Resumen de Análisis de modelos de inteligencia artificial para predecir la temperatura vicat de diversos compuestos basado en biohdpe comparando diversas técnicas de machine learning
Manuel Llorca, David Garcia Sanguera, Jordi Linares Pellicer 
La ciencia de materiales es un campo interdisciplinar que estudia la estructura, propiedades, comportamiento y rendimiento de los materiales. Este trabajo se enfoca en los polímeros de polietileno, los más utilizados en la industria, con especial énfasis en los bio-polietilenos, que se alinean con los objetivos de sostenibilidad al derivarse de materiales renovables como biomasa y cultivos agrícolas, reduciendo la dependencia de recursos fósiles y la huella de carbono.
La temperatura VICAT es una medida clave para evaluar la resistencia térmica de los materiales termoplásticos, indicando la temperatura a la cual comienzan a ablandarse bajo carga. Una mayor temperatura VICAT sugiere una mejor resistencia a la deformación térmica. Se utilizará, como base, una matriz de BioHDPE, conocida por su alta resistencia al impacto y la tracción.
Para mejorar las propiedades mecánicas y térmicas, se incorporaron fibras de cáñamo, polvo de almendra, polvo de argán y nanotubos de Halloysite (HNT) en la matriz, utilizando residuos orgánicos para reducir costos. Estos componentes, disponibles en la región mediterránea, afectan la temperatura VICAT de manera diferente: la fibra de cáñamo y los HNT refuerzan la resistencia mecánica, mientras que los polvos de almendra y argán podrían reducirla debido a su tendencia a descomponerse.
Se aplicaron técnicas de aprendizaje automático (ML) para predecir la temperatura VICAT, buscando reducir tiempo y costos en el desarrollo de nuevos materiales. Se compararon modelos de regresión, incluyendo Regresión Lineal Múltiple (MLR), Redes Neuronales (NN), Árboles de Decisión (DT) y Vecinos Próximos (kNN), evaluados mediante el Error Porcentual Medio Absoluto (MAPE) y el coeficiente de determinación (R²). El mejor modelo de ML se identificará por un bajo MAPE y alto R², garantizando alta precisión en la predicción.
Este estudio demuestra el potencial del ML en la predicción de propiedades de materiales, contribuyendo al diseño eficiente y sostenible de nuevos polímeros.
