Aprendizaje automático para predecir los resultados del teñido
Por Abigail Turner
https://www.wtin.com/article/2025/september/15-09-25/machine-learning-to-predict-dyeing-outcomes/
18 de septiembre de 2025
Investigadores de Corea del Sur han desarrollado un marco de aprendizaje automático para predecir resultados sostenibles en el teñido de textiles.
El estudio de Hyeokjun Cho y Seung Geol Lee, del Instituto Nacional de Ciencia y Tecnología de Ulsan (UNIST), publicado en ACS Publicationspresenta cómo los modelos de predicción basados en el aprendizaje automático ofrecen la ventaja de identificar condiciones de teñido que no sólo producen colores cercanos al objetivo deseado, sino que también reducen el consumo de agua, productos químicos y energía, al tiempo que mejoran la consistencia y reducen los residuos.
Los investigadores del UNIST afirman que su modelo reduce la necesidad de repetir experimentos al aprender de los datos experimentales existentes y predecir los resultados en condiciones nuevas. Su estudio presenta un marco basado en la regresión de procesos gaussianos (GPR) para predecir los resultados colorimétricos de los procesos de teñido con mezclas de fibras ecológicas compuestas de tereftalato de polietileno reciclado y tereftalato de dimetileno de policiclohexileno.
La GPR es una técnica de regresión no paramétrica utilizada en el aprendizaje automático y la estadística. Puede ser útil cuando se trabaja con datos continuos, en los que la relación entre las variables de entrada y las de salida no se conoce explícitamente, o puede ser compleja. La GPR puede modelizar la certeza en las predicciones, ya que se basa en una colección de variables aleatorias, cualquier número finito de las cuales tiene una distribución normal.
Cho y Lee identificaron una necesidad creciente, en la industria textil, de tecnologías de tintura «precisas y eficientes» que puedan lograr simultáneamente el control de calidad, la optimización del proceso y la reducción del impacto ambiental de la tintura.
El teñido de textiles es la fase del proceso textil que más recursos consume: grandes cantidades de agua, energía y productos químicos. Por ello, en este ámbito se está impulsando la adopción de métodos de producción sostenibles. El desarrollo de marcos de aprendizaje automático requiere una cantidad suficiente de datos de entrenamiento, que a menudo son difíciles de obtener debido a las limitaciones físicas y económicas de los experimentos reales de teñido textil.
En este estudio, el modelo GPR se introdujo para hacer frente al reto de un tamaño de muestra pequeño, con el objetivo de lograr un alto rendimiento predictivo incluso con datos limitados. Los investigadores descubrieron que el GPR es eficaz en entornos con datos de entrenamiento limitados, ya que ayuda a evitar el sobreajuste al tiempo que mantiene un sólido rendimiento de generalización.
El modelo GPR se construyó utilizando 52 muestras experimentales para predecir la relación entre las variables del proceso de tintura, como la temperatura de tintura, el tiempo y la concentración, y las coordenadas de color resultantes. También se examinó la concordancia entre los valores predichos y los reales utilizando varios métodos de validación.
Los investigadores escriben en la publicación de la ACS «Sustainable Dyeing Process Modeling for Recycled PET/PCT Microfibers via Gaussian Process Regression»: «Este estudio demostró experimentalmente que el modelo GPR puede aplicarse eficazmente para predecir las coordenadas de color de los tejidos teñidos en función de las variables del proceso de teñido.»
Los resultados sugieren que la GPR podría ofrecer un enfoque prometedor para lograr una alta precisión predictiva con datos limitados. Al reducir la necesidad de realizar experimentos iterativos de tintura, podría disminuir la generación de aguas residuales y el consumo de recursos, lo que contribuiría a unas prácticas de tintura más sostenibles desde el punto de vista medioambiental.
«También proporciona una base práctica para el control de calidad eficiente y el diseño de procesos, con aplicaciones potenciales en sistemas de teñido inteligentes, control en tiempo real en la fabricación, control de procesos basado en gemelos digitales y desarrollo de productos textiles ecológicos», añaden los investigadores. «La aplicación del modelo GPR directamente en la fábrica puede facilitar la optimización adaptativa, mejorando así la sostenibilidad y la productividad en las operaciones de teñido a gran escala».
Danos tu opinión. Únase a la conversación y síganos en LinkedIn