Search

El Pisco en el Perú se define como: “Producto obtenido exclusivamente por destilación de mostos frescos de Uvas Pisqueras recientemente fermentados, utilizando métodos que mantengan los principios tradicionales de calidad; producido en la costa de los departamentos de Lima, Ica, Arequipa, Moquegua y los Valles de Locumba, Sama y Caplina del departamento de Tacna”. El estado peruano tiene la “Denominación de Origen” bebida que se elabora exclusivamente en el Perú. El Perú producirá en el año 2021 mas de 10 Millones de litros, y según cifras de la Asociación de Exportadores del Perú (ADEX), el año 2020 la exportación de pisco creció a cerca de USD 4 millones de dólares, con perdidas anuales mayor a USD 112 millones en impuestos por alcohol adulterado, entre ellos el Pisco. La adulteración del Pisco con altas concentraciones de metanol y alcoholes varios; es un gran problema en el Perú, causando daños irreversibles a la salud, como ceguera parcial, visión borrosa, presión arterial baja, mareos, dolores abdominales, calambres, alteración del comportamiento, debilidad, trastornos en el estado de consciencia hasta coma; provocando fallas en el cerebro, ojos, riñón e hígado, así como también causa perdidas económicas a los productores de Pisco y que puede ser irreversible no solo en ingresos de dinero, sino como la imagen del estado peruano, porque si exportamos Pisco adulterado y causa daños a la salud de los consumidores extranjeros se cerraran exportaciones perjudicando también a otros productos bandera del Perú. La presente investigación propone diseñar un prototipo para clasificar el Pisco y Pisco adulterado, el cual estará basado en una matriz de sensores de gas que permite identificar componentes volátiles y congéneres del Pisco, una etapa de adquisición de datos con un microcontrolador ARM (Advanced RISC Machine) de bajo costo (Arduino), con un modelo clasificador basado en Machine Learning (Aprendizaje Automático). El principal resultado de la investigación es el desarrollo del modelo de clasificación de la calidad del Pisco con una alta precisión (accuracy) de 97.29% y un bajo tiempo de entrenamiento de 7.43ms, complementado con un desarrollo del prototipo de bajo costo y fácil uso.

The use of WiFi is widely used by a large number of devices, including those that make up the Internet of Things (IoT) and Artificial Intelligence (AI) systems. The location problem has been under investigation for a long time. In some cases, the radio signals used to transmit information are also used to make position estimates. However, its use is affected by the constant fluctuation of the signal. It is possible that when estimating the position of a component, it is influenced by obstacles, multipath and signal reflection. Its use improves when spatial localization is carried out, where assets can be traced within an indoor environment. In this work, the relationship of the distance estimation algorithms using RSSI and triangulation is analyzed, and a solution based on Neural Networks is proposed that combines the results of three distance estimation algorithms in order to increase precision., La tecnología WiFi es ampliamente utilizada por un gran número de dispositivos, incluyendo aquellos que componen sistemas de Internet de las Cosas (IoT) y de Inteligencia Artificial (IA). En ambos contextos, el problema de localización ha sido objeto de investigación durante mucho tiempo. En algunos casos, las señales de radio utilizadas para transmitir información son además aprovechadas para realizar estimaciones de posición. Sin embargo, este enfoque se encuentra afectado por la constante fluctuación de la señal. Es posible que al momento de realizar una estimación de posición de un componente emisor, éste se encuentre influenciado por los obstáculos, el multitrayecto y la reflexión de la señal. Sin embargo, su uso mejora cuando se realiza localización espacial considerando diferentes referencias. De esta manera, es posible trazar activos dentro de un ambiente indoor. En este trabajo se analiza la relación de los algoritmos de estimación de distancia utilizando RSSI y triangulación, y se propone una solución basada en Redes Neuronales que combina los resultados de tres algoritmos de estimación de distancia con el fin de aumentar la precisión.

The following directed work investigates the efficiency of the implementation of artificial neural networks (ANN) for the prediction of the energy absorption capacity (g) of ultra-high-performance fiber-reinforced concrete (UHPFRC) based on its dosage, subjected to direct traction. For the development of the project, 500 dosages of UHPFRC concretes compiled from the scientific literature will be used in order to adjust the mathematical model. To improve the model, the collected data was divided into training and testing data. The network was fitted using k-fold validation with the training data and evaluated with the test data. For the model, the dosages of UHPFRC reinforced with a fiber or with a hybrid mixture of two fibers were considered, from a wide range of fibers, such as straight steel fibers, hook-finished steel fibers, twisted steel fibers, PVA, polyethylene fibers and polypropylene fibers. In addition, an experimental validation of the network was carried out. The results demonstrated the efficiency of the model according to the statistical parameters used, as well as its precision and versatility to treat new data., El siguiente trabajo dirigido investiga la eficiencia de la implementación de redes neuronales artificiales (ANN) para la predicción de la capacidad de absorción de energía (g) del concreto de ultra-altas-prestaciones reforzado con fibras (UHPFRC) en función de su dosificación, sometido a tracción directa. Para el desarrollo del proyecto, se utilizaron 500 dosificaciones de concretos UHPFRC compiladas de la literatura científica con la finalidad de realizar el ajuste del modelo matemático. Para mejorar el modelo, se dividieron los datos recolectados en datos de entrenamiento y testeo. La red se ajustó usando validación k-fold con los datos de entrenamiento y se evaluó con los datos de testeo. Para el modelo se consideraron las dosificaciones de UHPFRC reforzados con una fibra o con mezcla hibrida de dos fibras, de entre una amplia gama de fibras, tales como fibras de acero rectas, fibras de acero acabadas en gancho, fibras de acero retorcidas, fibras de PVA, fibras de polietileno y fibras de polipropileno. Adicionalmente se realizó una validación experimental de la red. Los resultados demostraron la eficiencia del modelo de acuerdo con los parámetros estadísticos utilizados, así como su precisión y versatilidad para tratar datos nuevos.

El objetivo de este estudio fue evaluar modelos de predicción de la composición química del pasto kikuyo (Pennisetum clandestinum) usando espectroscopía en el infrarrojo cercano (NIRS). Se recolectaron muestras de P. clandestinum del distrito de Florida-Pomacochas, Amazonas, Perú, en tres edades de la planta (45, 60 y 75 días después del corte) y dos épocas del año (lluviosa y seca). Se determinó el contenido de humedad (H), proteína cruda (PC), extracto etéreo (EE), fibra cruda (FC), cenizas y energía bruta (EB). Se obtuvieron los espectros de absorbancia en el rango de longitud de onda de 1100-2500 nm. Mediante funciones y scripts de Matlab 2015ª se implementaron modelos de predicción, completos y optimizados, mediante redes neuronales (ANN) y regresión por mínimos cuadrados parciales (PLSR). Los modelos optimizados usaron 18 longitudes de onda relevantes, determinadas para ambos tipos de modelos de acuerdo a la matriz de beta coeficientes del modelo PLSR. Los modelos PLSR vs ANN, en la etapa de validación, mostraron mejores ajustes (R2>0.70) en H, PC, EE, cenizas y EB con un R2 de 0.74, 0,89, 0.79, 0.74 y 0.87, respectivamente. Por tanto, el modelo NIRS-PLSR tiene potencial en la predicción de la composición del pasto kikuyo (P. clandestinum).

En este estudio se analiza la viabilidad de entrenar un agente para el juego Pac-Man mediante la aplicación del algoritmo neuroevolutivo NEAT. Se analizan los resultados de aplicar diferentes estrategias de entrenamiento y tratamientos en la entrada en el rendimiento de los agentes resultantes. This study analyses the effects of training an agent to perform actions in the game of Pac-Man using the neuroevolutive algorithm NEAT. The results show how applying different training strategies and different data treatment affect the performance of the resulting agents.

[EN] Due to some reasons like sustainability and energy strategy, there is a clear trend using new ways to obtain energy, more efficient and, usually, renewables. In addition, with other dierent objectives, many researchs are being carried out on energy storage systems; one of the most promising, in terms of capacity and mobility, is hydrogen-based. In the present work a model is obtained to predict the dynamic behavior of a hydrogen fuel cell, which will improve its control. The variables used in this research have been extracted from a test bench, where a fuel cell is monitored under several load conditions with a programmable load connected to its output. To perform this model, a hybrid intelligent model was chosen. This kind of models use clustering techniques to divide the data set and, after that, intelligent regression algorithm with artificial neural networks are used for each group. The proposal has been tested with two validation data set, obtaining highly satisfactory results., [ES] Por razones de sostenibilidad y estrategia energética, entre otras, existe en la actualidad una tendencia clara hacia el uso de nuevas formas de obtención, almacenamiento y gestión de energía, más eficientes y con un carácter eminentemente sostenible. Con este fin, se está investigando sobre sistemas de almacenamiento de energía; de los que uno de los más prometedores, en lo que a capacidad y movilidad se refiere, es el basado en hidrógeno. En el presente trabajo se obtiene un modelo para predecir el comportamiento dinámico de una pila de combustible alimentada por hidrógeno, lo cual permitirá mejorar su control entre otras aplicaciones. Las variables usadas en esta investigación se han extraído de un banco de pruebas real, donde se monitoriza una pila de combustible mientras se producen variaciones en una carga programable conectada a la salida de la misma. Para realizar este modelado se opta por estudiar la implementación de un modelo híbrido basado en técnicas de agrupamiento y, posteriormente, técnicas inteligentes de regresión con redes neuronales artificiales sobre cada uno de los grupos. La propuesta se ha probado con dos conjuntos de datos de validación, consiguiendo resultados altamente satisfactorios., Los autores de este trabajo quieren agradecer el soporte en materia de financiación del Ministerio de Economía, Industria y Competitividad del Gobierno de España a través del proyecto H2SMART-μGRID (DPI2017-85540-R).

Este artículo presenta los resultados del proceso de reconocimiento de huellas digitales acústicas utilizando características espectrales de la señal. El Análisis de Componentes Principales (PCA, por sus siglas en inglés) se aplica para reducir la dimensión de las características extraídas y luego se implementa un clasificador basado en el método de los k-vecinos más cercanos (KNN) para identificar el patrón de la señal de audio. Este clasificador se compara con una Red Neuronal Artificial (ANN, por sus siglas en inglés). Es necesario implementar un sistema de filtrado para las señales adquiridas para reducir el ruido de 60 Hz generadas por las imperfecciones en el sistema de adquisición. Los métodos descritos en este trabajo se utilizaron para el reconocimiento de embarcaciones marinas

Este trabajo presenta el desarrollo de una plataforma integral que permite el diseño de rodetes de turbinas Francis, basados en los parámetros de sitio (altura, caudal y velocidad de rotación), mediante la optimización de dos funciones objetivo: la eficiencia hidráulica y la resistencia a la erosión. Como variables de diseño se han seleccionado el ángulo relativo de flujo a la salida β_2 y el coeficiente de presión a la entrada ψ_1. Se muestra el flujo de diseño de la herramienta, los métodos de análisis por mecánica computacional de fluidos (CFD), la formulación del problema multiobjetivo, los algoritmos metaheurísticos empleados para este proceso de optimización y la ayuda de estrategias de inteligencia artificial - mas específicamente, el uso de redes neuronales artificiales -, para la evaluación de los objetivos. Finalmente, se muestra la integración del proceso de diseño en una única plataforma de software: FRAN-DES, y se presentan dos casos de prueba que permiten observar la validez de los resultados de la misma. Abstract: This dissertation presents the development of an integral platform for design of Francis turbine runners, based on the location parameters of the turbine (Head, flow volume and rotational speed), by the means of the optimization of two objective functions: Efficiency and Erosion resistance. As design variables, two have been selected: the relative angle between the flow and the runnet at the outlet β_2 , and the pressure coefficient at the inlet ψ_1 . Here is presented the workflow of the platform, analysis methods via computational fluid mechanics (CFD), the formulation of the multi-objective problem, the metaheuristic algorithms employed to solve this problem and the help to the evaluations of such algorithms throug the use of artificial intelligenge strategies - specifically, the use of artificial neural networks (ANN) -. Finally, the incorporation of this design process in a single software platform named FRAN-DES is presented, and two test cases are studied, which allow to validate the results presented by this tool. Maestría

El objetivo de la investigación fue evaluar dos diferentes modelos de predicción de la composición nutricional de pastos nativos de la localidad de Pomacochas mediante espectroscopía de infrarrojo cercano (NIR). Además, se analizó para esto parámetros nutricionales como: humedad (H), proteína cruda (PC), extracto etéreo (EE) y ceniza (Cen), extracto libre de nitrógeno (ELN), fibra detergente neutro (FDN), fibra detergente ácida (FDA), energía bruta (EB) y digestibilidad in vitro. Se recolectó muestras de tres variedades de pastos nativos (Holcus lanatus, Pennisetum clandestinum y Paspalum scabrum), en tres estados fenológicos de la planta (inicio de floración, floración y post floración) con tres repeticiones, dichas muestras fueron secadas en una estufa con aire forzado a 60 ° por 48 horas, molidas y envasadas en bolsa de polietileno de alta densidad. Se obtuvieron los espectros de absorbancia en el rango de longitud de onda de 1100 - 2500 nm. Se desarrollaron las predicciones mediante el software Matlab 15ª con modelos de redes neuronales (ANN) y regresión por mínimos cuadrados parciales (PLSR), con 14 longitudes de onda relevantes en FDA, 16 en FDN, 20 en digestibilidad in vitro y 18 en los demás parámetros evaluados. Los resultados obtenidos demostraron que el modelo PLSR en comparación del modelo ANN brinda mejores ajustes (R2 > 0.70), obtenidos en la validación para pastos nativos. Tesis

Los algoritmos de aprendizaje reforzado o reinforcement learning son un tipo de algoritmos de machine learning que permiten a los agentes software determinar automáticamente el comportamiento ideal en un determinado contexto, con el objetivo de maximizar una recompensa mediante prueba y error. Se pretende evaluar la adecuación de reinforcement learning como método de reacción automática frente a un determinado tipo de problemas que puedan surgir en la red, relacionados con anomalías de seguridad, bien de manera aislada o en conjunción con otras técnicas de deep learning., Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática, Máster en Ingeniería de Telecomunicación

This paper investigates the potential of data mining techniques to predict daily soil temperatures at 5-100 cm depths for agricultural purposes. Climatic and soil temperature data from Isfahan province located in central Iran with a semi-arid climate was used for the modeling process. A subtractive clustering approach was used to identify the structure of the Adaptive Neuro-Fuzzy Inference System (ANFIS), and the result of the proposed approach was compared with artificial neural networks (ANNs) and an M5 tree model. Result suggests an improved performance using the ANFIS approach in predicting soil temperatures at various soil depths except at 100 cm. The performance of the ANNs and M5 tree models were found to be similar. However, the M5 tree model provides a simple linear relation to predicting the soil temperature for the data ranges used in this study. Error analyses of the predicted values at various depths show that the estimation error tends to increase with the depth. Este artículo investiga el potencial de las técnicas de búsqueda y procesamiento de datos para pronosticar las temperaturas diarias del suelo a profundidades que van de los 5 a los 100 cm con propósitos agrícolas. Se utilizó la información climática y de temperatura del suelo de la provincia Ishafan, ubicada en el centro de Irán y de clima semiárido, para el proceso de modelamiento. Se usó un enfoque de agrupamiento sustractivo para identificar la estructura del Sistema de Inferencia Neuronal Difuso Adaptado (ANFIS, del inglés Adaptive Neuro-Fuzzy Inference System) y el resultado del acercamiento propuesto se comparó con redes artificiales neuronales (ANN) y el modelo tipo árbol M5. Los resultados sugieren un desempeño mejorado al usar el enfoque ANFIS en la predicción de las temperaturas del suelo en varios puntos de profundidad, excepto en los 100 cm. El desempeño de las redes artificiales neuronales y los modelos de árbol M5 fueron similares. Sin embargo, el modelo tipo árbol M5 provee una relación linear simple para predecir los rangos de datos de la temperatura del suelo utilizados en este estudio. Los análisis de error de los valores predichos a varias profundidades muestran que la estimación de error tiende a incrementarse con la profundidad.

El presente trabajo de tesis de maestría se desarrolló para el establecimiento de una metodología, que permita el diseño e implementación de sensores inferenciales basados en datos, bajo tres técnicas seleccionadas, por la creciente atención que vienen despertando en tareas de modelamiento y estimación de variables industriales. Las técnicas seleccionadas son las redes neuronales artificiales, las máquinas de vectores de soporte y los sistemas de inferencia neuro-difusa, que adicionalmente utilizan bases distintas para la solución del problema de regresión. Teniendo en cuenta lo anterior, se diseñaron 3 sensores inferenciales basados en estas técnicas, explorando las etapas necesarias para establecer una predicción de buen desempeño y por consiguiente diferentes técnicas para el preprocesamiento de los datos, selección de modelo y el entrenamiento y validación de las técnicas. Para llevar a cabo estas tareas se obtuvo el modelo matemático de una columna de destilación con el fin de acercar el entorno de simulación a datos con características típicas del ambiente industrial. Con el desarrollo de los 3 sensores inferenciales se estableció una metodología que puede ser aplicada en la industria y que desemboca en un desempeño adecuado para predecir variables de difícil o impráctica medición. Abstract: The present master's thesis work was developed for the establishment of a methodology, which allows the design and implementation of data-based inferential sensors, under three selected techniques. Due to the increasing attention they have been arousing in modeling and estimation of industrial variables. The techniques selected are artificial neural networks, support vector machines and neuro-diffuse inference systems, which additionally use different methods for the solution of the regression problem. Taking into account the above, 3 inferential sensors based on these techniques has been designed, by exploring the steps to establish a prediction of good performance and by means of different techniques for pre-processing of data, model selection and training of the techniques. To carry out these tasks, the mathematical model of a distillation column was obtained in order to bring the simulation environment closer to data with typical characteristics of the industrial environment. With the development of the 3 inferential sensors, a methodology was established that can be applied in the industry and that leads to adequate performance to predict variables of difficult or impractical measurement. Maestría

En esta tesis se presenta la aplicación de redes neuronales artificiales (ANNs) para modelar dos variables de gran importancia en la ingeniería del riego: la evapotranspiración de referencia y las pérdidas de carga localizadas provocadas por los emisores integrados. Por una parte, se ha propuesto un modelo ANN para la predicción de las pérdidas de presión ocasionadas por la inserción de emisores integrados en los laterales de riego localizado, lo que nunca se ha llevado a cabo mediante redes neuronales. Por otro lado, se ha analizado la validez de un modelo ANN de 4 inputs existente para predicción de ETo en distintos contextos continentales de la Comunidad Valenciana y se ha planteado un nuevo modelo ANN de 6 inputs para mejorar el rendimiento del anterior.Para llevar a cabo dichos estudios, se ha recurrido al uso de perceptrones multinivel (MLP) sometidos al algoritmo Levenberg Marquardt. En los tres casos, se analizaron redes con múltiples configuraciones y se repitió el proceso de entrenamiento de cada red un número variable de veces para compensar el efecto derivado de la asignación inicial aleatoria de pesos en dicho proceso. Asimismo, en los tres problemas abordados se llevaron a cabo distintas estrategias en la asignación de los datos disponibles a los conjuntos de entrenamiento, validación cruzada y test.A diferencia de los modelos estadísticos existentes, el modelo ANN propuesto para predicción de pérdidas de carga localizadas posee indicadores de rendimiento referidos a un set de test independiente, lo que ha permitido evaluar su potencial real de generalización. Para diferentes combinaciones de validación cruzada, con datos al menos de tres emisores, se obtuvieron valores medios del performance index por encima de 0.85. En cuanto a los modelos de predicción de ETo, el rendimiento del modelo existente de 4 inputs depende del grado de oscilación térmica del contexto continental en que se utilice y su validez fuera de la sede de entrenamiento es muy lim, Martí Pérez, PC. (2009). Aplicación de redes neuronales artificiales para predicción de variables en ingeniería del riego: evapotranspiración de referencia y pérdidas de carga localizadas en emisores integrados [Tesis doctoral no publicada]. Universitat Politècnica de València. doi:10.4995/Thesis/10251/64909., Palancia

Agradecimientos - Resumen - Summary - Lista de Tablas - Lista de Figuras - Capítulo 1 - Introducción - 1.1. Problema de Investigación - 1.2. Objetivos - 1.3. Hipótesis - 1.4. Organización de la Tesis - PARTE I. Marco Teórico y Metodológico - Capítulo 2 - Marco Teórico y Antecedentes - 2.1. Introducción - 2.2. Economía del Sector Lácteo - 2.3. Modelización y Predicción de Precios en la Cadena - 2.4. Antecedentes - Capítulo 3 - Metodología - 3.1. Introducción - 3.2. Predicción Mediante el VECM - 3.3. Predicción con ANN - 3.4. Comparación de los Modelos - Capítulo 4 - Datos, Variables y Procedimientos - 4.1. Introducción - 4.2. Variables - 4.3. Fuentes de los Datos - 4.4. Descripción de las Variables - 4.5. Implementación y Software - PARTE II. Resultados - Capítulo 5 - Predicción del Precio al Productor Primario - 5.1. Introducción - 5.2. Estimación del VECM - 5.3. Estimación del ANN - 5.4. Comparación de los Modelos - 5.5. Síntesis y Conclusiones - Capítulo 6 - Discusión, Conclusiones y Recomendaciones - 6.1. Discusión - 6.2. Conclusiones - 6.3. Recomendaciones y Futuras Líneas de Investigación - Bibliografía - Anexo Realizar pronósticos sobre el comportamiento de precios es de suma relevancia en un sector productivo, ya que permite a los agentes tomar decisiones con menor incertidumbre y realizar una planificación más seria sobre sus actividades. Sin embargo, no siempre es fácil contar con una metodología a tal fin, sobre todo en el sector agrícola ganadero por estar a sujeto múltiples improvistos, tanto de tipo climáticos como políticos, que hacen difícil su proyección. El sector lácteo argentino está compuesto por distintos niveles, a saber, primario, industrial y de comercialización. Estos niveles están coordinados por un sistema de precios, los cuales son objeto de constantes conflictos debido a los niveles los precios recibidos por cada uno ellos. En particular, los productores primarios son el eslabón con menor poder de negociación y con problemas para obtener información sobre dichos precios, motivos por los cuales, la presente tesis está centrada en comparar metodologías para predicciones confiables de los precios al productor primario lácteo. Con tal objetivo, se aborda el problema de la modelización multivariada de series de tiempo para la predicción, con el propósito de comparar la capacidad predictiva dos metodologías distintas, utilizando para ello información del sector. Por un lado, una más tradicional y generalmente usada en la el área de economía, los VECM; y por otro lado, una más innovadora en esta área, como son las ANN. En primer lugar, se modeliza con cada metodología, buscando para ello un diseño par-simonioso, y que estuviese fundamentado dentro de cada uno de los métodos. En el pro-ceso de búsqueda del VECM se sigue la metodología de Johansen; y en el de la ANN, un diseño a priori sencillo y coherente con la teoría económica. Luego, se realiza predicciones sobre el último año disponible a partir de dos procedi-mientos distintos, lográndose proyecciones de tipo estáticas y dinámicas. Finalmente se procede a comparar la capacidad predictiva de ambos modelos (para cada tipo de pronóstico) para predecir los precios pagados a los productores primarios de leche cru-da, y poder seleccionar el modelo es el más adecuado a dicho propósito. Fil: Vicentin Masaro, Jimena. Universidad Nacional de Córdoba; Argentina.