59142 research outputs found
Sort by
Resolución del Consejo de Unidad Académica de la sesión realizada el 01 de julio del 2025
No full textCUA-08 DEL 01 DE JULIO DE 2025 BECA ELIZABETH ELIZABET
Despliegue dinámico de drones en situaciones críticas utilizando Machine Learning
Get PDFEste proyecto aborda el diseño de un modelo de despliegue dinámico de drones basado en Machine Learning, utilizando algoritmos para el entrenamiento de una red neuronal. El trabajo se centra en el diseño de una red neuronal de tipo LSTM, la cual optimiza la ubicación de drones en tiempo real, garantizando una cobertura efectiva de zonas críticas. Mediante mapas de calor y simulaciones de pruebas alimentado por una base de datos, con variables como coordenadas de latitud, altitud y longitud, los drones son capaces de identificar zonas y/o áreas con alta densidad poblacional y nivel de prioridad con el fin de no solo posicionarse estratégicamente, sino reducir el consumo de energía debido el uso de rutas optimizadas. Esto asegura que cada uno de los 50 drones logren estar en el lugar adecuado, en el momento exacto.
Finalmente, la implementación de la red neuronal de tipo LSTM con la red de emergencia conformada por drones demostró ser una alternativa viable para solventar las limitaciones de funcionamiento de los sistemas de comunicaciones tradicionales durante y después de una situación crítica, debido al establecimiento de nodos autónomos y temporales, facilitando la comunicación entre los grupos de rescatistas y las personas afectadas de una localidad en específico y optimizando los tiempos de búsqueda.This Project focuses on the design of a dynamic drone deployment model based on Machine Learning (ML), utilizing algorithms for training a neural network. The work focuses on designing a Long-Short Term Memory (LSTM) neural network model, which optimizes the real-time positioning of drones to ensure effective coverage of critical areas. Through heat maps and test simulations powered by a database containing variables such as latitude, altitude, and longitude coordinates, the drones can identify zones and/or areas with high population density and priority levels. This allows them not only to be strategically positioned but also to reduce energy consumption by using optimized routes. This ensures that each of the 50 drones will be in the right place at the right time.
Finally, the implementation of the LSTM-type neural network with the emergency network composed of drones proved to be a viable alternative to overcome the operational limitations of traditional communications systems during and after a critical situation. This is due to the establishment of autonomous and temporary nodes, facilitating communication between rescue teams and affected individuals in a specific location while optimizing search time.
Keywords: Machine Learning, LSTM, population densit
Res. 25-11-453 por consulta, asign. carga investig. para Ma. Jose Castillo, PhD, Prof. ESPAE, 21 nov 2025
No full textAumento de capacidad de almacenamiento de soda mediante la aplicación de un modelo de optimización
Get PDFEl presente proyecto consistió en el diseño y aplicación de un modelo de optimización para el aumento de capacidad de almacenamiento de Soda, obteniendo una distribución de asignación de sustancias químicas en los distintos tanques de almacenamiento disponibles.
La empresa objeto de estudio se dedica a la producción y comercialización de químicos para diversos sectores industriales. Sus principales clientes son industrias de los sectores de alimentos, flexografía, acuicultura, pesca, agrícola, tratamiento de aguas, entre otros. El proyecto se realizó en la Planta de Solventes, una de las tres plantas de la empresa, donde se realizan despachos a graneles y envasados de diversos solventes y soda cáustica líquida.
El objetivo del proyecto es determinar una nueva distribución y asignación de productos químicos en los diversos tanques de almacenamiento disponibles, mediante la aplicación de un modelo de optimización, para el aumento de la capacidad de almacenamiento de soda caustica líquida.
Lo primero que se realizó fue una recolección de información para entender el proceso. Luego se realizó la formulación del modelo de optimización, identificando variables, relaciones, restricciones y función objetivo. Después se resolvió el problema modelado mediante el complemento OpenSolver de Microsoft Exel, donde se obtuvo una solución que brinda un espacio de almacenamiento para soda de 2632 TN.
Posteriormente, se realizó un análisis de sensibilidad en el que se estudió el comportamiento de la solución obtenida frente a cambios en la demanda de otras sustancias y cambios máximos permitidos por la empresa estructuralmente.
También, se realizó una comparación de la capacidad de almacenamiento actual vs la final con la nueva distribución propuesta para la evaluación del éxito del proyecto. Teniendo en cuenta que se tenía como meta obtener un incremento de al menos el 50%, se superó dicha meta planteada con un 53.02% de aumento de almacenamiento.
Finalmente, se realizó un flujo de caja de la distribución propuesta para determinar el impacto financiero del proyecto, donde se determinó que el proyecto es factible y rentable para la empresa