Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero

El proceso de investigación presentado a continuación tiene como objetivo encontrar un modelo óptimo para predecir la energía generada de un ingenio azucarero que cuenta con procesos de Cogeneración, que permite la venta de excedentes a la red nacional, aportando a la matriz energética del país, con...

Full description

Autores:: Navarro Burbano Johana Estefany

Tipo de recurso:

Fecha de publicación:: 2025

Institución:: Universidad Autónoma de Occidente

Repositorio:: RED: Repositorio Educativo Digital UAO

Idioma:: spa

id	REPOUAO2_ea70733853e37fe1feba0b9e2bb62ac6
oai_identifier_str	oai:red.uao.edu.co:10614/16032
network_acronym_str	REPOUAO2
network_name_str	RED: Repositorio Educativo Digital UAO
repository_id_str
dc.title.spa.fl_str_mv	Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero
title	Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero
spellingShingle	Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero Maestría en Sistemas Energéticos Modelo de regresión de inteligencia artificial para predicción de energía de un sistema de calderas y turbogeneradores Modelo de inteligencia artificial para predicción de energía Modelo de inteligencia artificial para sistema de calderas Modelo de inteligencia para turbogenerador
title_short	Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero
title_full	Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero
title_fullStr	Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero
title_full_unstemmed	Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero
title_sort	Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero
dc.creator.fl_str_mv	Navarro Burbano Johana Estefany
dc.contributor.advisor.none.fl_str_mv	López Sotelo, Jesús Alfonso
dc.contributor.author.none.fl_str_mv	Navarro Burbano Johana Estefany
dc.contributor.corporatename.spa.fl_str_mv	Universidad Autónoma de Occidente
dc.contributor.jury.none.fl_str_mv	González Vargas, Andrés Mauricio Rodríguez Valencia, Andrés Felipe
dc.subject.proposal.spa.fl_str_mv	Maestría en Sistemas Energéticos Modelo de regresión de inteligencia artificial para predicción de energía de un sistema de calderas y turbogeneradores Modelo de inteligencia artificial para predicción de energía Modelo de inteligencia artificial para sistema de calderas Modelo de inteligencia para turbogenerador
topic	Maestría en Sistemas Energéticos Modelo de regresión de inteligencia artificial para predicción de energía de un sistema de calderas y turbogeneradores Modelo de inteligencia artificial para predicción de energía Modelo de inteligencia artificial para sistema de calderas Modelo de inteligencia para turbogenerador
description	El proceso de investigación presentado a continuación tiene como objetivo encontrar un modelo óptimo para predecir la energía generada de un ingenio azucarero que cuenta con procesos de Cogeneración, que permite la venta de excedentes a la red nacional, aportando a la matriz energética del país, con producción de energía a partir de la biomasa, haciendo uso de diferentes herramientas dentro del Machine learning como regresión lineal, máquinas de soporte vectorial y redes neuronales multicapa. Para iniciar el proceso es necesario definir las variables que impactan directamente la energía generada, y tener la mayor cantidad de datos medidos posibles, esto hace que los modelos se ajusten mejor, una vez realizados los análisis estadísticos se procede a codificar los diferentes modelos en plataforma de Google Colab, con librerías de Python, las cuales arrojan diferentes resultados en errores y coeficientes de determinación, que van desde el 2.73 % al 1538 en el MAE y desde del 0,18 al 0,92 en el R2, lo que permite identificar el modelo que presenta mejores ajustes para efectos del estudio. Se logra determinar que el modelo de red neuronal multicapa es el que presenta mejores resultados, y por ende se traslada a una interfaz gráfica, la cual es diseñada para tener interacción directa con el usuario, de fácil comprensión, dinámica y comparativa para llegar a la toma de decisiones. La interfaz es puesta a prueba con datos del 2024, donde se logra hacer predicción de presupuesto energético de la compañía para el 2025
publishDate	2025
dc.date.accessioned.none.fl_str_mv	2025-03-07T19:39:13Z
dc.date.available.none.fl_str_mv	2025-03-07T19:39:13Z
dc.date.issued.none.fl_str_mv	2025-01-31
dc.type.spa.fl_str_mv	Trabajo de grado - Maestría
dc.type.coarversion.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.content.eng.fl_str_mv	Text
dc.type.driver.eng.fl_str_mv	info:eu-repo/semantics/masterThesis
dc.type.redcol.eng.fl_str_mv	http://purl.org/redcol/resource_type/TM
dc.type.version.eng.fl_str_mv	info:eu-repo/semantics/publishedVersion
status_str	publishedVersion
dc.identifier.citation.spa.fl_str_mv	Navarro Burbano J. E. (2025). Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero. (Tesis). Universidad Autónoma de Occidente. Cali. Colombia. https://hdl.handle.net/10614/16032
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/10614/16032
dc.identifier.instname.spa.fl_str_mv	Universidad Autónoma de Occidente
dc.identifier.reponame.spa.fl_str_mv	Respositorio Educativo Digital UAO
dc.identifier.repourl.none.fl_str_mv	https://red.uao.edu.co/
identifier_str_mv	Navarro Burbano J. E. (2025). Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero. (Tesis). Universidad Autónoma de Occidente. Cali. Colombia. https://hdl.handle.net/10614/16032 Universidad Autónoma de Occidente Respositorio Educativo Digital UAO
url	https://hdl.handle.net/10614/16032 https://red.uao.edu.co/
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.none.fl_str_mv	Aco Tito, A. E., hancco Condori, B. O., y Perez vera, Y. (2023). Análisis comparativo de Técnicas de Machine Learning para la predicción de casos de deserción universitaria. RISTI. Revista Ibérica de Sistemas E Tecnologías de Información, 51, 84-98. https://doi.org/10.17013/risti.51.84-98 Agüero, A. C., Pisa, J. R., Agüero, C.J. y Bugeau, A. T. (2015). Poder calorífico del bagazo de caña de azúcar. Revista CET. 32-37. https://es.scribd.com/document/243717266/Poder-calorifico-del-bagazo-de cana-de-azucar-Aguero-pdf Aguirre Pérez, A. (2022). Polarimetría circular por medio de trampas paramagnéticas de Ga(II) en Gas: un acercamiento a través de Machine Learning. [Tesis de maestría Universidad Autónoma Metropolitana unidad Azcapotzalco]. file:///C:/Users/601162/Downloads/Polarimetria_circular_Aguirre_Perez_A_202 2.pdf Arcos López, E. R, (2016). Estrategias de eficiencia energética en usuarios residenciales. [Tesis de pregrado Universidad politécnica Salesiana sede Quito]. http://dspace.ups.edu.ec/handle/123456789/12874 Armada Carrión, B. (2021). Utilización de técnicas de machine learning para mejorar la detección de infracción de marcas. [tesis de pregrado En Universidad Pontificia Comillas]. https://repositorio.comillas.edu/xmlui/bitstream/handle/11531/46947/TFG%20- %20Armada%20Carrion%2c%20Belen%202.pdf?sequence=2&isAllowed=y Arqued, A. P. (1955). Fabricación del azúcar. Salvat Editores. Arroyo Valencia, A. (2002). Optimización de sistemas de combustión en hornos industriales. [Tesis de pregrado universidad Nacional Autónoma de México]. file:///C:/Users/601162/Downloads/0302945.pdf Asocaña (2021). El bagazo de caña ayuda a la seguridad energética nacional. Revista Nacional de Agricultura, 1016. https://sac.org.co/asocana-el-bagazo-de-cana ayuda-a-la-seguridad-energetica-nacional 92 Atanacio Bravo, J. Y., y Carranza Vera, C. J. (2014). Diseño de un sistema automatizado para la optimización de los niveles pH en el proceso de alcalizado de jugo crudo en la producción de azúcar. [Tesis de pregrado Universidad Nacional Pedro Ruiz Gallo]. file:///C:/Users/601162/Downloads/Atanacio_Bravo_y_Carranza_Vera.pdf Barrera, J. C., Ramírez Contreras, N. E., y García Nunez, J. A. (2018). Combustión de biomasa: conceptos, tecnologías y aplicaciones en la agroindustria de la palma de aceite. Revista Palmas, 39(4), 24-44. https://publicaciones.fedepalma.org/index.php/palmas/article/view/12709/1261 3 Bobadilla, J (2020). Machine Learning y Deep Learning: Usando Python, Scikit y Keras. Ra-ma. Brenes Jiménez, A. (2020). predicción del caudal promedio horario de la estación hidrológica palmar, utilizando modelos de machine learning basados en arboles de decisión. [Tesis de maestría Universidad de Costa Rica]. https://www.kerwa.ucr.ac.cr/server/api/core/bitstreams/33080589-db37-4dc9- a926-4b474ca13378/content Bueno López, M., Rodríguez Sarmiento, L. C., y Rodríguez Sánchez, P. J. (2016). Análisis de costos de generación de energía eléctrica mediante fuentes renovables en el sistema eléctrico. Ingeniería y desarrollo, 34(2). http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0122- 34612016000200008 Campos Mocholí, M. (2021). Clasificación de textos basada en redes neuronales. [Tesis de pregrado Universidad Politécnica de Valencia]. https://riunet.upv.es/bitstream/handle/10251/172276/Campos%20- %20Clasificacion%20de%20textos%20basada%20en%20redes%20neuronale s.pdf?sequence=1&isAllowed=y Carmona Suarez, E. J. (2016), Tutorial sobre máquinas de vectores soporte (SVM), Universidad Nacional de educación a distancia (UNED). https://www.researchgate.net/profile/Enrique Carmona/publication/263817587_Tutorial_sobre_Maquinas_de_Vectores_Sop orte_SVM/links/583ec1e908ae2d217557823b/Tutorial-sobre-Maquinas-de Vectores-Soporte-SVM.pdf 93 Content Studio. (2024,). ¿Qué son las métricas de rendimiento del aprendizaje automático? Pure Storage. https://www.purestorage.com/la/knowledge/machine-learning-performance metrics.html#:~:text=Es%20la%20proporci%C3%B3n%20de%20predicciones, positivas%20realizadas%20por%20el%20modelo Continelli, N. A., Nagua, L. F., Monje, C. A., Balaguer, C. (2023). Modelado de un cuello robótico blando mediante aprendizaje automático. Revista Iberoamericana de automática e informática industrial, 20, 282-292. https://polipapers.upv.es/index.php/RIAI/article/view/18752/15678 Crego Pardo, A. (2023). TensorFlow: lo que debes saber. Deusto formación. https://www.deustoformacion.com/blog/programacion-y-tic/libreria-tensorflow Cuevas Soto, V. M., Alvares Iriarte, S., Azcona Romero, M., Rodríguez Rogert, I. (2019). Capacidad predictiva de las Máquinas de Soporte Vectorial. Una aplicación en la planificación financiera. Revista cubana de ciencias informáticas, 13(3), 63- 75. http://scielo.sld.cu/scielo.php?pid=S2227- 18992019000300059&script=sci_arttext De Luca, A.M., Irigoitia, M.E., Pérez, G. A., y Pons, C.F. (2021) Uso de la Técnica de Transfer Learning en Machine Learning para la Clasificación de Productos en el Banco Alimentario de La Plata. IX Congreso Nacional de Ingeniería Informática/Sistemas de Información. https://sedici.unlp.edu.ar/handle/10915/130474 Del Brío, B. M, y Serrano Cinca, C. (1995). Fundamentos de redes neuronales artificiales: hardware y software. Scire: Representación Y organización Del Conocimiento, 1(1), 103–125. https://doi.org/10.54886/scire.v1i1.1036 Del turco, L.Y. (2021) Mejora de la predicción en tareas de aprendizaje automático supervisado: imputación de valores perdidos. [Tesis de maestría Universidad Internacional de Andalucía]. https://dspace.unia.es/handle/10334/6591 Erazo González, I. D., y Gaviria Arias, A. (2021). Desarrollo de una herramienta computacional con tecnologías de inteligencia artificial (IA) para realizar respuesta de la demanda eléctrica y seguimiento de indicadores de eficiencia al sistema de agua helada del edificio central de la universidad autónoma de occidente. [Tesis de maestría Universidad Autónoma de Occidente]. https://red.uao.edu.co/server/api/core/bitstreams/852ec31e-04f3-4206-9421- 9b68ac11a1c9/content 94 Expósito Gallardo, M. D. C., y Ávila Ávila, R. (2008). Aplicaciones de la inteligencia artificial en la Medicina: perspectivas y problemas. ACIMED, 17(05), 1-12. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1024- 94352008000500005 Fernández Rebollo, F. (2013) Aprendizaje por refuerzo. https://ocw.uc3m.es/pluginfile.php/3073/mod_page/content/18/aprendizaje_ref uerzo.pdf Ferrero Bermejo, J. (2014). Mejora de la Eficiencia Energética de una Planta Fotovoltaica con la Detección Temprana de Fallos Mediante el Uso de Modelos Predictivos de Redes Neuronales Artificiales. [Tesis de maestría Universidad de Sevilla]. https://idus.us.es/server/api/core/bitstreams/665a6af3-fdab-4e49-a1fd 5ccae36723b2/content Flórez Arellano, J. J. (2021). Neural network classification of handwritten document images based on probabilistic indexing. [Tesis de pregrado Universidad politécnica de valencia]. chrome extension://efaidnbmnnnibpcajpcglclefindmkaj/https://core.ac.uk/download/pdf/ 477990314.pdf Fuertes Coiras, D., Del Blanco Adan, C. R., Navarro Corcuera, J. J., Jaureguizar Núñez, F., García Santos, N. (2022). Planificación de rutas para múltiples drones usando redes neuronales profundas Transformer. IX Congreso Nacional de I+D en Defensa y Seguridad, 2022. https://www.gti.ssr.upm.es/Paper%20DESEID%202022.pdf Galarnyk, M. (s.f.). Python_Tutorials/logisticregression.ipynb. https://github.com/mGalarnyk/Python_Tutorials/blob/master/Sklearn/Logistic_R egression/LogisticRegression.ipynb García Celis, J. C. (2020). Optimización del diseño de calderas de lecho fluidizado circulante mediante redes neuronales. [Tesis de pregrado Universidad de Pamplona]. http://repositoriodspace.unipamplona.edu.co/jspui/bitstream/20.500.12744/538 2/1/Garc%C3%ADa_2020_TG.pdf 95 García Garrido, S. (2018). Máster en Energías Renovables en Sistemas Eléctricos (UC3M), En modulo e biomasa. https://www.researchgate.net/profile/Marcos Serrano Hernandez/publication/328410945_Trabajo_de_BIOMASA_Principales_tipos_ de_calderas_y_Cuestiones_practicas_de_una_central/links/5bcbb059a6fdcc0 3c798c182/Trabajo-de-BIOMASA-Principales-tipos-de-calderas-y-Cuestiones practicas-de-una-central.pdf Generador eléctrico. (s.f.). Endesa. https://www.fundacionendesa.org/es/educacion/endesa educa/recursos/generador-electrico Golato, M. A., Franck Colombres, F. J., Aso, G., Correa, C.A., y Paz, D. (2008). Metodología de cálculo de la eficiencia térmica de generadores de vapor. Revista industrial y agrícola de Tucumán, 85(2), 17-31. https://www.scielo.org.ar/pdf/riat/v85n2/v85n2a03.pdf González, F. A. (2015). Modelos de aprendizaje computacional en reumatología. Revista Colombiana de Reumatología, 22(2), 77–78. https://doi.org/10.1016/j.rcreu.2015.06.001 Guerrero Sánchez, A. E. (2020). Optimización de la operación de un sistema HVAC para ahorro energético, mediante estrategias de Inteligencia artificial. [Tesis de maestría Universidad Autónoma de Querétaro]. https://ri ng.uaq.mx/bitstream/123456789/2459/1/RI005519.pdf Heaton, J., McElwee, S., Fraley, J., Cannady, J. (2017). Early stabilizing feature importance for TensorFlow deep neural networks. In 2017 International Joint Conference on Neural Networks (IJCNN) 4618-4624. https://ieeexplore.ieee.org/document/7966442 Hernández Travieso, J.G. (2018) Modelos de predicción meteorológica basados en métodos de clasificación orientados a la mejora de la eficiencia energética en los procesos de generación. [Tesis doctoral Universidad de las Palmas de Gran Canaria]. https://accedacris.ulpgc.es/bitstream/10553/55377/2/0307113_00000_0000.pd f Holguín Londoño, G. A., Moreno Gallón, D. A., Holguín Londoño, M. (2024). Introducción a la ciencia y análisis de datos con Python: una visión empresarial. Universidad Tecnológica de Pereira. https://hdl.handle.net/11059/15599 96 Hugot E. (1986). Handbook of cane sugar engineering. Elsevier. Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science \& Engineering, 9(3), 90-95. https://ieeexplore.ieee.org/document/4160265/authors#authors Ibargüengoytia González, P. H., Reyes Ballesteros, A., Borunda Pacheco, M., y García Lopez, U. A. (2018). Predicción de potencia eólica utilizando técnicas modernas de Inteligencia Artificial. Ingeniería Investigación y Tecnología, 19(4), 1–11, https://dialnet.unirioja.es/servlet/articulo?codigo=8340256 Incauca. (s.f.). Procesos. https://www.incauca.com/es/procesos/ Ismail Alnaimi, F. B., y Al-Kayiem H. H. (2011). Artificial Intelligent system for steam boiler diagnosis based on superheater monitoring. Journal of applied sciences, 11(9), 1566- 1572. https://www.researchgate.net/publication/252462267_Artificial_Intelligent_Syst em_for_Steam_Boiler_Diagnosis_based_on_Superheater_Monitoring Jiménez Borges, R., Monteagudo Yanes, J. P., y Llanes, J. L. (2017). Potencialidades de mejoras energéticas en el proceso tecnológico en los centrales azucareros. Ingeniería Energética, 38(2), 88-96. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1815- 59012017000200003 Jiménez, M.R y Bolaños E.R, (2017). Estrategias para la obtención de azúcar blanco a partir de mejoras en las etapas de clarificación y decoloración del jugo de caña de azúcar. [Tesis de maestría Instituto tecnológico de Orizaba]. http://repositorios.orizaba.tecnm.mx:8080/xmlui/bitstream/handle/123456789/2 60/2017_Marleny_Jim%c3%a9nez_Rosete.pdf?sequence=1&isAllowed=y Lam Ceballos, J. A. (2018). Comparación del impacto ambiental en el aire entre bagazo de caña de azúcar y carbón cuando se utiliza como combustible en la caldera de la unidad de negocio de generación o cogeneración de un ingenio azucarero. [Tesis de maestría Universidad de San Carlos de Guatemala]. http://www.repositorio.usac.edu.gt/9932/1/Jos%C3%A9%20Andr%C3%A9s%2 0Lam%20Ceballos.pdf 97 Larrúa, R., Olivera. I., Caballero, Y., Filiberto, Y., Guerra, M., Bello, R., y Bonilla, J., (2009). Aplicación de la Inteligencia Artificial a la Predicción de la Capacidad Resistente Última de las Conexiones en Estructuras Compuestas Acero Hormigón. Revista de la construcción 8(2), 109–119. https://www.researchgate.net/publication/265787039_Application_of_the_Artifi cial_Intelligence_to_the_Prediction_of_the_Ultimate_Resistant_Capacity_of_C onnections_in_Steel-Concrete_Composite_Structures Lizares Castillo, M. (2017). Comparación de modelos de clasificación: regresión logística y árboles de clasificación para evaluar el rendimiento académico. [Tesis de pregrado Universidad Nacional Mayor de San Marcos]. https://hdl.handle.net/20.500.12672/7122 Llata, J. R., Sarabia, E.G., Fernández, D., Arce, J., y Oria, J.P., (2000). Aplicación de Inteligencia Artificial en Sistemas Automatizados de Producción. Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial, 4(10),100-110. https://www.redalyc.org/articulo.oa?id=92541011 López Sotelo, J. A. (2021). Deep learning teoria y aplicaciones. Alphaeditorial. Lozano, C., Melo, P., Bermúdez, J., Gonzales, S., y Fuentes, S. (2023). Integración de algoritmos de inteligencia artificial en función del pronóstico de consumo de combustible en aeronaves ERJ 145 de una aerolínea colombiana. Actas séptimo congreso argentino de ingeniería aeronáutica CAIA7. https://sedici.unlp.edu.ar/handle/10915/162503 Madrigal, E. (2022). Conoce las métricas de precisión más comunes para Modelos de Regresión. Growupc. https://www.growupcr.com/post/metricas-precision Manrique Rojas, E. (2020). Machine Learning: análisis de lenguajes de programación y herramientas para desarrollo. Revista Ibérica de Sistemas E Tecnologías de Información, 28, 586-599. https://www.proquest.com/openview/c7e24c997199215aa26a39107dd2fe98/1 ?pq-origsite=gscholar&cbl=1006393 Manrique, J.A, (2022). Predicción de la demanda de Smartphone de introducción al mercado colombiano mediante modelos de Machine Learning. [Tesis de maestría Fundación Universitaria Konrad Lorenz]. https://repositorio.konradlorenz.edu.co/entities/publication/b8c7529c-915a 4eb0-9a1e-2f249cb25d8f 98 Martín Martín, F., y Sala Gómez, V. (2004). Estudio comparativo entre los combustibles tradicionales y las nuevas tecnologías energéticas para la propulsión de vehículos destinados al transporte. [Tesis de pregrado Universidad Politécnica de Catalunya]. https://upcommons.upc.edu/handle/2099.1/3686 Martínez, M. (2021). Optimizando tus hiper-parámetros: una visión teórica. Paradigma Digital. https://www.paradigmadigital.com/dev/optimizando-hiper-parametros una-perspectiva teorica/#:~:text=La%20b%C3%BAsqueda%20en%20cuadr%C3%ADcula%20( Grid,par%C3%A1metros%20distribuidos%20de%20manera%20uniforme Medina, F., y Galván, M. (2007). Estudios estadísticos y prospectivos. Imputación de datos Teoría y Práctica. Publicación de las Naciones Unidas. https://repositorio.cepal.org/server/api/core/bitstreams/02dd479f-fae2-43c4- b5ec-5419fa7f6190/content Mejía Peñafiel, E. F., Arellano Aucancela, A. L., y Vallejo, G. (2017). Control de Velocidad de un automóvil empleando sistemas difusos. Revista Científica y Tecnológica UPSE (RCTU), 4(2), 31-36. http://scielo.senescyt.gob.ec/pdf/rctu/v4n2/1390- 7697-rctu-4-02-00031.pdf Milla Lostaunau, L. (2007). Calderas y Turbinas de Vapor para la Generación de Energía Eléctrica. Electrónica UNMSM, 19, 18-26. https://sisbib.unmsm.edu.pe/bibvirtualdata/publicaciones/electronica/2007_n19 /pdf/a05n19.pdf Molina Pérez, M. (2022). Ensembles dinámicos de modelos machine learning para regresión. [Tesis de pregrado Escuela Politécnica Superior de Jaén]. https://crea.ujaen.es/server/api/core/bitstreams/1f439969-3ce9-4dba-9d3b fcdc2ac24f1a/content Morales Villamil, L. M, (2018). Centrales termoeléctricas de biomasa. https://www.researchgate.net/publication/324923017_Centrales_termoelectric as_de_biomasa. Morales, D. M., y Cappelletti, M. A. (2018). Técnicas subsimbólicas de inteligencia artificial aplicadas a la eficiencia energética. IV Congreso Argentino de Ingeniería – X Congreso Argentino de Enseñanza de la Ingeniería Córdoba, 19 al 21 de septiembre de 2018. http://sedici.unlp.edu.ar/bitstream/handle/10915/121822/Documento_completo .pdf-PDFA.pdf?sequence=1&isAllowed=y 99 Moreno Padilla, H. (2023). Modelo basado en inteligencia artificial que permita estimar patrones de comportamiento de las variables relevantes en el proceso de la combustión de biomasa. [Tesis de maestría Universidad Autónoma de Occidente]. https://red.uao.edu.co/server/api/core/bitstreams/07bf887d-1f32- 4915-8953-10a4ba0db8ee/content Murillo Gómez, P., y Ramírez Osorio, M. (2023). Implicaciones de la inteligencia artificial. https://repository.unilibre.edu.co/handle/10901/26745. NG metalurgia. (s.f.). Energía. https://www.ngmetalurgica.com.br/es/energia/contra pressao/ Niño Suarez, A. J., y Gómez Joya, W. (2022) La inteligencia artificial en la reducción de procesos industriales. Revista Tecnol Investig Academia TIA, 10(1), 186-199. https://revistas.udistrital.edu.co/index.php/tia/article/view/17918/18463 Nishi (s.f.). Mantenimiento preventivo. https://nishi.com.br/novo/es/servicios/mantenimiento-preventivo/ Ossa Giraldo, W., y Jaramillo Marin, V. (2021). Machine Learning para la estimación del riesgo de crédito en una cartera de consumo. [Tesis de maestría Universidad EAFIT]. https://repository.eafit.edu.co/server/api/core/bitstreams/324d9a52- 33ab-4255-bfaf-132f206c753e/content Parejo Guzmán, M., Benito Navarrete, R., Mora Peris, P., y Alfalla Luque, R. (2021). Desarrollo metodológico para la optimización del coste eléctrico en fábricas de cemento mediante el uso de inteligencia artificial. Dirección y organización, 74, 5-19. https://idus.us.es/server/api/core/bitstreams/610bf055-fab6-4797-a199- 7a9d26f6870c/content Pérez Triviño, J. L. (2022). La Inteligencia Artificial en el deporte. Problemas y principios para su adopción. Revista Española de Derecho Deportivo, 49(01), 39–71. https://www.researchgate.net/publication/360950926_La_Inteligencia_Artificial _en_el_deporte_Problemas_y_principios_para_su_adopcion Portela, S. (2022). Panorama de la inteligencia artificial en el dominio de la ciberseguridad. Revista de Unidades de Información, 19(1), 1–35. https://dialnet.unirioja.es/servlet/articulo?codigo=8442621 100 Quintero Carrascal, A. P. (2013). Diseño mecánico de un generador de vapor tipo acuotubular de presión subcrítica y baja producción de vapor. [Tesis de pregrado Universidad Autónoma del Caribe]. http://repositorio.uac.edu.co/handle/123456789/796 Quiñones Rosales, D., y Vásquez Seisdedos, L. (2021). Software de monitoreo de puesta en marcha en turbinas de vapor 100MWSerie Científica de la Universidad de las Ciencias Informáticas. Serie Científica de la Universidad de las Ciencias Informáticas, 14(4), 33–41. https://dialnet.unirioja.es/servlet/articulo?codigo=8590495 RAE (2023). Definición azúcar. https://dle.rae.es/az%C3%BAcar Ramírez Sulbeldia, E, (2022). Face Recognition con imágenes de Data Streaming con modelos generados a partir de Transfer Learning y diferentes Funciones de Activación. [Tesis de maestría Universidad Abierta de Catalunya]. https://openaccess.uoc.edu/handle/10609/146733 Rein, P. (2012). Ingeniería de la Caña de Azúcar. Rivera Guerra, J. A. (2011). Acceso a Datos con DataSets en Visual Web Developer 2008/2010. ConCiencia Tecnológica, 41, 47–51. https://dialnet.unirioja.es/servlet/articulo?codigo=3707428 Rivero Suguiura, F. O. (2022). Árbol de decisión en aprendizaje automático. Revista Varianza, 19, 39-46. https://ojs.umsa.bo/ojs/index.php/revistavarianza/article/view/433/365 Rouhiainen, L. (2018). Inteligencia artificial 101 cosas que debes saber hoy sobre nuestro futuro. Editorial Planeta S.A. https://proassetspdlcom.cdnstatics2.com/usuaris/libros_contenido/arxius/40/39 307_Inteligencia_artificial.pdf Salas, J, S, M. (2016). Desarrollo con Matlab de una red neuronal para estimar la demanda de energía eléctrica. [Tesis de maestría Universidad de Valladolid]. https://uvadoc.uva.es/bitstream/handle/10324/18120/TFM-P 400.pdf?sequence=1&isAllowed=y 101 Sandoval Ruiz, C. (2019). Modelo VHDL de Control Neuronal sobre tecnología FPGA orientado a Aplicaciones Sostenibles. Revista Chilena de Ingeniería, 27(3), 383- 395. https://doi.org/10.4067/s0718-33052019000300383 Santiago Díaz, M. C. (2023). Innovaciones de las ciencias computacionales en sistemas inteligentes y ciberseguridad. Montiel & Soriano Editores S.A. de C.V. Sarmiento Maldonado, H. O., y Villa Acevedo, W. M. (2008). Inteligencia artificial en pronóstico de demanda de energía eléctrica: una aplicación en optimización de recursos energéticos. Revista Colombiana de Tecnologías de Avanzada, 2(12), 94–100. https://bibliotecadigital.udea.edu.co/bitstream/10495/36353/1/VillaWalter_2008 _ArtificialIntelligence.pdf Sarmiento Ramos, J. L. (2020). Aplicaciones de las redes neuronales y el Deep learning a la ingeniería biomédica. Revista UIS ingenierías, 19(4), 1-18. https://www.redalyc.org/journal/5537/553768213002/html/. Shihong, Y., Ping, L., y Peiyi, H. (2003). SVM Classification: Its contents and challenges. 18, 332–342. SVM classification:Its contents and challenges \| Applied Mathematics-A Journal of Chinese Universities Sicma. (2021). Qué es un PLC, cómo funciona y por qué se utilizan. Soluciones Integrales para la Industria 4.0. https://www.sicma21.com/que-es-un-plc/ Sierra Ramos, J. M, (2022). Introducción a las redes neuronales artificiales. [tesis e pregrado Universidad Complutense Madrid]. https://docta.ucm.es/entities/publication/7595cd7b-c7d6-42ee-8365- 83e2f02ef892 Solís Mora, V. S., y Gruezo Valencia, D. F. (2022). La Inteligencia Artificial (IA) al servicio de la eficiencia energética en el Ecuador. Revista científica dominio de las ciencias, 8(2), 600–621. https://dialnet.unirioja.es/servlet/articulo?codigo=8637988 Sosa, M. I., y Fushimi, A. (2004). El rol de la regulación en el desarrollo de la cogeneración. Avances en Energías Renovables y Medio Ambiente, 8(2), 1-6 https://sedici.unlp.edu.ar/handle/10915/81788 102 Suarez Manrique, W. Y., y De León Vargas, G. I. (2019). Inteligencia artificial y su aplicación en la administración de justicia. Revista Jurídica Mario Alario D´Filippo, 11(21), 71-83. https://revistas.unicartagena.edu.co/index.php/marioalariodfilippo/article/view/2 501/2096 Suarez, D., Solano, J., Martínez, R. B., Angarita, M., Henríquez Miranda, C., Salcedo, D. (2020). Sistema Inteligente para para la gestión automática de un generador eléctrico basado en la arquitectura del IoT. J. Comput. Electron. Sci.: Theory Appl., 1(1), 1–10. https://revistascientificas.cuc.edu.co/CESTA/article/view/3372/3148 TLV. (2023). ¿Qué es el Vapor de Agua? TLV. https://www.tlv.com/es-mx/steam info/steam-theory/steam-basics/what-is-steam. UPME. (2023). Informe resultados indicadores 2023 Unidad de Planeación Minero Energética. https://www1.upme.gov.co/InformacionCifras/Documents/Informe_gerencial_re sultados_indicadores_2023.pdf Vergara, G., Alonso Barba, J. I., Soria Olivas, E., y Gámez, J. A. (2015). Máquinas de aprendizaje extremo aleatorias para la predicción del consumo eléctrico de edificios. Actas de la XVI Conferencia CAEPIA. http://simd.albacete.org/actascaepia15/papers/00895.pdf Villajulca, J. C. (2020). Identificación de instrumentos: ¿Cómo armamos los TAGs? Instrumentación y Automatización Industrial. https://instrumentacionycontrol.net/identificacion-de-instrumentos-como armamos-los tags/#:~:text=Cada%20instrumento%20dentro%20de%20una,su%20respectiv o%20lazo%20de%20control. Yucra López, C. E. (2021). Biblioteca para la comparación estadística de algoritmos evolutivos. [Tesis de pregrado E.T.S. de Ingenieros Informáticos (UPM)]. https://oa.upm.es/69832/
dc.rights.spa.fl_str_mv	Derechos reservados - Universidad Autónoma de Occidente, 2025
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_14cb
dc.rights.uri.eng.fl_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.eng.fl_str_mv	info:eu-repo/semantics/closedAccess
dc.rights.creativecommons.spa.fl_str_mv	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
rights_invalid_str_mv	Derechos reservados - Universidad Autónoma de Occidente, 2025 https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_14cb
eu_rights_str_mv	closedAccess
dc.format.extent.spa.fl_str_mv	114 páginas
dc.format.mimetype.none.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Universidad Autónoma de Occidente
dc.publisher.program.spa.fl_str_mv	Maestría en Sistemas Energéticos
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ingeniería y Ciencias Básicas
dc.publisher.place.spa.fl_str_mv	Cali
institution	Universidad Autónoma de Occidente
bitstream.url.fl_str_mv	https://red.uao.edu.co/bitstreams/9ba4795a-8d40-49f4-994f-459904b1bc46/download https://red.uao.edu.co/bitstreams/a05bec59-9990-47d1-8922-c70716e73d2d/download https://red.uao.edu.co/bitstreams/e5389e0f-8257-44d3-b5ce-02ffdf67d694/download https://red.uao.edu.co/bitstreams/1c44cef8-5f59-4f11-8cef-17c2af6ff7cc/download https://red.uao.edu.co/bitstreams/e70e694e-c094-459a-9d8b-865caead2d6e/download https://red.uao.edu.co/bitstreams/fbf2fa9b-f768-44a3-a889-67d366dbcde4/download https://red.uao.edu.co/bitstreams/b0c48fa0-7a02-48cd-89d8-bd068ad0f625/download
bitstream.checksum.fl_str_mv	b5400e64016fa31131be3b8e1e9cff4a 3c0229e1cc5615e09a3510cc56bd17b1 6987b791264a2b5525252450f99b10d1 eaeb31306babe89f0eb470de20d0f80a ff4c8ff01d544500ea4bfea43e6108c1 73efc5baec2f11eeb2bd06381a162a66 ba86b821efc5da4120c794a6acb84412
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Digital Universidad Autonoma de Occidente
repository.mail.fl_str_mv	repositorio@uao.edu.co
_version_	1831928577531052032
spelling	López Sotelo, Jesús Alfonsovirtual::5970-1Navarro Burbano Johana EstefanyUniversidad Autónoma de OccidenteGonzález Vargas, Andrés Mauriciovirtual::5971-1Rodríguez Valencia, Andrés Felipevirtual::5972-12025-03-07T19:39:13Z2025-03-07T19:39:13Z2025-01-31Navarro Burbano J. E. (2025). Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero. (Tesis). Universidad Autónoma de Occidente. Cali. Colombia. https://hdl.handle.net/10614/16032https://hdl.handle.net/10614/16032Universidad Autónoma de OccidenteRespositorio Educativo Digital UAOhttps://red.uao.edu.co/El proceso de investigación presentado a continuación tiene como objetivo encontrar un modelo óptimo para predecir la energía generada de un ingenio azucarero que cuenta con procesos de Cogeneración, que permite la venta de excedentes a la red nacional, aportando a la matriz energética del país, con producción de energía a partir de la biomasa, haciendo uso de diferentes herramientas dentro del Machine learning como regresión lineal, máquinas de soporte vectorial y redes neuronales multicapa. Para iniciar el proceso es necesario definir las variables que impactan directamente la energía generada, y tener la mayor cantidad de datos medidos posibles, esto hace que los modelos se ajusten mejor, una vez realizados los análisis estadísticos se procede a codificar los diferentes modelos en plataforma de Google Colab, con librerías de Python, las cuales arrojan diferentes resultados en errores y coeficientes de determinación, que van desde el 2.73 % al 1538 en el MAE y desde del 0,18 al 0,92 en el R2, lo que permite identificar el modelo que presenta mejores ajustes para efectos del estudio. Se logra determinar que el modelo de red neuronal multicapa es el que presenta mejores resultados, y por ende se traslada a una interfaz gráfica, la cual es diseñada para tener interacción directa con el usuario, de fácil comprensión, dinámica y comparativa para llegar a la toma de decisiones. La interfaz es puesta a prueba con datos del 2024, donde se logra hacer predicción de presupuesto energético de la compañía para el 2025Tesis (Magister en Sistemas Energéticos)-- Universidad Autónoma de Occidente, 2025MaestríaMagíster en Sistemas Energéticos114 páginasapplication/pdfspaUniversidad Autónoma de OccidenteMaestría en Sistemas EnergéticosFacultad de Ingeniería y Ciencias BásicasCaliDerechos reservados - Universidad Autónoma de Occidente, 2025https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/closedAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_14cbDesarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucareroTrabajo de grado - MaestríaTextinfo:eu-repo/semantics/masterThesishttp://purl.org/redcol/resource_type/TMinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Aco Tito, A. E., hancco Condori, B. O., y Perez vera, Y. (2023). Análisis comparativo de Técnicas de Machine Learning para la predicción de casos de deserción universitaria. RISTI. Revista Ibérica de Sistemas E Tecnologías de Información, 51, 84-98. https://doi.org/10.17013/risti.51.84-98 Agüero, A. C., Pisa, J. R., Agüero, C.J. y Bugeau, A. T. (2015). Poder calorífico del bagazo de caña de azúcar. Revista CET. 32-37. https://es.scribd.com/document/243717266/Poder-calorifico-del-bagazo-de cana-de-azucar-Aguero-pdf Aguirre Pérez, A. (2022). Polarimetría circular por medio de trampas paramagnéticas de Ga(II) en Gas: un acercamiento a través de Machine Learning. [Tesis de maestría Universidad Autónoma Metropolitana unidad Azcapotzalco]. file:///C:/Users/601162/Downloads/Polarimetria_circular_Aguirre_Perez_A_202 2.pdf Arcos López, E. R, (2016). Estrategias de eficiencia energética en usuarios residenciales. [Tesis de pregrado Universidad politécnica Salesiana sede Quito]. http://dspace.ups.edu.ec/handle/123456789/12874 Armada Carrión, B. (2021). Utilización de técnicas de machine learning para mejorar la detección de infracción de marcas. [tesis de pregrado En Universidad Pontificia Comillas]. https://repositorio.comillas.edu/xmlui/bitstream/handle/11531/46947/TFG%20- %20Armada%20Carrion%2c%20Belen%202.pdf?sequence=2&isAllowed=y Arqued, A. P. (1955). Fabricación del azúcar. Salvat Editores. Arroyo Valencia, A. (2002). Optimización de sistemas de combustión en hornos industriales. [Tesis de pregrado universidad Nacional Autónoma de México]. file:///C:/Users/601162/Downloads/0302945.pdf Asocaña (2021). El bagazo de caña ayuda a la seguridad energética nacional. Revista Nacional de Agricultura, 1016. https://sac.org.co/asocana-el-bagazo-de-cana ayuda-a-la-seguridad-energetica-nacional 92 Atanacio Bravo, J. Y., y Carranza Vera, C. J. (2014). Diseño de un sistema automatizado para la optimización de los niveles pH en el proceso de alcalizado de jugo crudo en la producción de azúcar. [Tesis de pregrado Universidad Nacional Pedro Ruiz Gallo]. file:///C:/Users/601162/Downloads/Atanacio_Bravo_y_Carranza_Vera.pdf Barrera, J. C., Ramírez Contreras, N. E., y García Nunez, J. A. (2018). Combustión de biomasa: conceptos, tecnologías y aplicaciones en la agroindustria de la palma de aceite. Revista Palmas, 39(4), 24-44. https://publicaciones.fedepalma.org/index.php/palmas/article/view/12709/1261 3 Bobadilla, J (2020). Machine Learning y Deep Learning: Usando Python, Scikit y Keras. Ra-ma. Brenes Jiménez, A. (2020). predicción del caudal promedio horario de la estación hidrológica palmar, utilizando modelos de machine learning basados en arboles de decisión. [Tesis de maestría Universidad de Costa Rica]. https://www.kerwa.ucr.ac.cr/server/api/core/bitstreams/33080589-db37-4dc9- a926-4b474ca13378/content Bueno López, M., Rodríguez Sarmiento, L. C., y Rodríguez Sánchez, P. J. (2016). Análisis de costos de generación de energía eléctrica mediante fuentes renovables en el sistema eléctrico. Ingeniería y desarrollo, 34(2). http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0122- 34612016000200008 Campos Mocholí, M. (2021). Clasificación de textos basada en redes neuronales. [Tesis de pregrado Universidad Politécnica de Valencia]. https://riunet.upv.es/bitstream/handle/10251/172276/Campos%20- %20Clasificacion%20de%20textos%20basada%20en%20redes%20neuronale s.pdf?sequence=1&isAllowed=y Carmona Suarez, E. J. (2016), Tutorial sobre máquinas de vectores soporte (SVM), Universidad Nacional de educación a distancia (UNED). https://www.researchgate.net/profile/Enrique Carmona/publication/263817587_Tutorial_sobre_Maquinas_de_Vectores_Sop orte_SVM/links/583ec1e908ae2d217557823b/Tutorial-sobre-Maquinas-de Vectores-Soporte-SVM.pdf 93 Content Studio. (2024,). ¿Qué son las métricas de rendimiento del aprendizaje automático? Pure Storage. https://www.purestorage.com/la/knowledge/machine-learning-performance metrics.html#:~:text=Es%20la%20proporci%C3%B3n%20de%20predicciones, positivas%20realizadas%20por%20el%20modelo Continelli, N. A., Nagua, L. F., Monje, C. A., Balaguer, C. (2023). Modelado de un cuello robótico blando mediante aprendizaje automático. Revista Iberoamericana de automática e informática industrial, 20, 282-292. https://polipapers.upv.es/index.php/RIAI/article/view/18752/15678 Crego Pardo, A. (2023). TensorFlow: lo que debes saber. Deusto formación. https://www.deustoformacion.com/blog/programacion-y-tic/libreria-tensorflow Cuevas Soto, V. M., Alvares Iriarte, S., Azcona Romero, M., Rodríguez Rogert, I. (2019). Capacidad predictiva de las Máquinas de Soporte Vectorial. Una aplicación en la planificación financiera. Revista cubana de ciencias informáticas, 13(3), 63- 75. http://scielo.sld.cu/scielo.php?pid=S2227- 18992019000300059&script=sci_arttext De Luca, A.M., Irigoitia, M.E., Pérez, G. A., y Pons, C.F. (2021) Uso de la Técnica de Transfer Learning en Machine Learning para la Clasificación de Productos en el Banco Alimentario de La Plata. IX Congreso Nacional de Ingeniería Informática/Sistemas de Información. https://sedici.unlp.edu.ar/handle/10915/130474 Del Brío, B. M, y Serrano Cinca, C. (1995). Fundamentos de redes neuronales artificiales: hardware y software. Scire: Representación Y organización Del Conocimiento, 1(1), 103–125. https://doi.org/10.54886/scire.v1i1.1036 Del turco, L.Y. (2021) Mejora de la predicción en tareas de aprendizaje automático supervisado: imputación de valores perdidos. [Tesis de maestría Universidad Internacional de Andalucía]. https://dspace.unia.es/handle/10334/6591 Erazo González, I. D., y Gaviria Arias, A. (2021). Desarrollo de una herramienta computacional con tecnologías de inteligencia artificial (IA) para realizar respuesta de la demanda eléctrica y seguimiento de indicadores de eficiencia al sistema de agua helada del edificio central de la universidad autónoma de occidente. [Tesis de maestría Universidad Autónoma de Occidente]. https://red.uao.edu.co/server/api/core/bitstreams/852ec31e-04f3-4206-9421- 9b68ac11a1c9/content 94 Expósito Gallardo, M. D. C., y Ávila Ávila, R. (2008). Aplicaciones de la inteligencia artificial en la Medicina: perspectivas y problemas. ACIMED, 17(05), 1-12. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1024- 94352008000500005 Fernández Rebollo, F. (2013) Aprendizaje por refuerzo. https://ocw.uc3m.es/pluginfile.php/3073/mod_page/content/18/aprendizaje_ref uerzo.pdf Ferrero Bermejo, J. (2014). Mejora de la Eficiencia Energética de una Planta Fotovoltaica con la Detección Temprana de Fallos Mediante el Uso de Modelos Predictivos de Redes Neuronales Artificiales. [Tesis de maestría Universidad de Sevilla]. https://idus.us.es/server/api/core/bitstreams/665a6af3-fdab-4e49-a1fd 5ccae36723b2/content Flórez Arellano, J. J. (2021). Neural network classification of handwritten document images based on probabilistic indexing. [Tesis de pregrado Universidad politécnica de valencia]. chrome extension://efaidnbmnnnibpcajpcglclefindmkaj/https://core.ac.uk/download/pdf/ 477990314.pdf Fuertes Coiras, D., Del Blanco Adan, C. R., Navarro Corcuera, J. J., Jaureguizar Núñez, F., García Santos, N. (2022). Planificación de rutas para múltiples drones usando redes neuronales profundas Transformer. IX Congreso Nacional de I+D en Defensa y Seguridad, 2022. https://www.gti.ssr.upm.es/Paper%20DESEID%202022.pdf Galarnyk, M. (s.f.). Python_Tutorials/logisticregression.ipynb. https://github.com/mGalarnyk/Python_Tutorials/blob/master/Sklearn/Logistic_R egression/LogisticRegression.ipynb García Celis, J. C. (2020). Optimización del diseño de calderas de lecho fluidizado circulante mediante redes neuronales. [Tesis de pregrado Universidad de Pamplona]. http://repositoriodspace.unipamplona.edu.co/jspui/bitstream/20.500.12744/538 2/1/Garc%C3%ADa_2020_TG.pdf 95 García Garrido, S. (2018). Máster en Energías Renovables en Sistemas Eléctricos (UC3M), En modulo e biomasa. https://www.researchgate.net/profile/Marcos Serrano Hernandez/publication/328410945_Trabajo_de_BIOMASA_Principales_tipos_ de_calderas_y_Cuestiones_practicas_de_una_central/links/5bcbb059a6fdcc0 3c798c182/Trabajo-de-BIOMASA-Principales-tipos-de-calderas-y-Cuestiones practicas-de-una-central.pdf Generador eléctrico. (s.f.). Endesa. https://www.fundacionendesa.org/es/educacion/endesa educa/recursos/generador-electrico Golato, M. A., Franck Colombres, F. J., Aso, G., Correa, C.A., y Paz, D. (2008). Metodología de cálculo de la eficiencia térmica de generadores de vapor. Revista industrial y agrícola de Tucumán, 85(2), 17-31. https://www.scielo.org.ar/pdf/riat/v85n2/v85n2a03.pdf González, F. A. (2015). Modelos de aprendizaje computacional en reumatología. Revista Colombiana de Reumatología, 22(2), 77–78. https://doi.org/10.1016/j.rcreu.2015.06.001 Guerrero Sánchez, A. E. (2020). Optimización de la operación de un sistema HVAC para ahorro energético, mediante estrategias de Inteligencia artificial. [Tesis de maestría Universidad Autónoma de Querétaro]. https://ri ng.uaq.mx/bitstream/123456789/2459/1/RI005519.pdf Heaton, J., McElwee, S., Fraley, J., Cannady, J. (2017). Early stabilizing feature importance for TensorFlow deep neural networks. In 2017 International Joint Conference on Neural Networks (IJCNN) 4618-4624. https://ieeexplore.ieee.org/document/7966442 Hernández Travieso, J.G. (2018) Modelos de predicción meteorológica basados en métodos de clasificación orientados a la mejora de la eficiencia energética en los procesos de generación. [Tesis doctoral Universidad de las Palmas de Gran Canaria]. https://accedacris.ulpgc.es/bitstream/10553/55377/2/0307113_00000_0000.pd f Holguín Londoño, G. A., Moreno Gallón, D. A., Holguín Londoño, M. (2024). Introducción a la ciencia y análisis de datos con Python: una visión empresarial. Universidad Tecnológica de Pereira. https://hdl.handle.net/11059/15599 96 Hugot E. (1986). Handbook of cane sugar engineering. Elsevier. Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science \& Engineering, 9(3), 90-95. https://ieeexplore.ieee.org/document/4160265/authors#authors Ibargüengoytia González, P. H., Reyes Ballesteros, A., Borunda Pacheco, M., y García Lopez, U. A. (2018). Predicción de potencia eólica utilizando técnicas modernas de Inteligencia Artificial. Ingeniería Investigación y Tecnología, 19(4), 1–11, https://dialnet.unirioja.es/servlet/articulo?codigo=8340256 Incauca. (s.f.). Procesos. https://www.incauca.com/es/procesos/ Ismail Alnaimi, F. B., y Al-Kayiem H. H. (2011). Artificial Intelligent system for steam boiler diagnosis based on superheater monitoring. Journal of applied sciences, 11(9), 1566- 1572. https://www.researchgate.net/publication/252462267_Artificial_Intelligent_Syst em_for_Steam_Boiler_Diagnosis_based_on_Superheater_Monitoring Jiménez Borges, R., Monteagudo Yanes, J. P., y Llanes, J. L. (2017). Potencialidades de mejoras energéticas en el proceso tecnológico en los centrales azucareros. Ingeniería Energética, 38(2), 88-96. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1815- 59012017000200003 Jiménez, M.R y Bolaños E.R, (2017). Estrategias para la obtención de azúcar blanco a partir de mejoras en las etapas de clarificación y decoloración del jugo de caña de azúcar. [Tesis de maestría Instituto tecnológico de Orizaba]. http://repositorios.orizaba.tecnm.mx:8080/xmlui/bitstream/handle/123456789/2 60/2017_Marleny_Jim%c3%a9nez_Rosete.pdf?sequence=1&isAllowed=y Lam Ceballos, J. A. (2018). Comparación del impacto ambiental en el aire entre bagazo de caña de azúcar y carbón cuando se utiliza como combustible en la caldera de la unidad de negocio de generación o cogeneración de un ingenio azucarero. [Tesis de maestría Universidad de San Carlos de Guatemala]. http://www.repositorio.usac.edu.gt/9932/1/Jos%C3%A9%20Andr%C3%A9s%2 0Lam%20Ceballos.pdf 97 Larrúa, R., Olivera. I., Caballero, Y., Filiberto, Y., Guerra, M., Bello, R., y Bonilla, J., (2009). Aplicación de la Inteligencia Artificial a la Predicción de la Capacidad Resistente Última de las Conexiones en Estructuras Compuestas Acero Hormigón. Revista de la construcción 8(2), 109–119. https://www.researchgate.net/publication/265787039_Application_of_the_Artifi cial_Intelligence_to_the_Prediction_of_the_Ultimate_Resistant_Capacity_of_C onnections_in_Steel-Concrete_Composite_Structures Lizares Castillo, M. (2017). Comparación de modelos de clasificación: regresión logística y árboles de clasificación para evaluar el rendimiento académico. [Tesis de pregrado Universidad Nacional Mayor de San Marcos]. https://hdl.handle.net/20.500.12672/7122 Llata, J. R., Sarabia, E.G., Fernández, D., Arce, J., y Oria, J.P., (2000). Aplicación de Inteligencia Artificial en Sistemas Automatizados de Producción. Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial, 4(10),100-110. https://www.redalyc.org/articulo.oa?id=92541011 López Sotelo, J. A. (2021). Deep learning teoria y aplicaciones. Alphaeditorial. Lozano, C., Melo, P., Bermúdez, J., Gonzales, S., y Fuentes, S. (2023). Integración de algoritmos de inteligencia artificial en función del pronóstico de consumo de combustible en aeronaves ERJ 145 de una aerolínea colombiana. Actas séptimo congreso argentino de ingeniería aeronáutica CAIA7. https://sedici.unlp.edu.ar/handle/10915/162503 Madrigal, E. (2022). Conoce las métricas de precisión más comunes para Modelos de Regresión. Growupc. https://www.growupcr.com/post/metricas-precision Manrique Rojas, E. (2020). Machine Learning: análisis de lenguajes de programación y herramientas para desarrollo. Revista Ibérica de Sistemas E Tecnologías de Información, 28, 586-599. https://www.proquest.com/openview/c7e24c997199215aa26a39107dd2fe98/1 ?pq-origsite=gscholar&cbl=1006393 Manrique, J.A, (2022). Predicción de la demanda de Smartphone de introducción al mercado colombiano mediante modelos de Machine Learning. [Tesis de maestría Fundación Universitaria Konrad Lorenz]. https://repositorio.konradlorenz.edu.co/entities/publication/b8c7529c-915a 4eb0-9a1e-2f249cb25d8f 98 Martín Martín, F., y Sala Gómez, V. (2004). Estudio comparativo entre los combustibles tradicionales y las nuevas tecnologías energéticas para la propulsión de vehículos destinados al transporte. [Tesis de pregrado Universidad Politécnica de Catalunya]. https://upcommons.upc.edu/handle/2099.1/3686 Martínez, M. (2021). Optimizando tus hiper-parámetros: una visión teórica. Paradigma Digital. https://www.paradigmadigital.com/dev/optimizando-hiper-parametros una-perspectiva teorica/#:~:text=La%20b%C3%BAsqueda%20en%20cuadr%C3%ADcula%20( Grid,par%C3%A1metros%20distribuidos%20de%20manera%20uniforme Medina, F., y Galván, M. (2007). Estudios estadísticos y prospectivos. Imputación de datos Teoría y Práctica. Publicación de las Naciones Unidas. https://repositorio.cepal.org/server/api/core/bitstreams/02dd479f-fae2-43c4- b5ec-5419fa7f6190/content Mejía Peñafiel, E. F., Arellano Aucancela, A. L., y Vallejo, G. (2017). Control de Velocidad de un automóvil empleando sistemas difusos. Revista Científica y Tecnológica UPSE (RCTU), 4(2), 31-36. http://scielo.senescyt.gob.ec/pdf/rctu/v4n2/1390- 7697-rctu-4-02-00031.pdf Milla Lostaunau, L. (2007). Calderas y Turbinas de Vapor para la Generación de Energía Eléctrica. Electrónica UNMSM, 19, 18-26. https://sisbib.unmsm.edu.pe/bibvirtualdata/publicaciones/electronica/2007_n19 /pdf/a05n19.pdf Molina Pérez, M. (2022). Ensembles dinámicos de modelos machine learning para regresión. [Tesis de pregrado Escuela Politécnica Superior de Jaén]. https://crea.ujaen.es/server/api/core/bitstreams/1f439969-3ce9-4dba-9d3b fcdc2ac24f1a/content Morales Villamil, L. M, (2018). Centrales termoeléctricas de biomasa. https://www.researchgate.net/publication/324923017_Centrales_termoelectric as_de_biomasa. Morales, D. M., y Cappelletti, M. A. (2018). Técnicas subsimbólicas de inteligencia artificial aplicadas a la eficiencia energética. IV Congreso Argentino de Ingeniería – X Congreso Argentino de Enseñanza de la Ingeniería Córdoba, 19 al 21 de septiembre de 2018. http://sedici.unlp.edu.ar/bitstream/handle/10915/121822/Documento_completo .pdf-PDFA.pdf?sequence=1&isAllowed=y 99 Moreno Padilla, H. (2023). Modelo basado en inteligencia artificial que permita estimar patrones de comportamiento de las variables relevantes en el proceso de la combustión de biomasa. [Tesis de maestría Universidad Autónoma de Occidente]. https://red.uao.edu.co/server/api/core/bitstreams/07bf887d-1f32- 4915-8953-10a4ba0db8ee/content Murillo Gómez, P., y Ramírez Osorio, M. (2023). Implicaciones de la inteligencia artificial. https://repository.unilibre.edu.co/handle/10901/26745. NG metalurgia. (s.f.). Energía. https://www.ngmetalurgica.com.br/es/energia/contra pressao/ Niño Suarez, A. J., y Gómez Joya, W. (2022) La inteligencia artificial en la reducción de procesos industriales. Revista Tecnol Investig Academia TIA, 10(1), 186-199. https://revistas.udistrital.edu.co/index.php/tia/article/view/17918/18463 Nishi (s.f.). Mantenimiento preventivo. https://nishi.com.br/novo/es/servicios/mantenimiento-preventivo/ Ossa Giraldo, W., y Jaramillo Marin, V. (2021). Machine Learning para la estimación del riesgo de crédito en una cartera de consumo. [Tesis de maestría Universidad EAFIT]. https://repository.eafit.edu.co/server/api/core/bitstreams/324d9a52- 33ab-4255-bfaf-132f206c753e/content Parejo Guzmán, M., Benito Navarrete, R., Mora Peris, P., y Alfalla Luque, R. (2021). Desarrollo metodológico para la optimización del coste eléctrico en fábricas de cemento mediante el uso de inteligencia artificial. Dirección y organización, 74, 5-19. https://idus.us.es/server/api/core/bitstreams/610bf055-fab6-4797-a199- 7a9d26f6870c/content Pérez Triviño, J. L. (2022). La Inteligencia Artificial en el deporte. Problemas y principios para su adopción. Revista Española de Derecho Deportivo, 49(01), 39–71. https://www.researchgate.net/publication/360950926_La_Inteligencia_Artificial _en_el_deporte_Problemas_y_principios_para_su_adopcion Portela, S. (2022). Panorama de la inteligencia artificial en el dominio de la ciberseguridad. Revista de Unidades de Información, 19(1), 1–35. https://dialnet.unirioja.es/servlet/articulo?codigo=8442621 100 Quintero Carrascal, A. P. (2013). Diseño mecánico de un generador de vapor tipo acuotubular de presión subcrítica y baja producción de vapor. [Tesis de pregrado Universidad Autónoma del Caribe]. http://repositorio.uac.edu.co/handle/123456789/796 Quiñones Rosales, D., y Vásquez Seisdedos, L. (2021). Software de monitoreo de puesta en marcha en turbinas de vapor 100MWSerie Científica de la Universidad de las Ciencias Informáticas. Serie Científica de la Universidad de las Ciencias Informáticas, 14(4), 33–41. https://dialnet.unirioja.es/servlet/articulo?codigo=8590495 RAE (2023). Definición azúcar. https://dle.rae.es/az%C3%BAcar Ramírez Sulbeldia, E, (2022). Face Recognition con imágenes de Data Streaming con modelos generados a partir de Transfer Learning y diferentes Funciones de Activación. [Tesis de maestría Universidad Abierta de Catalunya]. https://openaccess.uoc.edu/handle/10609/146733 Rein, P. (2012). Ingeniería de la Caña de Azúcar. Rivera Guerra, J. A. (2011). Acceso a Datos con DataSets en Visual Web Developer 2008/2010. ConCiencia Tecnológica, 41, 47–51. https://dialnet.unirioja.es/servlet/articulo?codigo=3707428 Rivero Suguiura, F. O. (2022). Árbol de decisión en aprendizaje automático. Revista Varianza, 19, 39-46. https://ojs.umsa.bo/ojs/index.php/revistavarianza/article/view/433/365 Rouhiainen, L. (2018). Inteligencia artificial 101 cosas que debes saber hoy sobre nuestro futuro. Editorial Planeta S.A. https://proassetspdlcom.cdnstatics2.com/usuaris/libros_contenido/arxius/40/39 307_Inteligencia_artificial.pdf Salas, J, S, M. (2016). Desarrollo con Matlab de una red neuronal para estimar la demanda de energía eléctrica. [Tesis de maestría Universidad de Valladolid]. https://uvadoc.uva.es/bitstream/handle/10324/18120/TFM-P 400.pdf?sequence=1&isAllowed=y 101 Sandoval Ruiz, C. (2019). Modelo VHDL de Control Neuronal sobre tecnología FPGA orientado a Aplicaciones Sostenibles. Revista Chilena de Ingeniería, 27(3), 383- 395. https://doi.org/10.4067/s0718-33052019000300383 Santiago Díaz, M. C. (2023). Innovaciones de las ciencias computacionales en sistemas inteligentes y ciberseguridad. Montiel & Soriano Editores S.A. de C.V. Sarmiento Maldonado, H. O., y Villa Acevedo, W. M. (2008). Inteligencia artificial en pronóstico de demanda de energía eléctrica: una aplicación en optimización de recursos energéticos. Revista Colombiana de Tecnologías de Avanzada, 2(12), 94–100. https://bibliotecadigital.udea.edu.co/bitstream/10495/36353/1/VillaWalter_2008 _ArtificialIntelligence.pdf Sarmiento Ramos, J. L. (2020). Aplicaciones de las redes neuronales y el Deep learning a la ingeniería biomédica. Revista UIS ingenierías, 19(4), 1-18. https://www.redalyc.org/journal/5537/553768213002/html/. Shihong, Y., Ping, L., y Peiyi, H. (2003). SVM Classification: Its contents and challenges. 18, 332–342. SVM classification:Its contents and challenges \| Applied Mathematics-A Journal of Chinese Universities Sicma. (2021). Qué es un PLC, cómo funciona y por qué se utilizan. Soluciones Integrales para la Industria 4.0. https://www.sicma21.com/que-es-un-plc/ Sierra Ramos, J. M, (2022). Introducción a las redes neuronales artificiales. [tesis e pregrado Universidad Complutense Madrid]. https://docta.ucm.es/entities/publication/7595cd7b-c7d6-42ee-8365- 83e2f02ef892 Solís Mora, V. S., y Gruezo Valencia, D. F. (2022). La Inteligencia Artificial (IA) al servicio de la eficiencia energética en el Ecuador. Revista científica dominio de las ciencias, 8(2), 600–621. https://dialnet.unirioja.es/servlet/articulo?codigo=8637988 Sosa, M. I., y Fushimi, A. (2004). El rol de la regulación en el desarrollo de la cogeneración. Avances en Energías Renovables y Medio Ambiente, 8(2), 1-6 https://sedici.unlp.edu.ar/handle/10915/81788 102 Suarez Manrique, W. Y., y De León Vargas, G. I. (2019). Inteligencia artificial y su aplicación en la administración de justicia. Revista Jurídica Mario Alario D´Filippo, 11(21), 71-83. https://revistas.unicartagena.edu.co/index.php/marioalariodfilippo/article/view/2 501/2096 Suarez, D., Solano, J., Martínez, R. B., Angarita, M., Henríquez Miranda, C., Salcedo, D. (2020). Sistema Inteligente para para la gestión automática de un generador eléctrico basado en la arquitectura del IoT. J. Comput. Electron. Sci.: Theory Appl., 1(1), 1–10. https://revistascientificas.cuc.edu.co/CESTA/article/view/3372/3148 TLV. (2023). ¿Qué es el Vapor de Agua? TLV. https://www.tlv.com/es-mx/steam info/steam-theory/steam-basics/what-is-steam. UPME. (2023). Informe resultados indicadores 2023 Unidad de Planeación Minero Energética. https://www1.upme.gov.co/InformacionCifras/Documents/Informe_gerencial_re sultados_indicadores_2023.pdf Vergara, G., Alonso Barba, J. I., Soria Olivas, E., y Gámez, J. A. (2015). Máquinas de aprendizaje extremo aleatorias para la predicción del consumo eléctrico de edificios. Actas de la XVI Conferencia CAEPIA. http://simd.albacete.org/actascaepia15/papers/00895.pdf Villajulca, J. C. (2020). Identificación de instrumentos: ¿Cómo armamos los TAGs? Instrumentación y Automatización Industrial. https://instrumentacionycontrol.net/identificacion-de-instrumentos-como armamos-los tags/#:~:text=Cada%20instrumento%20dentro%20de%20una,su%20respectiv o%20lazo%20de%20control. Yucra López, C. E. (2021). Biblioteca para la comparación estadística de algoritmos evolutivos. [Tesis de pregrado E.T.S. de Ingenieros Informáticos (UPM)]. https://oa.upm.es/69832/Maestría en Sistemas EnergéticosModelo de regresión de inteligencia artificial para predicción de energía de un sistema de calderas y turbogeneradoresModelo de inteligencia artificial para predicción de energíaModelo de inteligencia artificial para sistema de calderasModelo de inteligencia para turbogeneradorComunidad generalPublicationhttps://scholar.google.com.au/citations?user=7PIjh_MAAAAJ&hl=envirtual::5970-1https://scholar.google.com.co/citations?user=oj5Tle8AAAAJ&hl=esvirtual::5971-1https://scholar.google.com/citations?user=4FwcrYAAAAAJ&hl=esvirtual::5972-10000-0002-9731-8458virtual::5970-10000-0001-6393-7130virtual::5971-10000-0002-0540-8019virtual::5972-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000249106virtual::5970-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001345355virtual::5971-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000127684virtual::5972-1fc227fb1-22ec-47f0-afe7-521c61fddd32virtual::5970-1fc227fb1-22ec-47f0-afe7-521c61fddd32virtual::5970-16053e64e-a34d-4652-8fa2-6c0440556f15virtual::5971-11151d3fa-c243-4845-ae13-8a8723dc23acvirtual::5972-16053e64e-a34d-4652-8fa2-6c0440556f15virtual::5971-11151d3fa-c243-4845-ae13-8a8723dc23acvirtual::5972-1ORIGINALT11335_Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero.pdfT11335_Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero.pdfArchivo texto completo del trabajo de grado, PDFapplication/pdf2425702https://red.uao.edu.co/bitstreams/9ba4795a-8d40-49f4-994f-459904b1bc46/downloadb5400e64016fa31131be3b8e1e9cff4aMD51TA11335_Autorizacion trabajo de grado.pdfTA11335_Autorizacion trabajo de grado.pdfAutorización para publicación del trabajo de gradoapplication/pdf622203https://red.uao.edu.co/bitstreams/a05bec59-9990-47d1-8922-c70716e73d2d/download3c0229e1cc5615e09a3510cc56bd17b1MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81672https://red.uao.edu.co/bitstreams/e5389e0f-8257-44d3-b5ce-02ffdf67d694/download6987b791264a2b5525252450f99b10d1MD53TEXTT11335_Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero.pdf.txtT11335_Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero.pdf.txtExtracted texttext/plain102414https://red.uao.edu.co/bitstreams/1c44cef8-5f59-4f11-8cef-17c2af6ff7cc/downloadeaeb31306babe89f0eb470de20d0f80aMD54TA11335_Autorizacion trabajo de grado.pdf.txtTA11335_Autorizacion trabajo de grado.pdf.txtExtracted texttext/plain4https://red.uao.edu.co/bitstreams/e70e694e-c094-459a-9d8b-865caead2d6e/downloadff4c8ff01d544500ea4bfea43e6108c1MD56THUMBNAILT11335_Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero.pdf.jpgT11335_Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero.pdf.jpgGenerated Thumbnailimage/jpeg6613https://red.uao.edu.co/bitstreams/fbf2fa9b-f768-44a3-a889-67d366dbcde4/download73efc5baec2f11eeb2bd06381a162a66MD55TA11335_Autorizacion trabajo de grado.pdf.jpgTA11335_Autorizacion trabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg15141https://red.uao.edu.co/bitstreams/b0c48fa0-7a02-48cd-89d8-bd068ad0f625/downloadba86b821efc5da4120c794a6acb84412MD5710614/16032oai:red.uao.edu.co:10614/160322025-03-08 03:00:37.334https://creativecommons.org/licenses/by-nc-nd/4.0/Derechos reservados - Universidad Autónoma de Occidente, 2025restrictedhttps://red.uao.edu.coRepositorio Digital Universidad Autonoma de Occidenterepositorio@uao.edu.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

Desarrollo de un modelo basado en inteligencia artificial para el sistema de cogeneración de un ingenio azucarero

Publicaciones similares