Fernanda Saviñon-Flores

Fernanda Saviñon-Flores

Auto-generated profile, based on publicly available information

Fernanda Saviñon-Flores

Facultad de Ingeniería Química de la Benemérita Universidad Autónoma de Puebla, 18 Sur y Avenue San Claudio, C.P., Puebla, Pue 72570, México

Research Focus & Metrics

Academic Career Length

3Years (2024-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
8 September 2025 in ACS Omega
Verified
Journal Article
Open access
FSFernanda Saviñon-Flores
Fernanda Saviñon-Flores
JAJesús A. Arzola-Flores
Jesús A. Arzola-Flores
MGMiguel Angel García-Castro
Miguel Angel García-Castro
FDFausto Díaz-Sánchez
Fausto Díaz-Sánchez
EREsmeralda Vidal Robles
Esmeralda Vidal Robles
FVFidel Aaron Maruri Valderrabano
Fidel Aaron Maruri Valderrabano
The prediction of thermochemical properties such as the standard enthalpy of combustion is essential for the design and evaluation of energetic materials. In this study, the prediction of this thermochemical property is proposed through a QSPR strategy that combines machine learning and chemical graph theory. The data set consisted of 3477 organic compounds. SMILES codes were used for each molecule to construct their molecular graphs, from which topological indices such as Estrada, Wiener, and Gutman, as well as centrality measures, were calculated. These descriptors served as predictors in supervised learning models, with tree-based ensemble models showing the best performance. The best-performing model, random forest, achieved the following metrics on the test set: R 2 = 0.9810, MAE = 287.5988 kJ·mol–1, MAPE = 0.1048, RMSE = 551.9050 kJ·mol–1, and RMSLE = 0.1933. Interpretability analysis using SHAP confirmed that the Estrada and Gutman indices were the most influential variables in the predictions. In addition, the same random forest model was trained using 210 molecular descriptors obtained from RDKit, yielding slightly better metrics: R 2 = 0.9927, MAE = 142.2272 kJ·mol–1, MAPE = 0.0484, and RMSE = 342.0464 kJ·mol–1, and RMSLE = 0.1172. Moreover, specific models were developed for different families of compounds, achieving R 2 ≈ 0.99 in all cases. Finally, a clustering analysis using the K-Means algorithm in the space defined by the topological indices enabled the identification of latent molecular patterns, providing a novel framework for organizing and analyzing chemical space. This work demonstrates the potential of combining supervised and unsupervised learning methods with chemical graph theory to enable accurate, robust, and scalable prediction of thermochemical properties such as combustion enthalpy.

22 September 2025 in RD-ICUAP
Verified
Journal Article
Open access
JFJesús Andrés Arzola Flores
Jesús Andrés Arzola Flores
FFFernanda Saviñon Flores
Fernanda Saviñon Flores
MGMiguel Angel García-Castro
Miguel Angel García-Castro
FDFausto Díaz-Sánchez
Fausto Díaz-Sánchez
FMFidel Aaron Maruri-Valderrabano
Fidel Aaron Maruri-Valderrabano
La programación se está volviendo una herramienta clave para los ingenieros de hoy, por lo que para los ingenieros químicos no es la excepción. Frente al boom de tecnologías propias de la industria 4.0 y 5.0, tales como el internet de las cosas, el big data y por supuesto, la inteligencia artificial, saber programar ya no es opcional. En este artículo reflexionamos sobre la necesidad de integrar la programación en la formación de los futuros ingenieros químicos, no solo en asignaturas como métodos numéricos, simulación de procesos o control, sino también a lo largo de toda el currículo del programa de estudios de ingeniería química. Además, mostramos algunos paquetes de Python que pueden ser muy útiles en diferentes materias de ingeniería química. Finalmente, proponemos algunas estrategias y consejos para motivar el aprendizaje de la programación tanto para estudiantes como para docentes, con el objetivo de fomentar un cambio en el proceso de enseñanza-aprendizaje de esta disciplina.

26 September 2024 in RD-ICUAP
Verified
Journal Article
Open access
PDF file
FSFernanda Saviñon-Flores
Fernanda Saviñon-Flores
MGMiguel Angel García-Castro
Miguel Angel García-Castro
EREsmeralda Vidal Robles
Esmeralda Vidal Robles
JFJesús Andrés Arzola Flores
Jesús Andrés Arzola Flores
La inteligencia artificial (IA) está cambiando el modo de ver la tecnología a nivel mundial. Desde su aplicación en los diversos asistentes de voz hasta su uso en apps en teléfonos celulares, la IA es un tema que está tomando gran relevancia debido a los beneficios que ha mostrado en el avance tecnológico de diversos sectores de la industria y la ciencia. Además, del procesamiento de lenguaje natural, la visión computacional y la robótica, dos de las ramas más relevantes de la IA son el machine learning o aprendizaje automático y el deep learning o aprendizaje profundo. En general, el objetivo común es la predicción de valores u objetos a partir del uso de datos. Estas dos ramas pueden abordar problemas de regresión, clasificación y agrupamiento, es decir, son capaces de predecir variables cuantitativas y cualitativas, así como agruparlas de acuerdo a características similares. Dentro de las variables cuantitativas de interés predictivo en el área de la termodinámica (de manera directa) y de la ingeniería química (como aplicación), están las propiedades termoquímicas, de las cuales una de las que ha destacado por su importancia es la entalpía de combustión. En la actualidad, es posible obtener valores de entalpía de combustión con diferentes técnicas tales como la calorimetría de combustión (técnica experimental), métodos de estimación (técnica semiempírica) y, en la última década, el machine learning (técnica teórica). Siendo esta última la que ha logrado captar el interés en la comunidad científica debido a su impacto en diversas áreas del conocimiento, incluyendo la termodinámica, ya que permite predecir propiedades termoquímicas como la entalpía de combustión de diversos compuestos químicos.