Este artículo presenta un framework Python integral para optimizar parámetros de fabricación de baterías de litio utilizando modelos sustitutos de aprendizaje automático, algoritmos genéticos multiobjetivo (NSGA-II) y explicabilidad SHAP. El enfoque entrena 11 modelos ML diferentes para predecir el rendimiento de la batería, luego usa NSGA-II para encontrar parámetros de proceso óptimos que equilibren múltiples objetivos. El análisis SHAP proporciona interpretabilidad al identificar qué parámetros influyen más en los resultados. Este pipeline es altamente relevante para aplicaciones industriales de IA donde el modelado predictivo, la optimización y la explicabilidad deben trabajar juntos.
Un framework Python que combina 11 modelos sustitutos de ML, NSGA-II y SHAP para la optimización de parámetros de baterías de litio.