Filtrado y predicción de señales correntométricas mediante redes neuronales artificiales
Tipo de material:![Texto](/opac-tmpl/lib/famfamfam/BK.png)
Tipo de ítem | Biblioteca actual | Colección | número de clasificación | Copia número | Estado | Fecha de vencimiento | Código de barras |
---|---|---|---|---|---|---|---|
![]() |
Biblioteca Central | Memorias | M 628.161 P579 (Navegar estantería(Abre debajo)) | 1 | Disponible | 3560900132061 |
CONSULTE EN LINEA A TRAVES DE REPOSITORIO INSTITUCIONAL
Tesis (Ing. Civil) -- Prof. guía: Raúl Galindo Urra
h.139-140
[Resumen del autor]
El diseño de emisarios submarinos representa un gran desafío desde el comienzo del proyecto, ya que se construyen en un medio adverso y difícil de controlar: el mar. Además, su función de eliminar aguas residuales exige un cuidado especial tanto en su cálculo como en su construcción. Como apoyo a su diseño, deben tomarse mediciones submarinas que evalúen las corrientes que transitarán por la marea y que eventualmente puedan hacer devolver a la costa los residuos que transportan. Es por este motivo que la instalación de correntómetros en puntos estratégicos es de vital importancia si se desea conocer la dirección y magnitud de la corriente. Sin embargo, debido a la naturaleza propia de ellas y agentes externos al instrumento, las señales que se obtienen están mezcladas con distintas componentes y un ruido no menor que evita una señal suave y de tendencia clara. Por lo tanto, se necesita de alguna herramienta que filtre estas señales y elimine el ruido que poseen. Actualmente existe una variada gama de metodologías que realizan esta tarea, algunas con mayor precisión y exactitud que otras, por lo que debe escogerse alguna que mezcle de manera óptima un bajo tiempo de cálculo y un manejo no excesivamente complejo. Además, ante la posibilidad de pérdida de una cantidad de datos o daño de las señales, se requiere que la metodología prediga con un error mínimo aquellos datos perdidos. Las Redes Neuronales Artificiales cumplen con estos requerimientos de trabajo. Dada su naturaleza conexionista, no lineal y de trabajo en paralelo, permiten un manejo de datos mucho más rápido, versatilidad casi ilimitada en su diseño y la posibilidad de modelar eventualmente cualquier problema mediante su imitación de las funciones del cerebro humano. Actualmente, en el área de la ingeniería están tomando un puesto cada vez más protagónico en lo que se refiere a análisis y desarrollo de modelos que resuelvan complejos fenómenos. El presente trabajo pone de manifiesto cómo mediante la teoría de las Redes Neuronales Artificiales pueden resolverse problemas como el Filtrado y Predicción de señales de corrientes oceánicas complejas requeridas para el diseño en ingeniería, de una manera innovadora y eficiente, junto con el manejo de un software totalmente dedicado a su diseño y aplicación.
2