Resumen:Este trabajo investiga el uso de gemelos digitales para el modelado y control de sistemas dinámicos, integrando enfoques híbridos, basados en datos y basados en la física con controladores tradicionales y basados en IA. Utilizando un invernadero en miniatura como plataforma de prueba, se desarrollan y comparan cuatro modelos predictivos: lineal, modelado basado en la física (PBM), memoria a corto plazo (LSTM) y análisis y modelado híbridos (HAM) en escenarios de interpolación y extrapolación. También se implementan tres estrategias de control: control predictivo de modelo (MPC), aprendizaje por refuerzo (RL) y control basado en modelo de lenguaje grande (LLM) para evaluar las compensaciones en precisión, adaptabilidad y esfuerzo de implementación. Los resultados muestran que, en el modelado, HAM proporciona el rendimiento más equilibrado entre precisión, generalización y eficiencia computacional, mientras que LSTM logra una alta precisión con un mayor costo de recursos. Entre los controladores, MPC ofrece un rendimiento sólido y predecible, RL demuestra una gran adaptabilidad y los controladores basados en LLM ofrecen una interacción flexible entre humanos y IA cuando se combinan con herramientas predictivas.
Publicado originalmente en export.arxiv.org el 28 de octubre de 2025.
Ver fuente original
