Desarrollo de un modelo predictivo para determinación de capacidad antidetonante en combustibles de aviación

Abstract

En aviación existen dos tipos de impulsión: motores de pistón o ignición por chispa y motores de turbina. La Gasolina de Aviación (AvGas) es un combustible para la aviación basada en motores de pistón como las avionetas. La producción de esta gasolina es acotada debido a la demanda mensual. La calidad y seguridad de la gasolina de aviación dependen de varios parámatros o análisis que se hacen en al combustible y uno de ellos es la capacidad antidetonante o Detonancia de mezcla rica, medida tradicionalmente mediante el método ASTM D909-22 con un motor CFR Waukesha, un equipo fabricado en 1959 que hoy presenta múltiples desafíos: alta complejidad, sin recambio y un proceso que requiere cerca de seis horas para entregar resultados. En Chile, solo un reducido número de especialistas domina esta técnica, lo que representa un riesgo operativo y regulatorio para la venta de la Gasolina de Aviación, producida exclusivamente en Refinería Aconcagua. Esta tesina propone el desarrollo de un modelo predictivo basado en machine learning (ML) que permita estimar la Detonancia mezcla rica a partir de otras propiedades fisico-químicas registradas en sistemas de laboratorio (LIMS). El modelo Random Forest resultó ser la alternativa más precisa en el conjunto de datos estudiado, con un error promedio inferior al 1%, reduciendo drásticamente los tiempos de análisis desde horas a segundos y mejorando la eficiencia en el proceso de control de calidad de la Gasolina de Aviación. Más allá del aspecto técnico, con este desarrollo se plantea un modelo de negocio escalable bajo la modalidad Machine Learning-as-a-Service (MLaaS), que convierte este piloto en la base para ofrecer servicios de analítica predictiva a laboratorios, refinerías y organismos reguladores. La propuesta se sustenta en ingresos recurrentes por suscripción y proyectos específicos de implementación, con potencial de expansión hacia la industria energética latinoamericana y otros sectores industriales. En síntesis, este trabajo integra ciencia de datos, innovación y emprendimiento para transformar un procedimiento analítico crítico en una solución digital más rápida, económica y escalable, que refuerza la competitividad y sostenibilidad de la industria de combustibles en Chile y la región.

In aviation, there are two types of propulsion: piston or spark-ignition engines, and turbine engines. Aviation Gasoline (AvGas) is a fuel for aviation applications based on piston engines such as those used in light aircraft. Production of this gasoline is limited by monthly demand. The quality and safety of aviation gasoline depend on several parameters or analyses performed on the fuel, one of which is the anti-knock capacity or Rich Burn Knock, traditionally measured using the ASTM D909-22 method using a CFR Waukesha engine, a machine manufactured in 1959 that today presents multiple challenges: high complexity, no replacement parts, and a process that requires approximately six hours to deliver results. In Chile, only a small number of specialists master this technique, which represents an operational and regulatory risk for the sale of Aviation Gasoline, produced exclusively at the Aconcagua Refinery. This thesis proposes the development of a machine learning (ML)-based predictive model that allows estimating Detonation from other physicochemical properties recorded in laboratory-based systems (LIMS). The Random Forest model proved to be the most accurate alternative in the studied dataset, with an average error of less than 1 %. This model drastically reduced analysis times from hours to seconds and improved efficiency in the Aviation Gasoline quality control process. Beyond the technical aspect, this development proposes a scalable business model under the Machine Learning-as-a-Service (MLaaS) modality, making this pilot the basis for offering predictive analytics services to laboratories, refineries, and regulatory agencies. The proposal is supported by recurring subscription revenue and specific implementation projects, with potential for expansion into the Latin American energy industry and other industrial sectors. In summary, this work integrates data science, innovation, and entrepreneurship to transform a critical analytical procedure into a faster, more economical, and scalable digital solution, strengthening the competitiveness and sustainability of the fuel industry in Chile and the region.