This thesis lays the foundation for a quantitative approach that synergistically integrates machine learning models with optimization techniques to improve decision-making in sustainable energy systems. Four representative case studies are evaluated. In Approach 1, thermal machines (SRC, ORC, and absorption cycle) for waste heat recovery are modeled and optimized. In Approach 2, production and water management of shale gas wells are predicted and optimized using artificial neural networks (ANN); both cases are solved using multi-objective genetic algorithms, generating Pareto fronts that balance economic benefits, emissions, and social metrics. Approach 3 employs ANN integrated into a MINLP model to simultaneously optimize gas production and water reuse in unconventional reservoirs, while Approach 4 integrates ANN models into an NLP scheme to maximize profitability and minimize resource consumption in the manufacture of photovoltaic panels in Mexico. These two cases are solved using deterministic methods (MINLP and NLP), which guarantee convergence and reproducibility. The results confirm that the explicit incorporation of machine learning models into optimization formulations enables a more faithful representation of process behavior and leads to feasible solutions that outperform conventional designs in terms of economic and environmental indicators. Furthermore, a substantial reduction in computational effort is observed compared to detailed simulations, without sacrificing predictive accuracy. Overall, the research demonstrates the feasibility and competitive advantage of integrating machine learning with optimization strategies to design and operate cleaner, more efficient, and more resilient energy processes. The proposed methodology also offers transferable guidelines applicable to other process engineering contexts.
Esta tesis sienta las bases de un enfoque cuantitativo que integra de forma sinérgica modelos de aprendizaje automático y técnicas de optimización para mejorar la toma de decisiones en sistemas de energía sostenible. Se evalúan cuatro casos de estudio representativos. En el Planteamiento 1, se modelan y optimizan ciclos térmicos (SRC, ORC y ciclo de absorción) para recuperación de calor residual; en el Planteamiento 2, se predicen y optimizan la producción y gestión hídrica de pozos de gas de lutitas mediante redes neuronales artificiales (RNA); ambos se resuelven con algoritmos genéticos multiobjetivo, trazando frentes de Pareto para identificar el equilibrio en términos del beneficio económico, emisiones y métricas sociales. En el Planteamiento 3 se emplean RNA integradas en un modelo MINLP para optimizar simultáneamente la producción de gas y el reúso de agua en yacimientos no convencionales, mientras que en el Planteamiento 4 se integran modelos RNA en un esquema NLP para maximizar la rentabilidad y minimizar recursos en la manufactura de paneles fotovoltaicos en México; los Planteamientos 3 y 4 se resuelven con métodos deterministas (MINLP y NLP) que garantizan convergencia y reproducibilidad. Los resultados confirman que la incorporación explícita de modelos de aprendizaje automático en las formulaciones de optimización permite capturar con mayor fidelidad el comportamiento de los procesos y obtener soluciones factibles que superan a los diseños convencionales en cuanto a indicadores económicos y ambientales. Además, se observa una reducción sustancial del esfuerzo computacional frente a simulaciones detalladas, sin sacrificar precisión predictiva. En conjunto, la investigación demuestra la viabilidad y ventaja competitiva de la estrategia aprendizaje automático y optimización para diseñar y operar procesos energéticos más limpios, eficientes y resilientes, ofreciendo lineamientos metodológicos transferibles a otros contextos de la ingeniería de procesos.
