Aplicaciones del Aprendizaje: Modelado y Pronóstico de la Serie Temporal de 222Rn en el Laboratorio Subterráneo de Canfranc (LSC)

Abstract

El nivel de 222Rn (isótopo de Radón) en laboratorios subterráneos, dónde se alojan los experimentos de Física de bajo fondo, constituye la mayor fuente de dicho fondo. Así, esta se considera la principal distorsión a la hora de obtener resultados de alta precisión. En España, el Laboratorio Subterráneo de Canfranc alberga experimentos innovadores como el Argon Dark Matter-1t Experiment, encaminado a la búsqueda directa de materia oscura en el universo. Para las colaboraciones que explotan estos experimentos, el análisis, modelado y pronóstico del nivel de 222Rn es una tarea muy relevante para alcanzar una planificación eficiente de las actividades de instalación y mantenimiento dentro del laboratorio. En el presente trabajo, se analizan cuatro años completos de valores de 222Rn medidos cada diez minutos entre Julio de 2013 y Junio de 2017 en el Laboratorio Subterráneo de Canfranc. Para dicho análisis, y posterior pronóstico, se utilizan metodologías clásicas como: el suavizado exponencial Holt-Winters, los Promedios Móviles Integrados Autorregresivos y la Descomposición en Estacionalidad y Tendencia usando el método Loess. Además, se usan técnicas de aprendizaje automático y profundo tales como: Redes Neuronales Feed-Forward, Redes Neuronales Recurrentes y Redes Neuronales Convolucionales. Con el objetivo de evaluar el rendimiento de estos métodos, se van a usar tanto el Error Cuadrático Medio como el Error Absoluto Medio. Ambas métricas determinan que las técnicas basadas en aprendizaje automático y profundo son las que mejores resultados predictivos presentan. Es importante señalar que esta es la primera vez que se investigan los datos mencionados y constituye un excelente ejemplo de series temporales científicas con implicaciones relevantes para la calidad de los resultados obtenidos en experimentos destacados.