Abstract: Currently, Ecuadorian electrical system operation is experiencing several technical challenges, such as: 1) neighboring electrical systems integration in the Andean Electrical Interconnection System (SINEA) and 2) primary energy sources diversification. Under these new operating conditions, dynamic safety may be compromised by frequency stability issues. Based on frequency regulation, the objective is to use control mechanisms and available generation reserves to respond suitably to the electrical system's demands. Within this context, it becomes imperative to devise methodologies that ensures fast and accurate responses of power-frequency control equipment, such as speed regulators employed for Primary Frequency Regulation in generators. Given this foundation, an approach is presented relying on heuristic optimization methodologies, for the development of a tool that helps to compute the parametric identification and adjustment of speed controllers. Using measurements obtained from the proposed methodology, the developed tool was able to effectively perform the identification and validation of the speed regulation system of the CCS power plant as well as to propose new parameters that improve the response of the identified system.

Resumen: En la actualidad, la operación del sistema eléctrico ecuatoriano experimenta varios desafíos técnicos, tales como: 1) la integración de sistemas eléctricos vecinos en el Sistema de Interconexión Eléctrica Andina (SINEA) y 2) la diversificación de las fuentes primarias de energía. Bajo estas nuevas condiciones operativas, la seguridad dinámica puede ser afectada por problemas de estabilidad de frecuencia. Con base en la regulación de frecuencia se busca, a través de mecanismos de control y reservas de generación disponible, responder en forma adecuada a las exigencias del sistema eléctrico. Bajo este contexto, es necesario el desarrollo de metodologías que permitan la respuesta rápida y precisa de los equipos de control potencia - frecuencia, tales como los reguladores de velocidad, los cuales actúan de forma local en los generadores para realizar la Regulación Primaria de Frecuencia. Con estos antecedentes, se propone una metodología, basada en métodos heurísticos de optimización, para el desarrollo de una herramienta que permita realizar la identificación paramétrica y ajuste de los reguladores de velocidad. Con las mediciones obtenidas en base a la metodología propuesta, la herramienta desarrollada logró de manera efectiva realizar la identificación y validación del sistema de regulación de velocidad de la central CCS así como proponer nuevos parámetros que mejoran la respuesta del sistema identificado.

Abstract: The present work focuses on the optimization of maximum power tracking (MPPT) in photovoltaic systems by employing a new technique based on linear regression. The main purpose is to develop an MPPT algorithm using linear regression techniques, which involves identifying and tracking the maximum power point of solar panels more accurately. The proposed algorithm is developed in MATLAB/Simulink software and validated through experimental tests. Subsequently, the application of the algorithm is extended to an electrical network modeled and simulated in HYPERSIM software, this tool allows a more detailed analysis of the instantaneous dynamics of electrical and control variables in complex systems when varying factors such as temperature and irradiation. The innovative contribution of this work is not only limited to the improvement of MPPT algorithms in photovoltaic systems. It is highlighted that, although the term MPPT is mainly associated with solar PV, the optimization of available power is also relevant for other renewable energy sources. Optimizing the conversion of solar energy into usable electricity not only increases the cost-effectiveness and sustainability of these systems, but also highlights the key role in the transition to a more sustainable electricity supply. Abstract (MPPT techniques accurately MATLABSimulink MATLAB Simulink tests Subsequently irradiation that PV sources costeffectiveness cost effectiveness supply

Resumen: El presente trabajo se enfoca en la optimización del seguimiento de máxima potencia (MPPT) en sistemas fotovoltaicos mediante el empleo de una nueva técnica basada en regresión lineal. El propósito principal es desarrollar un algoritmo de MPPT que utilice técnicas de regresión lineal, lo que implica identificar y seguir con mayor exactitud el punto de máxima potencia de los paneles solares. El algoritmo propuesto se desarrolla en el software MATLAB/Simulink, validándose a través de pruebas experimentales. Posteriormente, se extiende la aplicación del algoritmo a una red eléctrica modelada y simulada en el software HYPERSIM, esta herramienta permite un análisis más detallado de la dinámica instantánea de las variables eléctricas y de control en sistemas complejos al variar factores como la temperatura e irradiación. La contribución innovadora de este trabajo no solo se circunscribe a la mejora de los algoritmos de MPPT en sistemas fotovoltaicos. Se destaca que, aunque el término MPPT se asocie principalmente con la energía solar fotovoltaica, la optimización de la potencia disponible también es relevante para otras fuentes de energía renovable. La optimización de la conversión de energía solar en electricidad utilizable no solo aumenta la rentabilidad y sostenibilidad de estos sistemas, sino que también destaca el papel fundamental en la transición hacia un suministro eléctrico más sostenible. Resumen (MPPT lineal solares MATLABSimulink MATLAB Simulink MATLAB/Simulink experimentales Posteriormente HYPERSIM irradiación fotovoltaica renovable sostenible

Abstract This article explores the design and application of machine learning techniques to enhance traditional approaches for solving NP-hard optimization problems. Specifically, it focuses on the Last-Mile Routing Research Challenge (LMRRC), supported by Amazon and MIT, which sought innovative solutions for cargo routing optimization. While the challenge provided travel times and zone identifiers, the dependency on these factors raises concerns about the algorithms’ generalizability to different contexts and regions with standard delivery services registries. To address these concerns, this study proposes personalized cost matrices that incorporate both distance and time models, along with the relationships between delivery stops. Additionally, it presents an improved approach to sequencing stops by combining exact and approximate algorithms, utilizing a customized regression technique alongside fine-tuned metaheuristics and heuristics refinements. The resulting methodology achieves competitive scores on the LMRRC validation dataset, which comprises routes from the USA. By carefully delineating route characteristics, the study enables the selection of specific technique combinations for each route, considering its geometrical and geographical attributes. Furthermore, the proposed methodologies are successfully applied to real-case scenarios of last-mile deliveries in Montevideo (Uruguay), demonstrating similar average scores and accuracy on new testing routes. This research contributes to the advancement of last-mile delivery optimization by leveraging personalized cost matrices and algorithmic refinements. The findings highlight the potential for improving existing approaches and their adaptability to diverse geographic contexts, paving the way for more efficient and effective delivery services in the future.

Resumen Este artículo explora el diseño y aplicación de técnicas de aprendizaje automático para mejorar los enfoques tradicionales y así resolver problemas de optimización NP-hard. En particular, se enfoca en el Last-Mile Routing Research Challenge (LMRRC), apoyado por Amazon y MIT, que buscaba soluciones innovadoras para la optimización de rutas de carga. Si bien el desafío proporcionó tiempos de viaje e identificadores de zona, la dependencia de estos factores plantea preocupaciones sobre la generalización de los algoritmos a diferentes contextos y regiones con registros de servicios de entrega estándar. Para abordar estas interrogantes, este estudio propone matrices de costos personalizadas que incorporan modelos de distancia y tiempo, junto con las relaciones entre las paradas de entrega. Además, presenta enfoques mejorados para la secuenciación de paradas mediante la combinación de algoritmos exactos y aproximados, utilizando técnicas de regresión personalizada junto con metaheurísticas y refinamientos heurísticos ajustados. La metodología resultante logra puntajes competitivos en el conjunto de datos de validación LMRRC, que usa rutas de EE. UU. Al delinear cuidadosamente las características de la ruta, el estudio permite la selección de combinaciones de técnicas específicas para cada ruta, considerando sus atributos geométricos y geográficos. Además, las metodologías propuestas se aplican con éxito a escenarios de casos reales de entregas en Montevideo (Uruguay), demostrando puntajes promedio y precisión similares en nuevas rutas de prueba. Esta investigación contribuye al avance de la optimización de la entrega de última milla al aprovechar matrices de costos personalizadas y refinamientos algorítmicos. Los hallazgos resaltan el potencial para mejorar los enfoques existentes y su adaptabilidad a diversos contextos geográficos, allanando el camino para servicios de entrega más eficientes y efectivos en el futuro.

Resumen: Las enfermedades mentales constituyen una de las principales causas de angustia en la vida de las personas a nivel individual, y repercuten en la salud y el bienestar de la sociedad. Para captar estas complejas asociaciones, las ciencias computacionales y la comunicación, a través del uso de métodos de procesamiento del lenguaje natural (NLP) en datos recolectados en redes sociales, han aportado prometedores avances para potenciar la atención sanitaria mental proactiva y ayudar al diagnóstico precoz. Por ello, se realizó una revisión sistemática de la literatura acerca de la detección de alteraciones mentales a través de redes sociales, mediante el uso de NLP en los últimos 5 años, que permitió identificar métodos, tendencias y orientaciones futuras, a través del análisis de 73 estudios, de 509 que arrojó la revisión de documentos extraídos de bases de datos científicas. El estudio reveló que, los fenómenos más comúnmente estudiados, correspondieron a Depresión e Ideación suicida, identificados a través del uso de algoritmos como el LIWC, CNN, LSTM, RF y SVM, en datos extraídos principalmente de Reddit y Twitter. Este estudio, finalmente proporciona algunas recomendaciones sobre las metodologías de NLP para la detección de enfermedades mentales, que pueden ser adoptadas en el ejercicio de profesionales interesados en la salud mental, y algunas reflexiones sobre el uso de estas tecnologías.

Abstract: Mental illness is a major cause of distress in people's lives at the individual level and impacts the health and well-being of society. To capture these complex associations, computational science and communication, through the use of natural language processing (NLP) methods on data collected in social networks, have provided promising advances to enhance proactive mental health care and aid in early diagnosis. Therefore, a systematic review of the literature on the detection of mental disorders through social networks, using NLP in the last 5 years, was carried out, which allowed identifying methods, trends and future directions, through the analysis of 73 studies, out of 509 that resulted from the review of documents extracted from scientific databases. The study revealed that the most commonly studied phenomena corresponded to Depression and Suicidal Ideation, identified through the use of algorithms such as LIWC, CNN, LSTM, RF and SVM on data extracted mainly from Reddit and Twitter. This study finally provides some recommendations on NLP methodologies for mental illness detection that can be adopted in the practice of professionals interested in mental health and some reflections on the use of these technologies.

Abstract Background: Climate change is becoming more evident, and distribution models are useful tools to predict the effect it might cause on biodiversity. Hypotheses: Under climate change scenarios, temperate forests species of the genus Pinus and Quercus will undergo reductions in their distribution area and changes in their spatial pattern. Studied species: Arbutus xalapensis, Clethra mexicana, Pinus devoniana, Pinus oocarpa, Pinus teocote, Quercus acutifolia, Quercus castanea, Quercus crassifolia, Quercus elliptica, Quercus magnoliifolia and Quercus rugosa. Study site: Oaxaca Methods: Two scenarios were constructed, an optimistic one (SSP-1 and RCP 2-6) and a pessimistic one (SSP-5 and RCP 8.5) for the years 2030 and 2090. A total of 1,383 records and eight bioclimatic variables were used, along with seven learning algorithms, evaluated using ROC and TSS metrics. Results: An ensemble model was obtained, in which the most important contributing variables were precipitation of the wettest quarter, mean annual temperature, minimum temperature of the coldest month and annual temperature range. The species that showed the highest ROC values were Clethra mexicana (0.91) and Arbutus xalapensis (0.89) with TSS values of 0.68 and 0.60, respectively. Conclusions: Regardless of the scenario, by the year 2090 all species of Pinus and Quercus will reduce their potential distribution. Therefore, it is urgent to establish conservation policies.

Resumen: Antecedentes: El cambio climático es cada vez más evidente y los modelos de distribución son herramientas que permiten predecir el efecto que este podría causar en la biodiversidad. Hipótesis: Ante escenarios de cambio climático, las especies de bosques templados de los géneros Pinus y Quercus presentarán reducciones en su área de distribución y cambios en su patrón espacial. Especies de estudio: Arbutus xalapensis, Clethra mexicana, Pinus devoniana, Pinus oocarpa, Pinus teocote, Quercus acutifolia, Quercus castanea, Quercus crassifolia, Quercus elliptica, Quercus magnoliifolia y Quercus rugosa. Sitio de estudio: Oaxaca. Métodos: Se construyeron dos escenarios, optimista (SSP-1 y RCP 2-6) y pesimista (SSP-5 y RCP 8.5) a los años 2030 y 2090. Se utilizaron 1,383 registros y ocho variables bioclimáticas en conjunto con siete algoritmos de aprendizaje evaluados mediante las métricas ROC y TSS. Resultados: Se obtuvo un modelo de conjunto en el cual las variables que más contribuyeron fueron la precipitación del trimestre más húmedo, la temperatura media anual, la temperatura mínima del mes más frío y el rango de temperatura anual. Las especies que mostraron mayor valor de ROC fueron Clethra mexicana (0.91) y Arbutus xalapensis (0.89) con los valores de TSS de 0.68 y 0.60, respectivamente. Conclusiones: Sin importar el escenario, para el año 2090 todas las especies de Pinus y Quercus reducirán su distribución potencial, por lo que es urgente establecer políticas de conservación.

Part of the scientific community has spent considerable time and resources to somehow validate Collatz's conjecture, countless efforts have achieved considerable progress in this direction, however this conjecture lacked definitive confirmation that choosing any odd number xi ∈ N∗, we will obtain x(i+1) = 3xi + 1, this being an even number x(i+1), divide it by the number two (successively) until another odd number ∈ N∗ is obtained, the process is repeated xn = 3x(n−1) + 1 and divisions by two until a number equal to 1 finally results.This work presents deductions, algorithms and equations that corroborate this proposition, supporting this perception and conclusion that Collatz's conjecture points to the final cycle 4 → 2 → 1.

Parte de la comunidad científica ha dedicado un tiempo y recursos considerables a validar de alguna manera la conjetura de Collatz, innumerables esfuerzos han logrado avances considerables en esta dirección, sin embargo a esta conjetura le faltaba una confirmación definitiva de que eligiendo cualquier número impar xi ∈ N∗, obtendremos x(i+ 1) = 3xi + 1, siendo este un número par x(i+1), se divide por el número dos (sucesivamente) hasta obtener otro número impar ∈ N∗, se repite el proceso xn = 3x(n−1) + 1 y divisiones por dos hasta que finalmente resulte un número igual a 1.Este trabajo presenta deducciones, algoritmos y ecuaciones que corroboran esta proposición, apoyando esta percepción y conclusión de que la conjetura de Collatz apunta al ciclo final 4 → 2 → 1.

Parte da comunidade cientifica tem dispendido considerável tempo e recursos para de alguma forma validar a conjectura de Collatz, inúmeros esforços tem logrado considerável avanço nesta direção, porém tal conjectura carecia de uma confirmação definitiva de que escolhido um número impar qualquer xi ∈ N∗, obteremos x(i+1) = 3xi + 1, sendo este um número x(i+1) par, divide-se o mesmo pelo número dois (sucessivamente) até obter-se outro número impar ∈ N∗ , repete-se o processo xn = 3x(n−1) + 1 e divisões por dois até que resulte finalmente um número igual 1.Neste trabalho apresentam-se deduções, algoritmos e equações que corroboram com tal proposição, embasam tal percepção e conclusão de que a conjectura de Collatz aponta para o ciclo final 4 → 2 → 1.

Resumo Este artigo discute questões relativas às diversas iniciativas de plataformização do trabalho docente no contexto atual. O trabalho consiste num esforço empírico de localização e cotejamento de plataformas digitais de ensino, propondo, também, uma análise crítica sustentada por corpo bibliográfico e analítico pertinente. O principal objetivo é indicar, por meio de uma análise sistematizada, como podem se operar, via plataformas digitais de ensino, o sequestro e a precarização do trabalho docente, dissimulado por uma semântica neoliberal que busca conferir edulcoradas associações de sentido idiomático (autonomia, empreendedorismo, etc.) a um processo em que aqueles que trabalham para ou sob o controle das plataformas digitais acabam sendo prejudicados. atual ensino propondo também pertinente indicar sistematizada operar autonomia, autonomia (autonomia empreendedorismo etc. etc prejudicados

Abstract This article discusses issues related to various initiatives for the platformization of teaching work in the current context. The study consists of an empirical effort to locate and compare digital teaching platforms, and proposes a critical analysis supported by a relevant bibliographic and analytical body. The main objective is to show, through a systematized analysis, how the kidnapping and precarization of teaching work via digital teaching platforms can occur. These operations are concealed by a neoliberal semantics that seeks to confer soothed idiomatic meaning associations (autonomy, entrepreneurship etc.) on a process in which those who work for or under the control of digital platforms end up being harmed. context body show occur autonomy, autonomy (autonomy etc. etc harmed

Abstract: Severe acute respiratory infection (SARI) outbreaks occur annually, with seasonal peaks varying among geographic regions. Case notification is important to prepare healthcare networks for patient attendance and hospitalization. Thus, health managers need adequate resource planning tools for SARI seasons. This study aims to predict SARI outbreaks based on models generated with machine learning using SARI hospitalization notification data. In this study, data from the reporting of SARI hospitalization cases in Brazil from 2013 to 2020 were used, excluding SARI cases caused by COVID-19. These data were prepared to feed a neural network configured to generate predictive models for time series. The neural network was implemented with a pipeline tool. Models were generated for the five Brazilian regions and validated for different years of SARI outbreaks. By using neural networks, it was possible to generate predictive models for SARI peaks, volume of cases per season, and for the beginning of the pre-epidemic period, with good weekly incidence correlation (R2 = 0.97; 95%CI: 0.95-0.98, for the 2019 season in the Southeastern Brazil). The predictive models achieved a good prediction of the volume of reported cases of SARI; accordingly, 9,936 cases were observed in 2019 in Southern Brazil, and the prediction made by the models showed a median of 9,405 (95%CI: 9,105-9,738). The identification of the period of occurrence of a SARI outbreak is possible using predictive models generated with neural networks and algorithms that employ time series.

Resumen: Brotes de síndrome respiratorio agudo grave (SRAG) ocurren todos los años, con picos estacionales que varían entre regiones geográficas. La notificación de los casos es importante para preparar las redes de atención a la salud para el cuidado y hospitalización de los pacientes. Por lo tanto, los gestores de salud deben tener herramientas adecuadas de planificación de recursos para las temporadas de SRAG. Este estudio tiene el objetivo de predecir brotes de SRAG con base en modelos generados con aprendizaje automático utilizando datos de hospitalización por SRAG. Se incluyeron datos sobre casos de hospitalización por SRAG en Brasil desde 2013 hasta 2020, salvo los casos causados por la COVID-19. Se prepararon estos datos para alimentar una red neural configurada para generar modelos predictivos para series temporales. Se implementó la red neural con una herramienta de canalización. Se generaron los modelos para las cinco regiones brasileñas y se validaron para diferentes años de brotes de SRAG. Con el uso de redes neurales, se pudo generar modelos predictivos para los picos de SRAG, el volumen de casos por temporada y para el inicio del periodo pre-epidémico, con una buena correlación de incidencia semanal (R2 = 0,97; IC95%: 0,95-0,98, para la temporada de 2019 en la Región Sudeste). Los modelos predictivos tuvieron una buena predicción del volumen de casos notificados de SRAG; así, se observaron 9.936 casos en 2019 en la Región Sur, y la predicción de los modelos mostró una mediana de 9.405 (IC95%: 9.105-9.738). La identificación del periodo de ocurrencia de un brote de SRAG es posible a través de modelos predictivos generados con el uso de redes neurales y algoritmos que aplican series temporales.

Resumo: Surtos de síndrome respiratória aguda grave (SRAG) ocorrem anualmente, com picos sazonais variando entre regiões geográficas. A notificação dos casos é importante para preparar as redes de atenção à saúde para o atendimento e internação dos pacientes. Portanto, os gestores de saúde precisam ter ferramentas adequadas de planejamento de recursos para as temporadas de SRAG. Este estudo tem como objetivo prever surtos de SRAG com base em modelos gerados com aprendizado de máquina usando dados de internação por SRAG. Foram incluídos dados sobre casos de hospitalização por SRAG no Brasil de 2013 a 2020, excluindo os casos causados pela COVID-19. Estes dados foram preparados para alimentar uma rede neural configurada para gerar modelos preditivos para séries temporais. A rede neural foi implementada com uma ferramenta de pipeline. Os modelos foram gerados para as cinco regiões brasileiras e validados para diferentes anos de surtos de SRAG. Com o uso de redes neurais, foi possível gerar modelos preditivos para picos de SRAG, volume de casos por temporada e para o início do período pré-epidêmico, com boa correlação de incidência semanal (R2 = 0,97; IC95%: 0,95-0,98, para a temporada de 2019 na Região Sudeste). Os modelos preditivos obtiveram uma boa previsão do volume de casos notificados de SRAG; dessa forma, foram observados 9.936 casos em 2019 na Região Sul, e a previsão feita pelos modelos mostrou uma mediana de 9.405 (IC95%: 9.105-9.738). A identificação do período de ocorrência de um surto de SRAG é possível por meio de modelos preditivos gerados com o uso de redes neurais e algoritmos que aplicam séries temporais.

ABSTRACT Wind energy is an important renewable source that has been considerably developed recently. In order to obtain successful 24-h lead-time wind power forecasts for operational and commercial uses, a combination of physical and statistical models is desirable. In this paper, a hybrid methodology that employs a numerical weather prediction model (Weather Research and Forecasting) and a neural network (NN) algorithm is proposed and assessed. The methodology is applied to a wind farm in northwestern Mexico, a region with high wind potential where complex geography adds large uncertainty to wind energy forecasts. The energy forecasts are then evaluated against actual on-site power generation over one year and compared with two reference models: decision trees (DT) and support vector regression (SVR). The proposed method exhibits a better performance with respect to the reference methods, showing an hourly normalized mean absolute percentage error of 6.97%, which represents 6 and 13 percentage points less error in wind power forecasts than with DT and SVR methods, respectively. Under strong synoptic forcing, the NN wind power forecast is not very accurate, and novel approaches such as hierarchical algorithms should be employed instead. Overall, the proposed model is capable of producing high-quality wind power forecasts for most weather conditions prevailing in this region and demonstrates a good performance with respect to similar models for medium-term wind power forecasts.

RESUMEN La energía eólica es una importante fuente de energía renovable que se ha desarrollado considerablemente en los últimos años. Con el fin de obtener pronósticos de energía eólica de alta precisión con 24 horas de anticipación para usos operativos y comerciales, se necesita una combinación de modelos físicos y estadísticos. En este artículo se propone y evalúa una metodología híbrida que emplea un modelo numérico (Weather Research and Forecasting) y un algoritmo de red neuronal (NN). La metodología se aplica a un parque eólico en el noroeste de México, una región con alto potencial eólico donde la compleja geografía agrega gran incertidumbre a los pronósticos de energía eólica. Los pronósticos de energía se evalúan usando la generación de energía real en el sitio de interés durante un año y se comparan con dos modelos de referencia: árboles de decisión (DT, por su sigla en inglés) y regresión de vectores de soporte (SVR). El método propuesto muestra un mejor desempeño respecto a los métodos de referencia, mostrando un error absoluto medio porcentual horario de 6.97%, lo que representa 6 y 13 puntos porcentuales menos de error en los pronósticos de energía eólica que con los métodos DT y SVR, respectivamente. El pronóstico de energía eólica NN no es muy preciso cuando tiene un fuerte forzamiento sinóptico, por lo que en su lugar deben emplearse enfoques novedosos como los algoritmos jerárquicos. En general, el modelo propuesto tiene la capacidad de producir pronósticos de energía eólica de alta calidad para la mayoría de las condiciones climáticas que prevalecen en esta región, y de- muestra un buen desempeño respecto a modelos similares para pronósticos de energía eólica a mediano plazo.

Abstract: Severe acute respiratory infection (SARI) outbreaks occur annually, with seasonal peaks varying among geographic regions. Case notification is important to prepare healthcare networks for patient attendance and hospitalization. Thus, health managers need adequate resource planning tools for SARI seasons. This study aims to predict SARI outbreaks based on models generated with machine learning using SARI hospitalization notification data. In this study, data from the reporting of SARI hospitalization cases in Brazil from 2013 to 2020 were used, excluding SARI cases caused by COVID-19. These data were prepared to feed a neural network configured to generate predictive models for time series. The neural network was implemented with a pipeline tool. Models were generated for the five Brazilian regions and validated for different years of SARI outbreaks. By using neural networks, it was possible to generate predictive models for SARI peaks, volume of cases per season, and for the beginning of the pre-epidemic period, with good weekly incidence correlation (R2 = 0.97; 95%CI: 0.95-0.98, for the 2019 season in the Southeastern Brazil). The predictive models achieved a good prediction of the volume of reported cases of SARI; accordingly, 9,936 cases were observed in 2019 in Southern Brazil, and the prediction made by the models showed a median of 9,405 (95%CI: 9,105-9,738). The identification of the period of occurrence of a SARI outbreak is possible using predictive models generated with neural networks and algorithms that employ time series.

Resumen: Brotes de síndrome respiratorio agudo grave (SRAG) ocurren todos los años, con picos estacionales que varían entre regiones geográficas. La notificación de los casos es importante para preparar las redes de atención a la salud para el cuidado y hospitalización de los pacientes. Por lo tanto, los gestores de salud deben tener herramientas adecuadas de planificación de recursos para las temporadas de SRAG. Este estudio tiene el objetivo de predecir brotes de SRAG con base en modelos generados con aprendizaje automático utilizando datos de hospitalización por SRAG. Se incluyeron datos sobre casos de hospitalización por SRAG en Brasil desde 2013 hasta 2020, salvo los casos causados por la COVID-19. Se prepararon estos datos para alimentar una red neural configurada para generar modelos predictivos para series temporales. Se implementó la red neural con una herramienta de canalización. Se generaron los modelos para las cinco regiones brasileñas y se validaron para diferentes años de brotes de SRAG. Con el uso de redes neurales, se pudo generar modelos predictivos para los picos de SRAG, el volumen de casos por temporada y para el inicio del periodo pre-epidémico, con una buena correlación de incidencia semanal (R2 = 0,97; IC95%: 0,95-0,98, para la temporada de 2019 en la Región Sudeste). Los modelos predictivos tuvieron una buena predicción del volumen de casos notificados de SRAG; así, se observaron 9.936 casos en 2019 en la Región Sur, y la predicción de los modelos mostró una mediana de 9.405 (IC95%: 9.105-9.738). La identificación del periodo de ocurrencia de un brote de SRAG es posible a través de modelos predictivos generados con el uso de redes neurales y algoritmos que aplican series temporales.

Resumo: Surtos de síndrome respiratória aguda grave (SRAG) ocorrem anualmente, com picos sazonais variando entre regiões geográficas. A notificação dos casos é importante para preparar as redes de atenção à saúde para o atendimento e internação dos pacientes. Portanto, os gestores de saúde precisam ter ferramentas adequadas de planejamento de recursos para as temporadas de SRAG. Este estudo tem como objetivo prever surtos de SRAG com base em modelos gerados com aprendizado de máquina usando dados de internação por SRAG. Foram incluídos dados sobre casos de hospitalização por SRAG no Brasil de 2013 a 2020, excluindo os casos causados pela COVID-19. Estes dados foram preparados para alimentar uma rede neural configurada para gerar modelos preditivos para séries temporais. A rede neural foi implementada com uma ferramenta de pipeline. Os modelos foram gerados para as cinco regiões brasileiras e validados para diferentes anos de surtos de SRAG. Com o uso de redes neurais, foi possível gerar modelos preditivos para picos de SRAG, volume de casos por temporada e para o início do período pré-epidêmico, com boa correlação de incidência semanal (R2 = 0,97; IC95%: 0,95-0,98, para a temporada de 2019 na Região Sudeste). Os modelos preditivos obtiveram uma boa previsão do volume de casos notificados de SRAG; dessa forma, foram observados 9.936 casos em 2019 na Região Sul, e a previsão feita pelos modelos mostrou uma mediana de 9.405 (IC95%: 9.105-9.738). A identificação do período de ocorrência de um surto de SRAG é possível por meio de modelos preditivos gerados com o uso de redes neurais e algoritmos que aplicam séries temporais.

ABSTRACT Purpose: The emergency medical service is a fundamental part of healthcare, albeit crowded emergency rooms lead to delayed and low-quality assistance in actual urgent cases. Machine-learning algorithms can provide a smart and effective estimation of emergency patients’ volume, which was previously restricted to artificial intelligence (AI) experts in coding and computer science but is now feasible by anyone without any coding experience through auto machine learning. This study aimed to create a machine-learning model designed by an ophthalmologist without any coding experience using AutoML to predict the influx in the emergency department and trauma cases. Methods: A dataset of 356,611 visits at Hospital da Universidade Federal de São Paulo from January 01, 2014 to December 31, 2019 was included in the model training, which included visits/day and the international classification disease code. The training and prediction were made with the Amazon Forecast by 2 ophthalmologists with no prior coding experience. Results: The forecast period predicted a mean emergency patient volume of 216.27/day in p90, 180.75/day in p50, and 140.35/day in p10, and a mean of 7.42 trauma cases/ day in p90, 3.99/day in p50, and 0.56/day in p10. In January of 2020, there were a total of 6,604 patient visits and a mean of 206.37 patients/day, which is 13.5% less than the p50 prediction. This period involved a total of 199 trauma cases and a mean of 6.21 cases/day, which is 55.77% more traumas than that by the p50 prediction. Conclusions: The development of models was previously restricted to data scientists’ experts in coding and computer science, but transfer learning autoML has enabled AI development by any person with no code experience mandatory. This study model showed a close value to the actual 2020 January visits, and the only factors that may have influenced the results between the two approaches are holidays and dataset size. This is the first study to apply AutoML in hospital visits forecast, showing a close prediction of the actual hospital influx.

RESUMO Objetivo: Esse estudo tem como objetivo criar um modelo de Machine Learning por um oftalmologista sem experiência em programação utilizando auto Machine Learning predizendo influxo de pacientes em serviço de emergência e casos de trauma. Métodos: Um dataset de 366,610 visitas em Hospital Universitário da Universidade Federal de São Paulo de 01 de janeiro de 2014 até 31 de dezembro de 2019 foi incluído no treinamento do modelo, incluindo visitas/dia e código internacional de doenças. O treinamento e predição foram realizados com o Amazon Forecast por dois oftalmologistas sem experiência com programação. Resultados: O período de previsão estimou um volume de 206,37 pacientes/dia em p90, 180,75 em p50, 140,35 em p10 e média de 7,42 casos de trauma/dia em p90, 3,99 em p50 e 0,56 em p10. Janeiro de 2020 teve um total de 6.604 pacientes e média de 206,37 pacientes/dia, 13,5% menos do que a predição em p50. O período teve um total de 199 casos de trauma e média de 6,21 casos/dia, 55,77% mais casos do que a predição em p50. Conclusão: O desenvolvimento de modelos era restrito a cientistas de dados com experiencia em programação, porém a transferência de ensino com a tecnologia de auto Machine Learning permite o desenvolvimento de algoritmos por qualquer pessoa sem experiencia em programação. Esse estudo mostra um modelo com valores preditos próximos ao que ocorreram em janeiro de 2020. Fatores que podem ter influenciados no resultado foram feriados e tamanho do banco de dados. Esse é o primeiro estudo que aplicada auto Machine Learning em predição de visitas hospitalares com resultados próximos aos que ocorreram.

ABSTRACT Work through mobile applications emerged as an alternative for many Brazilian men during the economic crisis and rising unemployment. However, these workers operate informally, without a formal employment relationship, leading to labor precariousness and a lack of workers’ rights. Using a theoretical-reflexive, this study analyzes the intersection between occupational health, the platformization of work, and the specific challenges faced by male delivery app workers, especially during the COVID-19 pandemic. Reflective categories are divided into two thematic sections: “Labor insertion through mobile applications in Brazil and the algorithmic work model” and “men, health, and motorcycles: occupational health and male behavior in app-based delivery work.” The study examines the expansion of this type of work in the Brazilian socio-economic context, the lack of security and labor protection for these workers, as well as the risks faced, particularly during the pandemic, within a male-centric culture.

RESUMEN El trabajo a través de aplicaciones móviles surgió como una alternativa para muchos hombres brasileños durante la crisis económica y el aumento del desempleo. Sin embargo, estos trabajadores operan de manera informal, sin relación laboral, lo que genera precariedad laboral y falta de derechos laborales. Desde un abordaje teórico-reflexivo, este artículo analiza la intersección entre la salud ocupacional, la plataformización del trabajo y los desafíos específicos que enfrentan los hombres repartidores de aplicaciones, especialmente durante la pandemia de covid-19. Las categorías reflexivas se dividieron en dos secciones temáticas: “La inserción laboral a través de aplicaciones móviles en Brasil y el modelo de trabajo mediante algoritmos” y “hombres, salud y motocicletas: la salud ocupacional y el comportamiento masculino en el trabajo a través de aplicaciones de entrega”. Se examina la expansión de este tipo de trabajo en el contexto socioeconómico brasileño, la falta de seguridad y protección laboral para estos trabajadores, así como los riesgos enfrentados, especialmente durante la pandemia, en el marco de una cultura masculina.

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 adición de las sustancias químicas en el tratamiento del agua potable comúnmente es un procedimiento manual realizado por personal altamente capacitado y experimentado. Esta resulta una tarea crítica debido a que requiere cierto nivel de experiencia para una correcta dosificación. Como posible solución, este estudio se basa en el análisis de datos recolectados de una fuente de agua cruda ubicada en Ecuador. Utilizando la información de los parámetros fisicoquímicos del agua cruda, como el pH, turbidez y color, se identifican las dosis de Policloruro de Aluminio (PAC), y las variables de entrada y salida del proceso. En consecuencia, se propone la implementación de un sistema de control inteligente basado en Redes Neuronales Artificiales (RNA) con la finalidad de reducir la dependencia del personal experimentado. Para ello, se parte con la recolección y análisis de datos y así establecer las variables involucradas en el proceso. El modelo neuronal propuesto dispone de tres capas ocultas y utiliza algoritmos de gradiente adaptativo. El análisis de los resultados se realizó mediante el error porcentual absoluto medio (MAPE) y el error cuadrático medio (RMSE). El modelo predictivo de PAC en etapa de entrenamiento indica un valor MAPE de 0,0425 para los valores no ajustados y de 0,0262 para los valores numéricos ajustados. Sin embargo, en la etapa de prueba el modelo neuronal alcanza un MAPE de 0,057 para los valores de PAC no ajustados y de 0,041 para los ajustados. Esta alternativa brinda una solución eficiente a la hora de resolver problemas de dosificación en las plantas de tratamiento de agua potable (PTAP), teniendo resultados confiables según las métricas RMSE y MAPE.

Abstract: The addition of chemicals in drinking water treatment is usually a manual procedure performed by highly trained and experienced persons. To solve this problem, this study is based on the analysis of data collected from a raw water source located in Ecuador. Then, using the information on the physical-chemical parameters of the raw water such as pH, turbidity and color, the definition of the doses of Poly Aluminum Chloride (PAC), and the input and output variables of the dosage process are identified. Consequently, the implementation of an intelligent control system based on Artificial Neural Networks (ANN) is proposed in order to reduce the dependence on experienced people. These experiments start with data collection and analysis in order to establish the variables involved in the process. The proposed neural model has three hidden layers, and it uses adaptive gradient algorithms. An analysis of the results was performed using Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE). The PAC predictive model in the training phase gives a MAPE value of 0.0425 for the not adjusted values and 0.0262 for the adjusted numerical values. However, in the test phase the neural model achieves a MAPE of 0.057 for the not adjusted PAC values and 0.041 for the adjusted values. This alternative provides an efficient solution to solve dosing problems in drinking water treatment plants (DWTP), with reliable results according to RMSE and MAPE metrics.

Resumen: En este artículo se propone la metodología para realizar la partición eléctrica de una red de distribución utilizando algoritmos de agrupamiento de datos como K-means y DBSCAN. Los datos se obtienen generando variaciones en los parámetros de la red y simulando el perfil de voltaje con el software OpenDSS. La metodología propuesta se implementa en redes de distribución estándar de prueba IEEE de 34 y 123 nodos. Los resultados muestran que los nodos se agrupan, logrando una adecuada partición de la red eléctrica de distribución.

Abstract: This paper proposes the methodology to perform the partitioning of a distribution network using data clustering algorithms such as K-means and DBSCAN. The data is obtained by generating variations in the network parameters and simulating the voltage profile using OpenDSS software. The proposed methodology is implemented on standard IEEE test distribution networks of 34 and 123 node test feeder. The results show that the nodes are grouped, achieving an adequate partition of the electrical distribution network.