Problemática: La destilación por arrastre de vapor presenta desafíos debido a la variabilidad de condiciones operativas y la ausencia de un procedimiento metodológico estructurado. La falta de un enfoque sistemático basado en inteligencia artificial dificulta la predicción del rendimiento del aceite esencial y la mejora de la eficiencia térmica.

Objetivo(s): Desarrollar un procedimiento metodológico basado en Inteligencia Artificial (IA) y modelado predictivo para optimizar la destilación por arrastre de vapor de Ocotea quixos, mejorando la eficiencia térmica y reduciendo pérdidas energéticas mediante el ajuste dinámico de parámetros operativos.

Metodología: Se estableció un procedimiento estructurado que incluye: recopilación y preprocesamiento de datos experimentales; implementación de modelos predictivos con redes neuronales profundas y regresión de soporte vectorial (SVR); optimización de hiperparámetros mediante Grid Search y Bayesian Optimization; validación del modelo predictivo y simulación dinámica basada en ecuaciones de balance de masa y energía en MATLAB.

Resultados y discusión: El procedimiento mejoró la precisión del modelo predictivo, reduciendo el error al 2,1% en redes neuronales profundas. La simulación reflejó variaciones térmicas clave, permitiendo ajustes en el diseño del equipo y optimizando la transferencia de calor. La eficiencia térmica aumentó en 12%, reduciendo pérdidas energéticas.

Conclusiones: La integración de IA y simulación computacional optimiza la destilación por arrastre de vapor de Ocotea quixos, permitiendo ajustes dinámicos y mejorando la estabilidad del proceso. Este enfoque estructurado es replicable en otros sistemas térmicos, contribuyendo a la automatización y eficiencia de procesos químicos y agroindustriales.