Posgrado de Doctorados en Ingeniería
Permanent URI for this community
Browse
Browsing Posgrado de Doctorados en Ingeniería by Subject "Aprendizaje automático (Inteligencia artificial) -- Aplicación"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
Item Diseño de un clasificador para el mantenimiento predictivo de una red de distribución eléctrica utilizando Deep Learning(Universidad de Piura, 2023-04-25) Perez Aguilar, Daniel Alexis; Chinguel Arrese, César AlbertoLa tesis tiene como objetivo proponer alternativas frente a técnicas tradicionales de inteligencia artificial aplicadas al sector eléctrico, con la finalidad de contribuir con el mantenimiento predictivo de equipos eléctricos, específicamente líneas y subestaciones. La metodología plantea la clasificación binaria de imágenes térmicas mediante la comparación de 11 arquitecturas de transfer learning (VGG16, AlexNet, MobileNet v2, VGG19, ResNet, DenseNet, ShuffleNet, GoogLeNet, Wide ResNet, MNASNet y ResNeXt). Se desarrolló una estructura base en la que se fueron realizando pruebas con cada una de ellas, utilizando un set datos de 815 imágenes, además de entrenar a los modelos con dos técnicas: en primer lugar, la separación hold-out (60-20-20) y a continuación una validación cruzada con 5-folds, para posteriormente estudiar el rendimiento de cada arquitectura a través del método estadístico del test de Friedman. Los resultados mostraron que la arquitectura VGG16 obtuvo mejores prestaciones, obteniendo un valor de F1-score del 95.11%. Adicionalmente, como aporte a la investigación, se realizó la detección de objetos con el mismo set de datos, para lo cual, de las 815 imágenes del set de datos original (342 líneas y 473 subestaciones eléctricas), se obtuvieron únicamente 138 imágenes con puntos calientes (22 líneas y 116 subestaciones), por lo que se decidió trabajar exclusivamente con las subestaciones eléctricas, a las cuales se les aplicó técnicas de data augmentation y transfer learning. Se analizó y aplicó el algoritmo YOLO y sus distintas variaciones (1 experimento con YOLOv4, 16 experimentos con YOLOv5 small, 16 con YOLOv5 medium, 16 con YOLOv5 large y 16 con YOLOv5 extra-large), obteniendo porcentajes de precisión de 81.99% con YOLOv5m. Ambos resultados son un claro indicio de que el uso de técnicas no tradicionales de inteligencia artificial representa una alternativa fiable en la clasificación y detección de objetos en imágenes térmicas aplicadas al sector eléctrico.Item Pronóstico de la demanda internacional del banano orgánico de Perú usando algoritmos de Machine Learning(Universidad de Piura, 2022-11-16) Almeyda Almeyda, Estefani Marie; Ipanaqué Alama, WilliamLa tesis tiene como objetivo el diseño, entrenamiento, validación y evaluación de diversos modelos predictivos, usando algoritmos de Machine Learning para pronosticar la demanda del banano orgánico de Perú. Para el desarrollo de la investigación, se utiliza los registros oficiales del volumen de exportación (Kg.) de banano orgánico del Perú (Aduanet-Sunat). La investigación cuenta con datos recolectados del total de exportación de banano orgánico peruano recolectadas desde el 2001 al 2020, disponibles en el portal online de Aduanet-Sunat y abarca el diseño, entrenamiento, validación y evaluación de cuatro modelos predictivos, usando algoritmos de redes neuronales recurrentes, tales como: MLP1, RNN2, LSTM3 y GRU4. Se realizaron varios experimentos testeando diferentes arquitecturas de la red neuronal y optimizando sus hiper-parámetros. Posteriormente, se seleccionó el modelo con mejor performance, evaluando la precisión de los valores pronosticados y los valores de la serie temporal original. Como resultado, el modelo entrenado con el algoritmo RNN obtuvo los menores valores de error de predicción (MSE: 0.00147, RMSE: 0.03838, MAE: 0.02885, y MAPE: 2.88516), lo cual demostró ser el modelo predictivo más preciso para realizar el pronóstico de la demanda de banano orgánico de Perú. Se concluye que un total de 60 modelos predictivos, diferentes entre sí, fueron entrenados para pronosticar la exportación de banano orgánico de Perú. El modelado usando Redes Neuronales Recurrentes demostró un mejor proceso de entrenamiento, referente al aprendizaje de la dependencia temporal, la no-linealidad y la estacionalidad de la serie de tiempo, debido a los atributos de las celdas de memoria, las cuales retienen y actualizan información de datos secuenciales. Asimismo, los cuatro modelos entrenados (MLP, RNN, LSTM, y GRU) realizaron el pronóstico de la serie de tiempo con un ligero underfitting (hig bias). Sin embargo, las redes neuronales recurrentes (RNN, LSTM, y GRU) consiguieron mayor precisión en la estimación de la estacionalidad de la serie temporal. Asimismo, la elección del número de neuronas o unidades recurrentes por capa oculta de la red neuronal influyó en el aprendizaje y en la función de perdida (loss). Considerando todos los modelos entrenados, la mejor performance del modelado y el pronóstico de la serie de tiempo fue registrado usando una arquitectura estándar de red neuronal recurrente, con una capa oculta y con sesenta y cuatro unidades recurrentes en la capa oculta.