6446 research outputs found
Sort by
Perspectivas de la economía colombiana 2025 De un desempeño mediocre a un crecimiento insuficiente
No full text3 página
Reporte de exportaciones de Antioquia 2024 Un balance que será difícil de repetir.
No full text4 página
Semillero de investigación Biodiversidad y Cambio Ambiental 2024-2
No full textInforme de actividades del Semillero de investigación Biodiversidad y Cambio Ambiental 2024-22024-
Análisis predictivo y de Big Data para la comprensión del comportamiento del consumidor en el sector inmobiliario del Valle de Aburrá
No full text72 páginasRESUMEN: El trabajo titulado “Análisis Predictivo y de Big Data para la comprensión del comportamiento del consumidor en el sector inmobiliario del Valle de Aburrá” explora cómo las empresas inmobiliarias pueden utilizar técnicas avanzadas de análisis de datos para anticipar necesidades y preferencias de los clientes. A través del uso de fuentes como redes sociales, portales web, registros de ventas, variables demográficas y datos de sensores urbanos, se aplicaron modelos predictivos como Random Forest, XGBoost y Redes Neuronales, siendo estas últimas las más precisas (R² = 0,93; MAE = 24,9 millones COP). Se definieron cinco criterios de evaluación para seleccionar modelos según el nivel de madurez tecnológica de la empresa. Los resultados permiten diseñar estrategias de marketing personalizadas basadas en datos, validadas mediante focus groups que resaltaron el interés por soluciones ajustadas a presupuesto, ubicación y estilo de vida, promoviendo así una toma de decisiones más efectiva e innovadora en el sector inmobiliario.ABSTRACT: The project entitled “Predictive and Big Data Analysis for Understanding Consumer Be- havior in the Real Estate Sector of the Aburrá Valley” has as its main objective to explore how real estate companies can apply advanced data analysis techniques to anticipate the needs and preferences of their customers. In a highly competitive and constantly changing environment, this study seeks to provide tools and strategies that enable companies to better align their offerings with actual market demand.
Through a methodology based on the collection and analysis of Big Data, the project iden- tifies the main sources of information available in the real estate sector, such as social media, sales records, and demographic data. In addition, different predictive modeling techniques, such as ma- chine learning, are evaluated to determine which ones offer the best results in predicting consumer trends and behaviors.
The expected results include a set of personalized, data-driven marketing strategies that will improve the customer experience and optimize sales operations in companies in the sector. At the institutional level, the project encourages collaboration between universities, companies, and government entities, promoting the adoption of innovative, data-driven solutions in the real estate sector.
The main results of the study include the identification and prioritization of five key Big Data sources (web portals, social networks, sales records, demographic variables, and urban sensor data), highlighted for their availability and relevance in the Aburrá Valley. In the simulated hous- ing price prediction pilot tests, Random Forest achieved an R² of 0.88 with an approximate MAE
of 29.4 million COP; XGBoost showed an R² of 0.91 and an MAE of 26.8 million COP; while Neural Networks achieved the best performance with an R² of 0.93 and an MAE of 24.9 million COP. In addition, five evaluation criteria were established—accuracy, interpretability, technical requirements, response time, and scalability—to select the most appropriate technique according to the company's level of technological maturity, recommending Random Forest for initial imple- mentations, XGBoost in intermediate phases, and Neural Networks when maximum accuracy is the priority. Finally, the focus groups validated a clear demand for more personalized marketing experiences, with preferences for alerts and recommendations tailored to budget, location, and lifestyle.PregradoIngeniero(a) Administrativo(a
Semillero de investigación de ciberseguridad 2025-1
No full textEvidencias de desafios y eventos en donde participaron los miembros del semillero de ciberseguridad.2025-
Implementación de una metodología de diagnóstico de deterioros en aerogeneradores utilizando Machine Learning
No full text171 páginasRESUMEN: Este trabajo de investigación presenta el desarrollo e implementación de una metodología para el diagnóstico de deterioros estructurales en aerogeneradores, mediante el uso de algoritmos de aprendizaje automático aplicados a datos de acelerometría adquiridos por un sistema de monitoreo estructural de diseño y fabricación nacional. La investigación se llevó a cabo durante un periodo de 1.5 años sobre un aerogenerador prototipo de 14 metros de altura, instrumentado con sensores distribuidos a lo largo de su mástil e instalado en la región del Oriente antioqueño. El enfoque metodológico se fundamenta en la teoría de los cambios en las frecuencias naturales causados por pérdidas de rigidez estructural. A partir de esta base, se ejecutó un plan experimental que incluyó la simulación de deterioros inducidos mediante la manipulación de cables tensores, la creación de una base de datos de deterioro, el análisis de vibraciones en condiciones operacionales, y la posterior aplicación de técnicas de aprendizaje automático para detectar y localizar dichos deterioros. El procesamiento de las señales permitió identificar modos de vibración sensibles al daño, destacando el primer modo de vibración, que presentó alrededor de 0.68 Hz en condición operacional sana a 0.39 Hz en condición de daño máximo. Como parte de la metodología, se evaluaron cinco algoritmos de aprendizaje automático, seleccionando Light Gradient Boosting Machine (LightGBM) como el modelo con mejor desempeño, alcanzando una exactitud del 99.1% en la detección general de deterioros y 98.6% en la predicción de su localización. Además, se desarrolló una interfaz de usuario integrada directamente al sistema de adquisición, permitiendo la visualización y monitorización contino del estado estructural del aerogenerador. Inicialmente, se adquirieron 28,336 datos para conformar una base de datos, los cuales fueron utilizados para valorar las características sensibles al deterioro en los registros de acelerometría, seguidamente se pudo entrenar y seleccionar el algoritmo de Machine Learning (ML) óptimo para detectar automáticamente la presencia y ubicación de deterioros en aerogeneradores. Con esta información, se propone un sistema nacional de monitoreo estructural continuo, económico y eficaz, diseñado para optimizar los costos de mantenimiento y reducir el riesgo de fallos estructurales.ABSTRACT: This research presents the development and implementation of a methodology for diagnosing structural damage in wind turbines using machine learning algorithms applied to accelerometry data acquired by a domestically designed and manufactured structural health monitoring system. The study was conducted over a 1.5-year period on a 14-meter-tall prototype wind turbine, instrumented with sensors distributed along its mast and installed in the Oriente region of Antioquia, Colombia.
The methodological approach is based on the theory that changes in natural frequencies reflect losses in structural stiffness. Building on this principle, an experimental plan was executed that involved the simulation of induced damage through the manipulation of guy wires, the creation of a damage database, vibration analysis under operational conditions, and the application of machine learning techniques to detect and locate the damage. Signal processing enabled the identification of vibration modes sensitive to structural deterioration, highlighting the first vibration mode, which shifted from approximately 0.68 Hz under healthy conditions to 0.39 Hz under maximum damage.
As part of the methodology, five machine learning algorithms were evaluated, with Light Gradient Boosting Machine (LightGBM) selected as the best-performing model. It achieved an accuracy of 99.1% in general damage detection and 98.6% in damage localization. Furthermore, a user interface was developed and integrated directly into the data acquisition system, enabling continuous visualization and monitoring of the wind turbine's structural condition.
A total of 28,336 data samples were initially collected to build the dataset. These were used to assess damage-sensitive features in the accelerometry records, enabling the training and selection of the optimal machine learning model for automatically detecting the presence and location of structural damage in wind turbines. Based on these results, the study proposes a national, cost-effective, and efficient continuous structural health monitoring system aimed at optimizing maintenance costs and reducing the risk of structural failure.MaestríaMagíster en Ingenierí
Evaluación del comportamiento de probióticos microencapsulados en un ambiente simulado del tracto gastrointestinal monogástrico porcino
No full text52 páginasRESUMEN: El uso de probióticos en la nutrición animal se consolida como una alternativa sostenible al uso de antibióticos, al favorecer la salud intestinal y el rendimiento productivo. Sin embargo, su eficacia depende de la supervivencia y persistencia celular frente a las condiciones adversas del tracto gastrointestinal (TGI). Este estudio evaluó el comportamiento de Lactobacillus casei microencapsulado en un ambiente simulado del TGI porcino, con el objetivo de determinar su persistencia y actividad metabólica bajo condiciones controladas.
Se desarrolló un modelo in vitro dinámico compuesto por biorreactores interconectados que reproducen las fases digestivas (boca, estómago e intestino) y se complementó con pruebas en un simulador estático para comparación. Se evaluaron tres tratamientos dietarios: control, probióticos liofilizados y microencapsulados. Se registraron parámetros de pH, temperatura, se cuantificaron los ácidos grasos volátiles (AGV) mediante HPLC y la abundancia de L. casei mediante qPCR.
Los resultados evidenciaron diferencias en la cinética de amplificación y en la persistencia bacteriana entre sistemas. En el modelo dinámico, L. casei mostró una adaptación inicial seguida de una reducción progresiva, mientras que en el sistema estático se observó una recuperación más rápida y concentrada en el tiempo. La microencapsulación proporcionó una liberación sostenida de células viables, sugiriendo una funcionalidad protectora de la matriz. Además, se registró una producción predominante de ácido acético, seguido de butírico y propiónico, con correlaciones positivas significativas entre los AGV, indicadores de una fermentación activa y equilibrada.
En conclusión, la microencapsulación constituye una estrategia efectiva para preservar la estabilidad y funcionalidad de probióticos durante su tránsito intestinal. El sistema in vitro desarrollado constituye una herramienta útil, reproducible y ética para el estudio de la interacción probiótico–microbiota, abriendo camino a innovaciones en la salud intestinal y en la producción animal sostenible.ABSTRACT: The use of probiotics in animal nutrition is established as a sustainable alternative to antibiotics, promoting intestinal health and productive performance. However, their effectiveness depends on the survival and persistence of cells under the adverse conditions of the gastrointestinal tract (GIT). This study evaluated the behavior of microencapsulated Lactobacillus casei in a simulated porcine GIT environment, aiming to determine its persistence and metabolic activity under controlled conditions.
A dynamic in vitro model composed of interconnected bioreactors reproducing the digestive phases (mouth, stomach, and intestine) was developed and complemented with assays in a static simulator for comparison. Three dietary treatments were evaluated: control, freeze-dried probiotics, and microencapsulated probiotics. Parameters such as pH and temperature were recorded, volatile fatty acids (VFA) were quantified by HPLC, and the abundance of L. casei was determined by qPCR.
The results showed differences in amplification kinetics and bacterial persistence between systems. In the dynamic model, L. casei exhibited an initial adaptation followed by a progressive decline, whereas in the static model, a faster and more concentrated recovery was observed. Microencapsulation provided a sustained release of viable cells, suggesting a protective functionality of the encapsulating matrix. Additionally, acetic acid was the predominant metabolite, followed by butyric and propionic acids, with significant positive correlations among VFAs, indicating an active and balanced fermentation process.
In conclusion, microencapsulation represents an effective strategy to preserve probiotic stability and functionality during intestinal transit. The developed in vitro system constitutes a useful, reproducible, and ethical tool for studying probiotic–microbiota interactions, paving the way for innovations in intestinal health and sustainable animal production.PregradoIngeniero Biotecnológic
Decodificación de gestos imaginados de extremidades mediante sistemas BCI basados en EEG
No full textLa electroencefalografía (EEG) es una de las técnicas más utilizadas en el desarrollo de interfaces cerebro-computadora (BCI), principalmente por su carácter no invasivo y su alta resolución temporal. Dentro de los sistemas BCI, aquellos orientados al control motor buscan asistir, reemplazar o emular movimientos de extremidades, incluyendo gestos complejos y específicos de la mano. No obstante, a pesar de los avances en la literatura, aún no existe un consenso sobre qué características de la señal EEG y qué configuración mínima de electrodos permiten una clasificación precisa y eficiente de gestos imaginados. Este estudio presenta un sistema BCI diseñado para identificar gestos complejos de la mano a partir de imaginación motora. El sistema se basa en un conjunto específico de características, clasificadores y un arreglo definido de electrodos, con el objetivo de lograr un rendimiento comparable o superior al reportado previamente. Para ello, se desarrolló un protocolo experimental bajo el paradigma de motor imagery, que busca activar la región sensorimotora mediante la evocación mental del movimiento, sin ejecución física. El enfoque propuesto se centra en la extracción de señales EEG en las bandas mu (8–13 Hz) y beta (13–30 Hz), que son relevantes en tareas motoras imaginadas. A partir de estas señales se calculan dos tipos principales de características: (1) Common Spatial Patterns (CSP), que permiten transformar la señal del dominio temporal hacia un espacio donde se maximiza la varianza discriminativa entre dos clases de movimientos; y (2) la Distribución Cuasi-Tiempo-Frecuencia de Choi-Williams (CWQTFD), que representa la evolución espectral de la señal a lo largo del tiempo, generando una representación en forma de imagen o mapa de calor. La clasificación de los gestos imaginados se realiza mediante dos enfoques: un Support Vector Machine (SVM) para las características extraídas con CSP, y una red neuronal convolucional (CNN) para las representaciones obtenidas con CWQTFD. Para la evaluación inicial del sistema, se utilizó la base de datos pública MI BCI2000, correspondiente a tareas de motor imagery. Los resultados preliminares muestran una precisión de hasta 78 % con CSP y 71 % con CWQTFD en la clasificación binaria de gestos. Se espera que la precisión del sistema pueda incrementarse mediante la adaptación del modelo a las características individuales de los sujetos y mediante la optimización del arreglo de electrodos. En fases posteriores, se implementarán técnicas adicionales para refinar la selección de canales y mejorar la robustez del sistema frente a variaciones intersujeto e intrasujeto. Este trabajo sienta las bases para futuros desarrollos de BCI centrados en el control fino de dispositivos mediante gestos imaginados de la mano