Resumen La corrosión es un problema recurrente en la industria del gas natural, debido a la presencia de gases corrosivos como el CO2 y el H2S que en presencia de agua pueden atacar el acero y producir daños y fugas que generen accidentes y contaminación, es por ello que la predicción de la tendencia del gas natural hacia la corrosión es fundamental para desarrollar estrategias de inhibición y mitigación de este proceso. El objetivo del estudio fue desarrollar una Red Neuronal Artificial (RNA) entrenada con datos de composición de muestras de gas natural para predecir la tendencia corrosiva, como método alternativo que pueda ser utilizado como una herramienta predictiva eficiente. La RNA se entrenó con una muestra de 46 gases naturales y 11 componentes por cada una, además de la presión y la temperatura como condiciones operacionales, lo que representa un total de 598 datos de entrenamiento de la RNA, además se utilizaron 8 muestras adicionales para la validación externa del modelo. La RNA que desarrolló fue dentro de los principios de la estadística Bayesiana, con una arquitectura de Perceptrón Multicapa. Se obtuvo que la RNA es capaz de clasificar correctamente el 95,65% de la tendencia corrosiva de las muestras, siendo aquellas con tendencia no corrosiva las que presentaron el menor porcentaje de predicción (75%). La predicción de las muestras externas siguió la tendencia esperada, con menor capacidad para clasificar a las no corrosivas, y las muestras con posible corrosión y corrosivas fueron predichas en 80%. Se concluye que la RNA es una herramienta eficiente para la predicción de la tendencia corrosiva del gas natural en presencia de CO2 y su efectividad depende de que se utilicen muestras con todos los componentes necesarios para entrenar la misma, además puede ser mejorada al introducir otros parámetros como la cantidad de agua presente.

Abstract Corrosion is a recurrent problem in the natural gas industry, due to the presence of corrosive gases such as CO2 and H2S that in the presence of water can attack steel and produce damages and leaks that generate accidents and contamination, that is why the prediction of the tendency of natural gas towards corrosion is essential to develop strategies to inhibit and mitigate this process. The objective of the study was to develop an Artificial Neural Network (ANN) trained with composition data of natural gas samples to predict the corrosive tendency, as an alternative method that can be used as an efficient predictive tool. The ANN was trained with a sample of 46 natural gases and 11 components for each one, in addition to pressure and temperature as operational conditions, representing a total of 598 training data of the ANN, also 8 additional samples were used for external validation of the model. The ANN that developed was within the principles of Bayesian statistics, with a Multilayer Perceptron architecture. It was obtained that the ANN is able to correctly classify 95.65% of the corrosive tendency of the samples, being those with non-corrosive tendency the ones that presented the lowest prediction percentage (75%). The prediction of the external samples followed the expected trend, with lower capacity to classify the non-corrosive ones, and the samples with possible corrosion and corrosive were predicted in 80%. It is concluded that ANN is an efficient tool for predicting the corrosive tendency of natural gas in the presence of CO2 and its effectiveness depends on using samples with all the necessary components to train it, and it can be improved by introducing other parameters such as the amount of water present.

Resumen: Durante la construcción, los recursos no controlados impactan el desempeño del proyecto. La Gestión del Valor Ganado (GVG) es un método ampliamente utilizado para la gestión de proyectos basado en el control de tiempos y costos. Los avances en las Tecnologías de la Información (TI) brindan opciones para mejorar el método GVG. El GVG es un método a nivel de proyecto que excluye detallar el comportamiento de los parámetros del proyecto a nivel de operaciones de construcción, se manejan en términos económicos agregados a lo largo del tiempo. Por lo tanto, este trabajo estudia la mejora del GVG utilizando TI para expresar el manejo de variables operativas. Este artículo utiliza un proyecto de construcción de carreteras como caso de estudio, para evaluar tres enfoques (es decir, Red Bayesiana (RB), Red Neuronal Artificial (RNA) y EVM-RNA Híbrida) como opciones de mejora para el método GVG. Se encontró que la RNA proporciona la mejor mejora de los resultados del GVG. El uso de la RNA y los parámetros del proyecto mejora el manejo del GVG. Al tener una mayor efectividad en los pronósticos, se espera que mejore la calidad y disponibilidad de los datos para la toma de decisiones, una condición que a su vez puede mejorar la agilidad y adaptabilidad de los resultados del proyecto tal como está construido. El modelo EVM-ANN utiliza parámetros que influyen en la finalización de la implementación del proyecto, lo que facilita la evaluación del desempeño del tiempo del proyecto en función de diversas condiciones en el campo para que el proyecto pueda obtener la mejor estrategia para garantizar su finalización a tiempo.

Abstract: During construction, uncontrolled resources impact project performance. Earned Value Management (EVM) is a widespread method used for project management based on time and cost control. Advances in Information Technology (IT) provide options to improve the EVM method. The EVM is a project-level method that excludes detailing the behavior of project parameters at the level of construction operations, they are handled in aggregated economic terms over time. Thus, this work studies the improvement of EVM using IT to express the handling of operational variables. This article uses a road construction project as a case study, to evaluate three approaches (i.e., Bayesian Network (BN), Artificial Neural Network (ANN), and Hybrid EVM-ANN) as improvement options for the EVM method. It was found that the ANN provides the best improvement of EVM results. The use of ANN and project parameters improves the handling of EVM. By mayor forecast effectiveness, is expected to improve the quality and availability of data for decision making, a condition which in turn may improve agility and adaptability of the project as-built outcomes. The model EVM-ANN uses parameters that influence project implementation completion, making it easier to assess project time performance based on various conditions in the field so that the project can obtain the best strategy to ensure project completion on time.

Abstract In the present study, a prediction of hardness deterioration and abrasive wear was performed through a neural network using artificial intelligence on a material printed in SLA. This article aims to predict the mechanical properties, wear resistance and surface hardness of parts manufactured by SLA stereolithography printing. A full factorial DOE was used to associate the peculiar parameters (print orientation, cure time, layer height) to perform experiments. The mechanical properties were evaluated according to ASTM regulations, with the objective of obtaining feeding data and validation of the predictions of the Taber Wear Index and hardness using an artificial neural network. The experimental results are in good agreement with the measured data with satisfactory prediction errors with a mean square error (MSE) of 0.01 corresponding to abrasive wear using the clear resin and a mean absolute error (MSE) of 0.09 with an R2 of 0.756, the prediction with the neural network with a mean square error (MSE) of 2.47 corresponding to abrasive wear using the tough resin and a mean absolute error (MSE) of 14.3 with an R2 of 0.97. It was shown that the accuracy of the prediction is reasonable, and the network has the potential to be improved if the experimental database for training the network could be expanded. Therefore, wear and hardness mechanical properties can be predicted appropriately with an ANN.

Resumen En el presente estudio se realizó una predicción del deterioro de la dureza y el desgaste abrasivo a través de una red neuronal utilizando inteligencia artificial sobre un material impreso en SLA. Esta investigación tiene como objetivo predecir las propiedades mecánicas de resistencia al desgaste y dureza superficial de piezas fabricadas mediante impresión por estereolitografía (SLA). Para realizar los experimentos se utilizó un diseño factorial de dos niveles o DOE factorial completo y así asociar los parámetros peculiares (orientación de impresión, tiempo de curado, altura de la capa). Las propiedades mecánicas fueron evaluadas según normativas ASTM, con el objetivo de obtener datos de alimentación y validación de las predicciones del índice de desgaste Taber y la dureza empleando una red neuronal artificial. Los resultados experimentales concuerdan con los datos medidos con errores de predicción satisfactorios con un error cuadrático medio (MSE) de 0,01 correspondiente al desgaste abrasivo utilizando la resina transparente y un error absoluto medio (MSE) de 0,09 con un R2 de 0,76. La predicción con la red neuronal tiene un error cuadrático medio (MSE) de 2.47 perteneciente al desgaste abrasivo utilizando la resina resistente y un error absoluto medio (MSE) de 14,3 con un R2 de 0,97. Se demostró que la precisión de la predicción es razonable, y que la red tiene potencial para mejorar si se pudiera ampliar la base de datos experimental para entrenar la red. Por lo tanto, las propiedades mecánicas de desgaste y dureza se pueden predecir, adecuadamente, con una RNA.

Resumen En la exploración geofísica, el análisis del terreno es fundamental para planificar la adquisición de datos de gravimetría y magnetometría. No obstante, en la actualidad dichos análisis requieren el uso supervisado de información secundaria extensa. Por este motivo, en este estudio se propone una metodología que utiliza el aprendizaje profundo para evaluar el impacto de la cobertura vegetal y la topografía en la adquisición geofísica. Se usó una red neuronal artificial perceptrón multicapa para considerar cinco variables terrestres, y una red neural convolucional para la clasificación automatizada de coberturas vegetales sobre imágenes satelitales. A partir de esto, se obtuvieron puntos para la localización de estaciones de levantamiento geofísico que cumplen con un criterio de favorabilidad por accesibilidad, distancias, restricciones por cuerpos de agua y coberturas boscosas. La geometría obtenida se evaluó en la exploración del Granito de Durania en Colombia, y los resultados se analizaron utilizando transectas de adquisición y modelado computacional de anomalías magnéticas y de gravedad. Finalmente, se aplicaron técnicas de interpolación donde el método Ponderación de Distancia Inversa (IDW) mostró la mejor imagen para interpretar la delimitación del cuerpo intrusivo.

Abstract In geophysical exploration, terrain analysis is fundamental for planning the gravity and magnetic surveys. However, current analyses necessitate supervised use of extensive secondary information. Consequently, this study proposes a methodology that leverages deep learning to assess the impact of vegetation coverage and topography in geophysical acquisition. An artificial neural network multilayer perceptron was used to consider five terrain-related variables, while a convolutional neural network is used for automated classification of vegetation cover on satellite imagery. From this, geophysical acquisition points are obtained, adhering to criteria involving accessibility favourability, distances, restrictions imposed by bodies of water, and forested cover. The obtained geometry was tested in the exploration of the Granito de Durania in Colombia, and the results were analysed using acquisition transects and computational modelling of gravity and magnetic anomalies. Interpolation techniques were applied, with the Inverse Distance Weighting (IDW) method yielding the most informative map for interpreting the delineation of the intrusive body.

ABSTRACT Background: The growing number of echocardiographic tests and the need for strict adherence to international quantification guidelines have forced cardiologists to perform highly extended and repetitive tasks when interpreting and analyzing increasingly overwhelming amounts of data. Novel machine learning (ML) techniques, designed to identify images and perform measurements at relevant visits, are becoming more common to meet this obvious need for process automation. Objectives: Our objective was to evaluate an alternative model for the interpretation and analysis of echocardiographic tests mostly based on the use of ML software in order to identify and classify views and perform standardized measurements automatically. Methods: Images came from 2000 healthy subjects, 1800 of whom were used to develop ML algorithms and 200 for subsequent validation. First, a convolutional neural network was developed in order to identify 18 standard echocardiographic views and classify them based on 8 thematic groups (stacks). The results of automatic identification were compared to classification by experts. Later, ML algorithms were developed to automatically measure 16 Doppler scan parameters for regular clinical evaluation, which were compared to measurements by an expert reader. Finally, we compared the time required to complete the analysis of an echocardiographic test using conventional manual methods with the time needed when using the ML model to classify images and perform initial echocardiographic measurements. Inter- and intra-observer variability was also analyzed. Results: Automatic view classification was possible in less than 1 second per test, with a 90% accuracy for 2D images and a 94% accuracy for Doppler scan images. Stacking images had a 91% accuracy, and it was possible to complete the groups with any necessary images in 99% of cases. Expert agreement was outstanding, with discrepancies similar to those found between two human readers. Applying ML to echocardiographic imaging classification and measurement reduced time of analysis by 41% and showed lower variability than conventional reading methods. Conclusion: Application of ML techniques may significantly improve reproducibility and efficiency of echocardiographic interpretations and measurements. Using this type of technologies in clinical practice may lead to reduced costs and increased medical staff satisfaction.

RESUMEN Introducción: El número creciente de estudios ecocardiográficos y la necesidad de cumplir rigurosamente con las recomendaciones de guías internacionales de cuantificación, ha llevado a que los cardiólogos deban realizar tareas sumamente extensas y repetitivas, como parte de la interpretación y análisis de cantidades de información cada vez más abrumadoras. Novedosas técnicas de machine learning (ML), diseñadas para reconocer imágenes y realizar mediciones en las vistas adecuadas, están siendo cada vez más utilizadas para responder a esta necesidad evidente de automatización de procesos. Objetivos: Nuestro objetivo fue evaluar un modelo alternativo de interpretación y análisis de estudios ecocardiográficos, basado fundamentalmente en la utilización de software de ML, capaz de identificar y clasificar vistas y realizar mediciones estandarizadas de forma automática. Material y métodos: Se utilizaron imágenes obtenidas en 2000 sujetos normales, libres de enfermedad, de los cuales 1800 fueron utilizados para desarrollar los algoritmos de ML y 200 para su validación posterior. Primero, una red neuronal convolucional fue desarrollada para reconocer 18 vistas ecocardiográficas estándar y clasificarlas de acuerdo con 8 grupos (stacks) temáticos. Los resultados de la identificación automática fueron comparados con la clasificación realizada por expertos. Luego, algoritmos de ML fueron desarrollados para medir automáticamente 16 parámetros de eco Doppler de evaluación clínica habitual, los cuales fueron comparados con las mediciones realizadas por un lector experto. Finalmente, comparamos el tiempo necesario para completar el análisis de un estudio ecocardiográfico con la utilización de métodos manuales convencionales, con el tiempo necesario con el empleo del modelo que incorpora ML en la clasificación de imágenes y mediciones ecocardiográficas iniciales. La variabilidad inter e intraobservador también fue analizada. Resultados: La clasificación automática de vistas fue posible en menos de 1 segundo por estudio, con una precisión de 90 % en imágenes 2D y de 94 % en imágenes Doppler. La agrupación de imágenes en stacks tuvo una precisión de 91 %, y fue posible completar dichos grupos con las imágenes necesarias en 99% de los casos. La concordancia con expertos fue excelente, con diferencias similares a las observadas entre dos lectores humanos. La incorporación de ML en la clasificación y medición de imágenes ecocardiográficas redujo un 41 % el tiempo de análisis y demostró menor variabilidad que la metodología de interpretación convencional. Conclusión: La incorporación de técnicas de ML puede mejorar significativamente la reproducibilidad y eficiencia de las interpretaciones y mediciones ecocardiográficas. La implementación de este tipo de tecnologías en la práctica clínica podría resultar en reducción de costos y aumento en la satisfacción del personal médico.

RESUMEN: El proceso de corrección manual de ensayos presenta dificultades como el tiempo dedicado a la corrección y devolución al alumno. Para las escuelas, las universidades y el Examen Nacional de Enseñanza Secundaria en Brasil (Enem), tal actividad demanda tiempo y costo para la evaluación de los textos producidos. La evasión del tema es uno de los elementos evaluados en la redacción del Enem que puede anular el ensayo. El análisis automático de ensayos con la aplicación de técnicas y métodos de Procesamiento del Lenguaje Natural, Minería de Texto y otras técnicas de Inteligencia Artificial se ha mostrado prometedor en el proceso de evaluación automatizada del lenguaje escrito. El objetivo de esta investigación es comparar diferentes técnicas de Inteligencia Artificial para la clasificación de evasión del tema en textos e identificar aquella con mejor resultado para habilitar un sistema inteligente de corrección de ensayos. Por lo tanto, se llevaron a cabo experimentos computacionales para clasificar estos textos con el fin de normalizar, identificar patrones y clasificar los ensayos en 1.320 ensayos en lengua portuguesa en 119 temas diferentes. Los resultados indican que el clasificador Red Neuronal Convolucional obtuvo mayor gano con relación a los demás clasificadores analizados, tanto en precisión como en relación con los resultados de falsos positivos, métricas de precisión, Recall e F1-Score. La solución validada en esta investigación contribuye a impactar positivamente el trabajo de los docentes y las instituciones educativas, al reducir el tiempo y los costos asociados al proceso de evaluación de ensayos. RESUMEN alumno escuelas Enem, , (Enem) producidos ensayo Natural escrito normalizar 1320 1 320 1.32 11 analizados positivos F1Score. F1Score FScore F1 Score. Score F F1-Score educativas (Enem 132 32 1.3 13 3 1.

ABSTRACT: The process of manual correction of essays causes some difficulties, among which we point out the time spent for correction and feedback to the student. For institutions such as elementary schools, universities, and the National High School Exam in Brazil (Enem), such activity demands time and cost for the evaluation of the texts produced. Going off-topic is one of the items evaluated in the Enem essay that can nullify the whole essay produced by the candidate. In this context, the automatic analysis of essays with the application of techniques and methods of Natural Language Processing, Text Mining, and other Artificial Intelligence techniques has shown to be promising in the process of automated evaluation of written language. The goal of this research is to compare different AI techniques for the classification of going off-topic in texts and identify the one with the best result to enable a smart correction system for essays. Therefore, computer experiments were carried out to classify these texts to normalize, identify patterns, and classify the essays in 1,320 Brazilian Portuguese essays on 119 different topics. The results indicate that the Convolutional Neural Network classifier obtained greater gain concerning the other classifiers analyzed, both in accuracy and about the results of false positives, the precision of metrics, Recall, and F1-Score. In conclusion, the solution validated in this research contributes to positively impacting the work of teachers and educational institutions, by reducing the time and costs associated with the essay evaluation process. ABSTRACT difficulties student schools universities Enem, , (Enem) offtopic off topic candidate context Processing Mining language Therefore normalize patterns 1320 1 320 1,32 11 topics analyzed positives metrics Recall F1Score. F1Score FScore F1 Score. Score F F1-Score conclusion (Enem 132 32 1,3 13 3 1,

RESUMO: O processo de correção manual de redações acarreta algumas dificuldades, dentre as quais se apontam o tempo dispendido para a correção e a devolutiva de resposta ao aluno. Para instituições como escolas de ensino básico e fundamental, universidades e o Exame Nacional do Ensino Médio (Enem), tal atividade demanda tempo e custo para a avaliação dos textos produzidos. A fuga ao tema é um dos itens avaliados na redação do Enem que pode anular a redação produzida pelo candidato. Neste contexto, a análise automática de redações com a aplicação de técnicas e métodos de Processamento de Linguagem Natural, Mineração de Textos e outras técnicas de Inteligência Artificial tem-se revelado promissora no processo de avaliação automatizada da linguagem escrita. O objetivo desta pesquisa é comparar diferentes técnicas de Inteligência Artificial para classificação de fuga ao tema em textos e identificar aquela com melhor resultado para viabilizar um sistema de correção inteligente de redações. Para tanto, foram executados experimentos computacionais em 1.320 redações elaboradas em língua portuguesa visando a classificação desses textos para normalizar, identificar padrões e categorizar as redações em 119 temas diferentes. Os resultados indicam que o classificador Rede Neural Convolucional obteve maior ganho em relação aos demais classificadores analisados, tanto em acurácia quanto em relação aos resultados de falsos positivos, métricas de precisão, Recall e F1-Score. Como conclusão, a solução validada nesta pesquisa contribui para impactar positivamente o trabalho de professores e instituições de ensino, por meio da redução de tempo e custos associados ao processo de avaliação de redações. RESUMO dificuldades aluno fundamental Enem, , (Enem) produzidos candidato contexto Natural temse tem escrita 1320 1 320 1.32 normalizar 11 analisados positivos precisão F1Score. F1Score FScore F1 Score. Score F F1-Score conclusão (Enem 132 32 1.3 13 3 1.

RESUMEN Objetivos: evaluar el rendimiento predictivo de diferentes algoritmos de inteligencia artificial para estimar el tiempo de ejecución del baño en cama en pacientes críticos. Métodos: estudio metodológico, que utilizó algoritmos de inteligencia artificial para predecir el tiempo de baño en cama en pacientes críticos. Se analizaron los resultados de modelos de regresión múltiple, redes neuronales perceptrón multicapa y función de base radial, árbol de decisión y random forest. Resultados: entre los modelos evaluados, el modelo de red neuronal con función de base radial, que contiene 13 neuronas en la capa oculta, presentó el mejor desempeño predictivo para estimar el tiempo de ejecución del baño en cama. En la validación de datos, la correlación al cuadrado entre los valores predichos y los valores originales fue del 62,3%. Conclusiones: el modelo de red neuronal con función de base radial mostró mejor rendimiento predictivo para estimar el tiempo de ejecución del baño en cama en pacientes críticos. Objetivos críticos Métodos metodológico múltiple forest Resultados evaluados 1 oculta datos 623 62 3 62,3% Conclusiones 6 62,3 62,

ABSTRACT Objectives: to assess the predictive performance of different artificial intelligence algorithms to estimate bed bath execution time in critically ill patients. Methods: a methodological study, which used artificial intelligence algorithms to predict bed bath time in critically ill patients. The results of multiple regression models, multilayer perceptron neural networks and radial basis function, decision tree and random forest were analyzed. Results: among the models assessed, the neural network model with a radial basis function, containing 13 neurons in the hidden layer, presented the best predictive performance to estimate the bed bath execution time. In data validation, the squared correlation between the predicted values and the original values was 62.3%. Conclusions: the neural network model with radial basis function showed better predictive performance to estimate bed bath execution time in critically ill patients. Objectives patients Methods study analyzed Results assessed 1 layer validation 623 62 3 62.3% Conclusions 6 62.3 62.

RESUMO Objetivos: avaliar a performance preditiva de diferentes algoritmos de inteligência artificial para estimar o tempo de execução do banho no leito em pacientes críticos. Métodos: estudo metodológico, que utilizou algoritmos de inteligência artificial para predizer o tempo de banho no leito em pacientes críticos. Foram analisados os resultados dos modelos de regressão múltipla, redes neurais perceptron multicamadas e função de base radial, árvore de decisão e random forest. Resultados: entre os modelos avaliados, o modelo de rede neural com função de base radial, contendo 13 neurônios na camada oculta, apresentou melhor performance preditiva para estimar o tempo de execução do banho no leito. Na validação dos dados, o quadrado da correlação entre os valores preditos e os valores originais foi de 62,3%. Conclusões: o modelo de rede neural com função de base radial apresentou melhor performance preditiva para estimar o tempo de execução do banho no leito em pacientes críticos. Objetivos críticos Métodos metodológico múltipla forest Resultados avaliados 1 oculta dados 623 62 3 62,3% Conclusões 6 62,3 62,

Resumen: La evaluación de la estabilidad de voltaje en tiempo real, mediante métodos convencionales, resulta en una tarea difícil debido al gran volumen de información, los elevados tiempos de ejecución y el esfuerzo computacional requerido. Con estos antecedentes, el presente trabajo técnico propone un método alternativo que permite la estimación del margen de estabilidad de voltaje a través de la aplicación de algoritmos de inteligencia artificial y minería de datos. Para ello, se generaron 10 000 escenarios operativos mediante simulaciones de Monte Carlo, considerando la variabilidad de la carga y el criterio de seguridad n-1. Posteriormente, se determinaron los márgenes de estabilidad de voltaje de todos los escenarios mediante el uso de las curvas voltaje-potencia (PV, por sus siglas en inglés), con la finalidad de obtener una base de datos. Esta información permitió estructurar una matriz de datos para entrenar y evaluar la red neuronal artificial y la máquina vectorial de soporte, capaz de predecir el margen de estabilidad de voltaje, incluso en tiempo real. El desempeño de las herramientas de predicción se evaluó a través del error cuadrático medio y del coeficiente de determinación. La metodología propuesta se aplicó al sistema de prueba IEEE 14 bus, mostrando resultados prometedores tanto para la red neuronal como para la máquina vectorial, donde los coeficientes de determinación fueron 0.9153 y 0.8317, respectivamente.

Abstract: Real-time voltage stability assessment, via conventional methods, is a difficult task due to the required large volume of information, high execution times and computational cost. Based on this background, this technical work proposes an alternative method for voltage stability margin estimation through the application of artificial intelligence and data mining algorithms. For this purpose, 10 000 operate scenarios were generated through Monte Carlo simulations, considering the load variability and the n-1 security criterion. Afterwards, the voltage stability margin of all scenarios were determined using power-voltage (PV) curves in order to obtain a database. This information allowed structuring a data matrix for training and evaluating an artificial neural network and a support vector machine, capable of predicting the voltage stability margin, even in real time. The performance of the prediction tools was evaluated through the mean square error and the coefficient of determination. The proposed methodology was applied to the IEEE 14 bus test system, showing so promising results for both the neural network and the vector machine, where the coefficients of determination were 0.9153 and 0.8317, respectively.

Resumen La integración de técnicas de inteligencia artificial introduce nuevas perspectivas en la aplicación de estos métodos. Este trabajo presenta la combinación de redes neuronales y estrategias evolutivas para crear lo que se conoce como redes neuronales artificiales evolutivas (RNAE). Durante el proceso, se modificó la función de excitación de las neuronas para permitir su reproducción asexual. Como resultado, las neuronas evolucionaron y se desarrollaron significativamente. La técnica del controlador de temperatura de un reactor de polimerización por lotes para producir polimetilmetacrilato (PMMA) mediante radicales libres se comparó con dos controles diferentes (PID y GMC), demostrando así la aplicabilidad de los controladores basados en inteligencia artificial. Estos controladores ofrecen mejores resultados que los controladores convencionales sin crear funciones de transferencia al proceso de control representado.

Abstract The integration of artificial intelligence techniques introduces fresh perspectives in the implementation of these methods. This paper presents the combination of neural networks and evolutionary strategies to create what is known as evolutionary artificial neural networks (EANNs). In the process, the excitation function of neurons was modified to allow asexual reproduction. As a result, neurons evolved and developed significantly. The technique of a batch polymerization reactor temperature controller to produce polymethylmethacrylate (PMMA) by free radicals was compared with two different controls, such as PID and GMC, demonstrating that artificial intelligencebased controllers can be applied. These controllers provide better results than conventional controllers without creating transfer functions to the control process represented.

Resumen El uso de plantas solares fotovoltaicas para la generación de energía eléctrica ha ido en constante aumento en los últimos años. Muchas de estas se conectan a la red eléctrica externa, por lo que se hace necesario el pronóstico de la energía eléctrica generada por las plantas solares para coadyuvar en la gestión del operador de la red. En esta investigación se presenta una metodología basada en la ciencia de datos para desarrollar el pronóstico de energía eléctrica generada de plantas solares fotovoltaicas, utilizando, para efectos de comparación, tres técnicas diferentes: análisis de series de tiempo, regresión lineal múltiple, y red neuronal artificial. Se trabajó con los datos históricos de la potencia pico, la irradiancia solar, la temperatura ambiente, la velocidad del viento, y la tasa de suciedad, de una planta solar fotovoltaica experimental del NREL. Para evaluar el desempeño de los modelos se utilizan las métricas RMSE, MAE, y MAPE, resultando que el modelo ARIMA del análisis de series de tiempo fue el que mejor desempeño tuvo con un MAE de 1.38 kWh, RMSE de 1.40 kWh, y MAPE de 6.35 %. En el análisis de correlación se determinó que la generación de energía era independiente de la tasa de suciedad, por lo que se descartó esta variable en los modelos de regresión.

Abstract The use of photovoltaic solar plants for the generation of electrical energy has been constantly increasing in recent years, and many of these plants are connected to the external electrical network, which makes it necessary to forecast the electrical energy generated by the solar plants to assist in the management of the network operator. This research presents a methodology based on data science to develop the forecast of electrical energy generated from photovoltaic solar plants, using three different techniques for comparison purposes: time series analysis, multiple linear regression, and artificial neural network. Historical data of peak power, solar irradiance, ambient temperature, wind speed, and soiling rate from an experimental NREL photovoltaic solar plant were used. To evaluate the performance of the models, the RMSE, MAE, and MAPE metrics are used, resulting in the ARIMA model of the time series analysis having the best performance with a MAE of 1.38 kWh, RMSE of 1.40 kWh, and MAPE of 6.35 %. In the correlation analysis, it was determined that power generation was independent of the soiling rate, so this variable was discarded in the regression models.

ABSTRACT Introduction: Sugar cane bagasse and straw are interesting feedstocks for biofuels production or as sources of chemical products. During the fast pyrolysis process, the alkali and alkaline earth metals contained act as catalysts and have great potential to reduce yield and negatively alter the composition of the resulting bio-oil. The bio-oil yield prediction from pyrolysis of lignocellulosic biomasses is very important for the industrial application of these processes. The objectives of this work were: to investigate pyrolysis to produce bio-oil, to develop models to predict the performance of a fast pyrolysis plant and bio-oil yield; to obtain an heterogeneous catalyst from the Jatropha curcas shell. Methods: They were tested four leaching solutions to reduce the biomass ashes mass fraction under different experimental conditions. They were applied different analytical techniques to all biomasses, micro pyrolysis and experiments in different reactors. Results: The leaching solution nature and its interaction with contact time are very important during demineralization. The acid treatment leads to slight structural changes which influence the thermal degradation. It was developed a model at commercial scale for prediction of the energy performance, economic indicators and environmental impact of a fast pyrolysis plant. Conclusions. The studied leaching conditions have no influence on the pyrolysis vapors composition. The pretreatment with citric acid is effective for demineralization of sugar cane residues in the obtaining of bio-oil or chemicals compounds of commercial value through fast pyrolysis. It was obtained at lab scale an effective heterogeneous catalyst for biodiesel production. It was developed an artificial neural network model to predict bio-oil yield from pyrolysis with a mean absolute error of 1.72 %.

RESUMEN Introducción: El bagazo y paja provenientes de la caña de azúcar, presentan interés como materia prima potencial para la producción de biocombustibles o productos químicos. Durante el proceso de pirólisis rápida, los metales alcalinos y alcalinotérreos contenidos actúan como catalizadores y poseen un gran potencial para reducir el rendimiento y alterar de manera negativa la composición del bioaceite resultante. La predicción del rendimiento de bioaceite de biomasas lignocelulósicas es de vital importancia en la implementación de tecnologías asociadas. Los objetivos del trabajo fueron investigar la pirólisis para producir bioaceites, desarrollar modelos para predecir el desempeño energético de una planta de pirólisis rápida y el rendimiento de bioaceite; obtener un catalizador heterogéneo a partir de la corteza de Jatropha curcas. Métodos: Para reducir la fracción másica de cenizas de la biomasa se utilizaron 4 soluciones de lixiviación en diferentes condiciones experimentales. Se aplican a las biomasas diferentes técnicas analíticas, micropirólisis y experimentos en diferentes reactores. Resultados: La naturaleza de la solución de lixiviación y su interacción con el tiempo de contacto son muy importantes al desmineralizar. El tratamiento con ácido provoca leves cambios estructurales que repercuten en la degradación térmica. Se desarrolla un modelo a escala comercial que sirve para predecir el desempeño energético, los indicadores económicos e impacto ambiental de una planta de pirólisis rápida. Conclusiones, las condiciones de lixiviación estudiadas no influyen en la composición de los vapores de la pirólisis. El pretratamiento con ácido cítrico es efectivo para desmineralizar residuos cañeros en la obtención de bioaceites o compuestos químicos de valor comercial por pirolisis rápida. Se obtuvo a escala de laboratorio un catalizador heterogéneo efectivo para la producción de biodiesel mediante transesterificación. Se desarrolló un modelo de red neuronal artificial para predecir el rendimiento de bioaceite de la pirólisis; con un error medio absoluto de 1,72 %.

Resumen: El presente documento muestra los resultados del desarrollo y la aplicación de un ambiente e-Learning adaptativo inteligente a estudiantes universitarios del Istmo de Tehuantepec, Oaxaca. El objetivo es analizar cómo influyen en el desempeño académico las actividades de aprendizaje individualizadas y los estados emocionales. La identificación de los estados emocionales se llevó a cabo mediante algoritmos basados en Inteligencia Artificial. Los resultados mostraron una importante relación entre estado-emocional y calificación. Se llegó a la conclusión de que la sorpresa y el miedo propician la obtención de buenas calificaciones: hay evidencia en relación con este hecho, de un incremento en la media de 6.8 a 9.7. Estos resultados se compararon con los de semestres anteriores sin el uso de este ambiente de aprendizaje.

Abstract: This document contains the results of the development and the application of an intelligent adaptive e-Learning environment to university students from the Isthmus of Tehuantepec, Oaxaca. The objective is to analyze how the individualized learning activities and the emotional states influence in academic performance. The identification of emotional states was carried out by algorithms based on Artificial Intelligence. The results showed an important relationship between emotional state and grade, which refers to the fact that surprise and fear generate a tendency to obtain good grades, since an increase in the average from 6.8 to 9.7 was obtained. These results were compared with those of semesters above without the use of this learning environment.

Abstract Production professionals utilize well performance data from physical sensors to identify wells that require corrective maintenance to normalize production flows. The foregoing corresponds to support for the completion of corporate goals. However, the costs of physical sensors may restrict access to the required information in real-time. For this, virtual sensors (VS) arise as a low-cost alternative, which can predict production flows, based on data available from physical sensors and on procedures embedded in artificial neural networks (ANN). Herein, we expose a technical-economic feasibility analysis of the implementation of a production VS in wells with a Progressive Cavity (PCP) artificial lift system in a field in the Valle Medio del Magdalena of Colombia (VMM). For this, production data with 15 variables were used in the training and validation of different ANN architectures, according to the codes of the Neuralnet library of the free software environment R. Likewise, an evaluation of the economic impact derived from the implementation of the VS in wells of the VMM field is disclosed. According to the results, the ANN with an inner layer of 23 neurons and logistic activation functions reported the best prediction performance, with errors of ± 9,6 at 95 % confidence. On the other hand, the application of a VS based on the RNA for the wells with PCP of the VMM field would lead to a favorable economic benefit, with a net present value of $25,5 MMusd, considering a 10-year cash flow.

Resumen En la consecución de las metas corporativas, los profesionales de producción requieren datos actualizados de los desempeños de los pozos petroleros, identificando aquellos que demandan mantenimientos correctivos. Sin embargo, los costos de implementación de sensores físicos restringen el acceso a la información en tiempo real. Alternativamente, los sensores virtuales (SV) se presentan como una opción de bajo costo, que pueden predecir datos de producción, con base en los procedimientos inmersos en una red neuronal artificial (RNA). El presente documento desarrolla un análisis de viabilidad técnico-económico de la implementación de un SV de producción en pozos con sistema de levantamiento por Cavidades Progresivas (PCP) de un campo del Valle Medio del Magdalena colombiano (VMM). Para esto, datos históricos con 15 variables fueron utilizados en el entrenamiento y la validación de diferentes arquitecturas de RNA, por medio de los códigos de la librería Neuralnet del programa de uso libre R. Posteriormente, el documento desarrolla una evaluación del impacto económico que tendría la implementación del SV de flujo en pozos del campo del VMM. Según los resultados, la RNA con capa interna de 23 neuronas y función de activación logística sigmoidal reportó los mejores desempeños de predicción, con errores de predicción de ± 9,6 al 95 % de confianza. Por otra parte, la aplicación de un SV basado en la RNA para los pozos con PCP para el campo del VMM, conllevaría a un beneficio económico favorable, con un valor presente neto de $ 25,6 MMusd, para un flujo de caja de 10 años.

Resumo Os profissionais de produção utilizam dados de desempenho de poços provenientes de sensores físicos para identificar poços que requerem manutenção corretiva para normalizar os fluxos de produção. O anterior corresponde ao apoio à concretização dos objetivos corporativos. No entanto, os custos dos sensores físicos podem restringir o acesso às informações necessárias em tempo real. Para isso, sensores virtuais (SV) surgem como uma alternativa de baixo custo, que podem prever fluxos de produção, com base em dados disponíveis de sensores físicos e em procedimentos embarcados em redes neurais artificiais (RNA). Apresentamos aqui uma análise de viabilidade técnico-econômica da implantação de um SV de produção em poços com sistema de elevação artificial Cavidades Progressivas (PCP) em um campo no Valle Medio del Magdalena da Colômbia (VMM). Para isso, foram utilizados dados de produção com 15 variáveis no treinamento e validação de diferentes arquiteturas de RNA, conforme os códigos da biblioteca Neuralnet do ambiente de software livre R. Da mesma forma, foi realizada uma avaliação do impacto econômico derivado da implementação do VS em poços do campo VMM é divulgado. De acordo com os resultados, a RNA com camada interna de 23 neurônios e funções de ativação logística relatou o melhor desempenho de predição, com erros de ± 9,6 com 95 % de confiança. Por outro lado, a aplicação de um VS baseado no RNA para os poços com PCP do campo VMM levaria a um benefício econômico favorável, com valor presente líquido de $25,5 MMusd, considerando um fluxo de caixa de 10 anos.

Abstract: This study proposes a system that applies artificial intelligence tools to reduce the number of vehicular accidents produced by driver drowsiness and distraction. The proposed system, which is suitable for any kind of vehicle, detects the driver’s face, which is fed into a deep neural network that analyzes it. The network output is then fed into a detection stage which determines whether the driver is drowsy or distracted, activating an alarm. The proposed system has a low computational complexity, allowing real time implementation on mobile devices. The experimental results show that the proposed system can detect drowsiness and distraction with an accuracy of 95.8% in high performance computers. It also shows an 84.5% accuracy on mobile devices with limited capacity, keeping an acceptable operational speed for its implementation in real time. It is concluded that the proposed system detects driver drowsiness and distraction with high accuracy.

Resumen: Este estudio propone un sistema que aplica técnicas de inteligencia artificial para reducir el número de accidentes vehiculares debido al cansancio o distracción del conductor. El sistema puede ser usado en cualquier marca o modelo de vehículo. Inicialmente detecta el rostro del conductor, el cual se introduce a una red neuronal profunda que lo analiza. La salida se inserta en una etapa de detección que determina si el conductor está distraído o somnoliento, activando una alarma. El sistema presenta una baja complejidad computacional, lo cual permite su realización en tiempo real en dispositivos móviles. Los resultados experimentales muestran que el sistema propuesto presenta una precisión de 95.8% al detectar somnolencia y distracción en un cómputo de alto rendimiento. También tiene un 84.5% de precisión en dispositivos móviles con capacidad limitada, manteniendo una velocidad de operación aceptable para la implementación en tiempo real. Se concluye que el sistema propuesto detecta distracción y somnolencia en el conductor con alta precisión.

Abstract Delimitation of areas subject to flooding is crucial to understand water dynamics and fluvial changes. This study analyzed the potential of C-band Synthetic Aperture Radar (SAR) images acquired by the Sentinel-1 satellite in 2017, 2018, and 2019 to delineate flooded areas in the Central Amazon. The images were processed by the Artificial Neural Network Multi-Layer Perceptron (ANN-MLP) and two K-Nearest Neighbor (KNN-7 and KNN-11) machine learning (ML) classifiers. Pre-processing of Single Look Complex (SLC) SAR images involved the following methodological steps: orbit-file application; radiometric calibration (σ0); Range-Doppler terrain correction; speckle noise filtering; and conversion of linear data to backscattering coefficients (units in dB). We applied the Lee filter, with a window size of 3x3, for speckle filtering. A set of 6000 randomly distributed samples for training (70%), validation (20%), and test (10%) was obtained based on visual interpretation of Sentinel-2 optical satellite image acquired in the same years of SAR images. We found the largest flooded areas in 2019 in the study area (municipality of Parintins and Urucará, Amazonas River, Brazil): 6244km2 by the ANN-MLP classifier; 6268km2 by KNN-7; and 6290km2 by KNN-11, while the smallest flooded areas were found in 2018: 5364km2 by ANN-MLP; 5412km2 by KNN-7; and 5535km2 by KNN-11. The three classifiers presented Kappa coefficients between 0.77 and 0.91. ANN-MLP showed the best accuracy. The presence of shadow effects in the SAR images increased the commission errors.

Resumo A delimitação de áreas sujeitas a inundações é crucial para entender a dinâmica hídrica e as mudanças fluviais. Este estudo analisou o potencial de imagens de radar de abertura sintética (SAR) adquiridas na banda-C pelo satélite Sentinel-1 em 2017, 2018 e 2019 para delinear áreas inundadas na Amazónia Central. As imagens foram processadas pela Rede Neural Artificial Multi-Layer Perceptron (RNA-MLP) e dois classificadores de aprendizagem de máquina (ML) K-Nearest Neighbor (KNN-7 e KNN-11). O pré-processamento de imagens SAR Single Look Complex (SLC) envolveu as seguintes etapas metodológicas: aplicação do orbit-file; calibração radiométrica (σ0); correção de terreno Range-Doppler; filtragem de ruído speckle; e conversão de dados lineares para coeficientes de retroespalhamento (unidades em dB). O filtro de Lee com tamanho de janela de 3×3 foi aplicado para filtragem do ruído speckle. Um conjunto de 6000 amostras distribuídas aleatoriamente para treino (70%), validação (20%) e teste (10%) foi obtido com base na interpretação visual da imagem do satélite óptico Sentinel-2 adquiridas no mesmo ano das imagens de radar. As maiores áreas alagadas foram encontradas em 2019 na área de estudo (municípios de Parintins e Urucará, Rio Amazonas, Brasil): 6244km2 pelo classificador RNA-MLP; 6268km2 pelo KNN-7; e 6290km2 pelo KNN-11, enquanto as menores áreas alagadas foram encontradas em 2018: 5364km2 pelo classificador RNA -MLP; 5412km2 pelo KNN-7; e 5535km2 pelo KNN-11. Os três classificadores apresentaram coeficientes Kappa entre 0,77 e 0,91. A RNA-MLP apresentou a melhor precisão. A presença de efeitos de sombra nas imagens SAR aumentou os erros de comissão.

Résumé La délimitation de zones sujettes aux inondations est cruciale pour comprendre la dynamique hydrique et les changements fluviaux. Cette étude a analysé le potentiel des images radar à ouverture de synthétique (SAR) acquises en bande-C par le satellite Sentinel-1 en 2017, 2018 et 2019 pour délimiter les zones inondées en Amazonie Centrale. Les images ont été traitées par le Réseau de Neurones Artificiels Multicouches Perceptron (ARN-MLP) et deux classificateurs d'apprentissage automatique (ML) K-Nearest Neighbor (KNN-7 et KNN-11). Le prétraitement des images SAR images complexes à visée simple (SLC) a impliqué les étapes méthodologiques suivantes : application du fichier d'orbite; calibration radiométrique (σ0); correction de terrain Range-Doppler; filtrage du bruit de chatoiement; et conversion des données linéaires en coefficients de rétrodiffusion (unités en dB). Un filtre de Lee avec une taille de fenêtre de 3×3 a été appliqué pour filtrer le bruit de chatoiement. Un ensemble de 6000 échantillons assignés au hasard pour la formation (70%), la validation (20%) et les tests (10%) a été obtenu à partir de l'interprétation visuelle de l'image satellite optique Sentinel-2 acquise pour la même année que les images radar. Les plus grandes zones inondées ont été trouvées en 2019 dans la zone d'étude (municipalité de Parintins et Urucará, la Riviére Amazonas, Brésil) : 6244km2 selon le classificateur RNA -MLP; 6268km2 pour KNN-7; et 6290km2 pour KNN-11, alors que les plus petites zones inondées ont été trouvées en 2018: 5364km2 pour le classificateur RNA -MLP; 5412km2 pour KNN-7; et 5535km2 pour KNN-11. Les trois classifieurs présentaient des coefficients Kappa compris entre 0,77 et 0,91. L'ARN-MLP a montré une meilleure précision. La présence d'effets d'ombre dans les images SAR a augmenté les erreurs de commission.

Resumen La delimitación de áreas sujetas a inundaciones es crucial para comprender la dinámica del agua y los cambios fluviales. Este estudio analizó el potencial de las imágenes de radar de apertura sintética (SAR) adquiridas en la banda-C por el satélite Sentinel-1 en 2017, 2018 y 2019 para delinear áreas inundadas en la Amazonía Central. Las imágenes fueron procesadas por la Red Neuronal Artificial de Perceptrón Multicapa (RNA-MLP) y dos clasificadores de aprendizaje automático (ML) K-Nearest Neighbor (KNN-7 y KNN-11). El preprocesamiento de imágenes SAR complejas de una sola mirada (SLC) involucró los siguientes pasos metodológicos: aplicación del archivo de órbita; calibración radiométrica (σ0); corrección del terreno Range-Doppler; filtrado de ruido moteado; y conversión de datos lineales en coeficientes de retrodispersión (unidades en dB). Se aplicó El filtro Lee con un tamaño de ventana de 3×3 para filtrar el ruido moteado. Se obtuvo un conjunto de 6000 muestras asignadas aleatoriamente para entrenamiento (70%), validación (20%) y prueba (10%) en base a la interpretación visual de la imagen del satélite óptico Sentinel-2 adquirida el mismo año que las imágenes de radar. Los humedales más grandes se encontraron en 2019 en el área de estudio (municipio de Parintins y Urucará, Rió Amazonas, Brasil): 6244km2 por el clasificador RNA -MLP; 6268km2 por KNN-7; y, 6290km2 por KNN-11, mientras que, los humedales más pequeños se encontraron en 2018: 5364km2 por el clasificador RNA -MLP; 5412km2 por KNN-7; y 5535km2 por KNN-11. Los tres clasificadores presentaron coeficientes Kappa entre 0,77 y 0,91. RNA-MLP mostró la mejor precisión. La presencia de efectos de sombra en las imágenes SAR aumentó los errores de comisión.