queipo, N., Pintos, S., Tillero, E., Alter, E. (2008) Un enfoque práctico para la optimización de procesos de inyección de ASP usando modelos de superficie de respuesta cuadrática y diseño de experimentos. Revista Técnica de la Facultad de Ingeniería - Universidad del Zulia, Vol. 31, p50-60
6. Goel, T., Haftka, R., Shyy, W., Queipo, N., Vaidyanathan R., Tucker K. (2007) Response surface approximation of pareto optimal front in multi-objective pptimization Computer Methods in Applied Mechanics and Engineering, Volume 196, Issues 4-6, 1 January, Pages 879-893
7. Carrero, E., Zerpa, L., Queipo, N., Pintos, S. (2007) Global sensitivity analysis of alkali-surfactant-polymer enhanced oil recovery processes. Journal of Petroleum Science & Engineering, Vol. 58, p30-42
8. Goel, T., Haftka, R., Shyy, W., Queipo, N. (2007) Ensemble of surrogates. Structural and Multidisciplinary Optimization, Vol. 33, No. 3, March
9. N.H. Kim, H. Wang, N. V. Queipo (2006) Efficient shape Ootimization ander uncertainty using polynomial chaos expansions and local sensitivities. AIAA Journal, 44, N° 5, p1112-1116
10. N.H. Kim, H. Wang, N. V. Queipo (2006) Adaptive reduction of design variables using global sensitivity in reliability-based optimization. International Journal of Reliability and Safety, Vol. 1, N° 1/2, p102-119
11. Queipo, N., Haftka, R., Shyy, W., Goel, T. y Vaidyanathan, R. (2005) Surrogate-based analysis and optimization. Journal of Progress in Aerospace Sciences, Vol 41, p1-28
12. Colmenares, J., Pintos, S. (2005) Algoritmo de optimización global eficiente con modelo aditivo acoplado. Revista Ciencia, Volumen 13, Nº 2, p193-204.

Articulos en memorias de congresos nacionales e internacionales

1. Nava, E., Pintos, S., Queipo, N. (2008) A Geostatistical perspective for the surrogate-based integration of variable fidelity models. 12th AIAA/ISSMO Multidisciplinary Analysis and Optimization Conference, Victoria, British Columbia, Canada, Septiembre, 10-12.
2. Lin, Y,C., Haftka, R.T., Queipo, N., and Fregly, B.J. (2008) Dynamic simulation of knee motion using three-dimensional surrogate contact modeling. ASME 2008 Summer Bioengineering Conference (SBC2008-190966) Marco Island, Florida, USA, Junio 25-29.
3. Pintos, S., Bohorquez, C., Queipo, N. (2008) Asymptotic Dykstra-Parsons estimates and confidence intervals . 11th European Conference on the Mathematics of Oil Recovery. Bergen, Norway, Noruega; 8 - 11 de septiembre.
4. Mack, Y., Haftka, R., Segal, C., Queipo, N., Shyy, W. (2007) Computational Modeling and Sensitivity Evaluation of Liquid Rocket Injector Flow. 43rd AIAA/ASME/SAE/ASEE Joint Propulsion Conference & Exhibit 8-11 July, Cincinnati, OH. AIAA 2007-5592.
5. Tushar Goel, Raphael Haftka, Nestor V. Queipo, y Wei Shyy. (2006) Performance Estimates and Simultaneous Application of Multiple Surrogates. 11th AIAA/ISSMO Multidisciplinary Analysis and Optimization Conference, Portsmouth, Virginia, 6-8 September. Best student technical paper
6. Lin, Y.-C., Haftka, R.T., Queipo, N.V., and Fregly, B.J. (2006) A generalized surrogate contact model for dynamic simulations with anatomic joints. In Proceedings of the 2006 Summer Bioengineering Conference, BIO2006-157789, Amelia Island, Florida, The American Society of Mechanical Engineers, New York.
7. Lin, Y.C., Haftka, R.T., Queipo, N.V., and Fregly, B.J. (2006) A generalized analytical joint contact model for dynamic musculoskeletal simulations. In Proceedings of the 7th International Symposium on Computer Methods in Biomechanics and Biomedical Engineering, manuscript 172, Juan-les-Pins, France.
8. Queipo, N., Verde, A., Pintos, S., and, Haftka, R. (2006) Assessing the value of another cycle in surrogate-based optimization. 11th AIAA-ISSMO Multidisciplinary Analysis and Optimization Conference,Virginia, U.S.A., 6-8 September.

Replicación de datos para escalabilidad

El tamaño y número de sistemas distribuidos tales como sistemas de comercio electrónico, nubes de computación, redes sociales, sistemas peer-to-peer, redes de sensores y aplicaciones web dinámicas, entre otros, crece aceleradamente, lo cual plantea retos relacionados con la escalabilidad de los mismos, es decir, con su capacidad para crecer manteniendo niveles aceptables de calidad de servicio.

Una de las técnicas fundamentales para dar escalabilidad a un sistema distribuido es la replicación. La replicación consiste básicamente en duplicar datos o procesos, de manera tal que la carga total del sistema se distribuya eficientemente entre las réplicas. A diferencia de la replicación para tolerancia a fallas, la replicación para escalabilidad requiere estrategias diferenciadas para cada ítem a replicar, inclusive a diferentes niveles de granularidad. Estas estrategias incluyen decidir cuántas replicas deben crearse y dónde, cómo dirigir cada solicitud a la réplica más apropiada para dicha solicitud, cómo mantener consistentes las réplicas, cómo manejar fallas de máquinas existentes y la entrada de nuevas máquinas al sistema, cómo ajustar el sistema ante cambios inesperados en la carga de trabajo y en las condiciones de la red, y cómo defenderse de ataques internos o externos contra la integridad del sistema.

En muchísimos casos, la implementación de estrategias diferenciadas para cada ítem requiere lazos de control (ver Figura) cuyos componentes deben ser distribuidos, ya que una solución centralizada no sería escalable. Esta línea de investigación estudia el problema del manejo descentralizado y automático de réplicas de datos para escalabilidad.

Publicaciones