Identificación de parámetros de modelos continuos y discretos en procesos celulares y comparación entre ellos utilizando redes neuronales

Tambo Guerrero, María
Pérez Aliacar, Marina (dir.) ; Doblaré Castellano, Manuel (dir.)

Universidad de Zaragoza, EINA, 2024
Departamento de Ingeniería Mecánica, Área de Mec. de Medios Contínuos y Teor. de Estructuras

Graduado en Ingeniería de Tecnologías Industriales

Resumen: En este trabajo se desarrollan distintos métodos de aprendizaje automático para estimar parámetros de modelos de evolución tumoral del glioblastoma a partir de datos de concentración celular (provenientes de simulaciones o experimentos). También, gracias al método de sparse identification o identificación dispersa se calcula la relación entre los parámetros de los modelos continuos y discretos (o basados en agentes). En la primera parte, se entrena una red neuronal convolucional capaz de obtener, a partir de perfiles celulares generados por un modelo continuo, los parámetros que describen el comportamiento celular en ese modelo. Usando esta red podremos, a partir de un perfil proveniente de experimentos, obtener parámetros del modelo continuo. De forma análoga, a continuación se entrena otra red neuronal convolucional capaz de predecir los parámetros de un modelo discreto a partir de perfiles celulares. En la tercera parte, se obtiene una red neuronal capaz de a partir de parámetros continuos obtener parámetros discretos y otra red que predice la relación inversa. De esta forma se podrá correlacionar parámetros del modelo continuo con los del modelo discreto usando redes neuronales. Se comprobará que todas las redes implementadas proporcionen buenas predicciones sobre el conjunto de datos de test así como que tengan carácter general, para lo que se utilizará cross validation. Finalmente, se obtendrán las relaciones que presentan los parámetros del modelo continuo y discreto mediante identificación dispersa. Ello permite resolver el problema que presentan las redes neuronales debido a su estructura de cajas negras.

Tipo de Trabajo Académico: Trabajo Fin de Grado