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: 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: 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.

Abstract Cardiovascular diseases such as Acute Myocardial Infarction are one of the 3 leading causes of death worldwide, according to WHO data. Similarly, cardiac arrhythmias, such as atrial fibrillation, are very common diseases at present. The electrocardiogram (ECG) is the means of cardiac diagnosis that is used in a standardized way worldwide. Machine learning models are very helpful in classification and prediction problems. Applied to the field of health, artificial neural networks (ANN) and convolutional neural networks (CNN) together with tree-based models such as XGBoost, are of vital help in the prevention and control of heart diseases. The objective of the present study is to compare and evaluate the learning based on the ANN, CNN and XGBoost algorithms using the Physionet MIT-BIH and PTB ECG databases, which provide ECGs classified with Arrhythmias and Acute Myocardial Infarctions, respectively. The learning times and the percentage of Accuracy of the 3 algorithms on the 2 databases are compared separately, and finally the data are crossed to compare the validity and safety of the prediction.

Resumen Las enfermedades cardiovasculares, como el infarto agudo de miocardio, son una de las tres principales causas de muerte en el mundo según datos de la OMS. De forma similar, las arritmias cardíacas¸ como la fibrilación auricular, son enfermedades muy comunes en la actualidad. El electrocardiograma (ECG) es el medio de diagnóstico cardíaco que se utiliza de forma estandarizada en todo el mundo. Los modelos de aprendizaje automático son muy útiles en problemas de clasificación y predicción. Aplicadas al campo de la salud, las redes neuronales artificiales (ANN) y las redes neuronales convolucionales (CNN) en conjunto con modelos basados en árboles como XGBoost, son de vital ayuda en la prevención y control de enfermedades del corazón. El presente estudio tiene como objetivo comparar y evaluar el aprendizaje basado en los algoritmos ANN, CNN y XGBoost mediante el uso de las bases de datos de ECG Physionet MITBIH y PTB, que proporcionan ECG clasificados con arritmias e infartos agudos de miocardio, respectivamente. Se comparan por separado los tiempos de aprendizaje y el porcentaje de exactitud de los tres algoritmos en las dos bases de datos, y finalmente se cruzan los datos para comparar la validez y seguridad de la predicción.

Abstract: Background: Resilience in teachers allows them to face difficult situations to recover from adversity and there are gender differences. Likewise, artificial intelligence and the techniques associated with it have proven to be very useful in predicting educational variables and studying the interconnection between them after COVID-19. That said, the general objective of this research was to predict the levels of resilience in secondary school teachers through the design of an artificial neural network (ANN). Method: The Brief Resilient Coping Scale, the Maslach Burnout Inventory and the COVID-19 Stress Questionnaire were administered to 401 secondary school teachers (70.6% female) from schools in southeastern Spain, with a mean age of 44.36 years (SD = 9.38). Results: Differences were found in the configuration of the predictive models of resilience between male and female teachers, with the independent variables contributing to different degrees depending on gender. Conclusions: It is highlighted the usefulness of ANNs in the educational setting and the need to design more adjusted programs.

Abstract: Antecedentes: La resiliencia en el profesorado permite afrontar situaciones difíciles y reponerse a la adversidad existiendo diferencias de género al respecto. Asimismo, la inteligencia artificial y las técnicas asociadas a ella han resultado ser de gran utilidad para predecir variables educativas y estudiar la interconexión entre ellas tras la COVID-19. Dicho esto, el objetivo general de esta investigación fue predecir los niveles de resiliencia en las profesoras y profesores de Secundaria a través del diseño de una red neuronal artificial (RNA). Método: Se administró la Escala Breve de Afrontamiento Resiliente, el Inventario de Burnout de Maslach y el Cuestionario de Estrés frente a la COVID-19 a 401 docentes de secundaria (70.6% mujeres) de centros educativos del sureste español, con una edad media de 44.36 años (DT = 9.38). Resultados: Se hallaron diferencias en la configuración de los modelos predictivos de la resiliencia entre profesoras y profesores contribuyendo las variables independientes en diferente grado en función del género. Conclusiones: Se pone de manifiesto la utilidad de las RNA en el ámbito educativo y la necesidad de diseñar programas más ajustados.

Abstract Objective: This article shows the design and training of an artificial neural network (ANN) to predict academic results of Civil Engineering students of the Fabiola Salazar Leguía National Intercultural University, from Bagua-Peru, in the subject of Mathematics II. Method: The CRISP-DM methodology was used, surveys were conducted to collect the data, and the RNA model was implemented in the Matlab software using the nnstart command and two learning algorithms: Scaled Conjugate Gradient (SCG) and Levenberg-Marquardt (LM). The performance of the model was evaluated through the mean square error and the correlation coefficient. Conclusions: The LM algorithm achieved better prediction effectiveness.

Resumen Objetivo: Este artículo muestra el diseño y entrenamiento de una red neuronal artificial (RNA) para predecir resultados académicos de estudiantes de Ingeniería Civil de la Universidad Nacional Intercultural Fabiola Salazar Leguía de Bagua-Perú en la asignatura de Matemática II. Método: Se utilizó la metodología CRISP-DM, para recolectar los datos se emplearon encuestas, el modelo de RNA se implementó en el software Matlab utilizando el comando nnstart y dos algoritmos de aprendizaje: Scaled Conjugate Gradient (SCG) y Levenberg-Marquardt (LM), el rendimiento del modelo se evaluó mediante el error cuadrático medio y el coeficiente de correlación. Conclusiones: El algoritmo LM logró mejor efectividad en la predicción.

Resumo Objetivo: Este artigo mostra o projeto e o treinamento de uma rede neural artificial (RNA) para predizer resultados acadêmicos de alunos de Engenharia Civil da Universidade Nacional Intercultural Fabiola Salazar Leguía de Bagua-Peru na disciplina de Matemática II. Método: A metodologia CRISP-DM foi utilizada, levantamentos foram utilizados para coletar os dados, o modelo de RNA foi implementado no software Matlab usando o comando nnstart e dois algoritmos de aprendizagem: Scaled Conjugate Gradient (SCG) e Levenberg-Marquardt (LM). O desempenho do modelo foi avaliado por meio do erro quadrático médio e do coeficiente de correlação. Conclusã: O algoritmo LM alcançou melhor eficácia de previsão.

ABSTRACT Wind power plants are vulnerable to abrupt weather changes caused by thunderstorms associated with lightning activity and accompanying severe wind gusts and rapid wind direction changes. Due to the damages that such phenomena may cause, the knowledge of the relationship between storm systems and the produced wind field is essential during the construction and operation phase of a plant. In the first part of this study, the relationship between severe wind gusts and lightning activity in a power plant in Greece is investigated. Wind data are measured at the wind turbines for a 3-year period (2012-2014); the corresponding lightning data come from the ZEUS lighting detection network. Wind gusts are well correlated to lightning strikes. This correlation is maximized during winter when well organized weather systems affect the area and minimized in summer as a result of local storms due to thermal instability. The second part of the study focuses on the development of an artificial neural network (ANN) model in order to forecast these two parameters in a 1-h ahead horizon based on wind speed, wind direction, and maximum observed wind gust measured at the nacelle of a wind turbine and four other variables, namely CAPE, TTI, wind speed at the 500 hPa isobaric level, and the 0-6 km vertical wind shear. The proposed model could be considered as a promising tool in simulating the occurrence both of wind gusts and lightning flashes, providing a relatively good evidence of the possibility of occurrence of such events.

RESUMEN Las plantas de energía eólica son vulnerables a tormentas eléctricas asociadas con la actividad de los rayos y las ráfagas de viento severas y cambios en la dirección del viento que las acompañan. Debido a una variedad de daños que tales fenómenos pueden causar, el conocimiento de la relación entre los sistemas de tormentas y el campo eólico producido es esencial para establecer una planta de energía eólica también durante la fase de construcción y operación. En la primera parte de este estudio se investiga la relación entre las fuertes ráfagas de viento y la actividad de los rayos en un parque eólico de Grecia. Los datos de viento provienen de aerogeneradores que cubren un periodo de tres años (2012-2014), mientras que los datos de rayos corresponden a la red de detección de iluminación ZEUS. Las ráfagas de viento están bien correlacionadas con los rayos. La correlación se maximiza durante el invierno cuando sistemas convectivos bien organizados afectan el área y es mínima en verano como resultado de las tormentas locales debidas a la inestabilidad térmica. En la segunda parte, el estudio se centra en el desarrollo de un modelo de red neuronal artificial con el fin de pronosticar estos dos parámetros a una hora utilizando cuatro variables, a saber, CAPE, TTI, velocidad del viento a 500 hPa y la cizalladura vertical del viento de 0-6 km. El modelo propuesto podría considerarse como una herramienta prometedora para simular la ocurrencia tanto de ráfagas de viento como de relámpagos, proporcionando una evidencia relativamente buena de la posibilidad de que ocurran tales eventos.

Abstract The modeling of areas susceptible to soil loss due to hydro-erosive processes consists of methods that simplify reality to predict future behavior based on the observation and interaction of a set of geoenvironmental factors. Thus, the objective of the current analysis is to predict susceptibility to soil loss and map areas with the potential risk of erosion using the principles of Binary Logistic Regression (BLR) and Artificial Neural Networks (ANN). The hydrographic sub-basin of the Sete Voltas River (330 km2), Rondônia, Brazil, was defined as the experimental area. Models were obtained using 100 sample units and 14 predictor parameters. Susceptibility was mapped based on five reference classes: very low, low, moderate, high, and very high. ANN obtained an area under the curve (AUC) of 0.808 and global precision of 79.2%, and the BLR model showed an AUC of 0.888 and global precision of 77%. Potentially susceptible areas represent 57.71% and 54.80% of the area for BLR and ANN models, respectively. The greatest potential risks are verified in places with no vegetation cover associated with agricultural practices. The technique proved to be effective, with adequate precision and the advantage of being less time-consuming and expensive than other methods.

Resumen La modelación de áreas susceptibles a la pérdida de suelo por procesos hidroerosivos consiste en un instrumento simplificado de la realidad con el propósito de predecir comportamientos futuros a partir de la observación e interacción de un conjunto de factores geoambientales. En vista de lo anterior, el presente análisis tiene como objetivo predecir la susceptibilidad a la pérdida de suelo por evento hídrico y mapear las áreas con riesgo potencial de erosión, utilizando los principios de Regresión Logística Binaria (RLB) y Redes Neuronales Artificiales (RNA). Para ello, se definió la subcuenca del río Sete Voltas (330 km2) como área experimental en el municipio de Colorado do Oeste/RO, sur de la Amazonia brasileña. Inicialmente, se diseñó el mapa de inventario de erosión del suelo con 100 unidades de muestreo y 14 parámetros predictores que abarcaban aspectos ambientales, topográficos y geológicos. La susceptibilidad fue mapeada con base en cinco clases de referencia: muy baja, baja, moderada, alta y muy alta. La RNA obtuvo un área bajo la curva (AUC) de 0,808 y una precisión global del 79,2%; el modelo RLB presentó un AUC de 0,888 y una precisión global del 77%. Las áreas potencialmente susceptibles representan el 57,71% y el 54,80% del área para los modelos RLB y RNA, respectivamente. Los mayores riesgos potenciales se verifican en sitios sin cobertura vegetal asociada a prácticas agrícolas. La técnica demostró ser eficaz, con una precisión adecuada y con la ventaja de requerir menos tiempo y ser menos costosa en comparación con otros métodos.

Resumo A modelagem de áreas suscetíveis à perda de solo por processos hidroerosivos consiste em um instrumento simplificado da realidade com a finalidade de prever comportamentos futuros a partir da observação e interação de um conjunto de fatores geoambientais. À face do exposto, a corrente análise tem como objetivo prever a suscetibilidade à perda de solo por evento hídrico e mapear as áreas com risco potencial de erosão, utilizando os princípios de Regressão Logística Binária (RLB) e Redes Neurais Artificiais (RNA). Para tanto, definiu-se a sub-bacia hidrográfica do rio Sete Voltas (330 km2) como área experimental no município de Colorado do Oeste/RO, sul da Amazônia brasileira. Inicialmente, foi concebido o mapa de inventário de erosão de solo com 100 unidades amostrais e 14 parâmetros preditores que englobasse aspectos ambientais, topográficos e geológicos. A suscetibilidade foi mapeada com base em cinco classes de referência: muito baixa, baixa, moderada, alta e muito alta. A RNA obteve área sob a curva (AUC) de 0,808 e precisão global de 79,2%; o modelo RLB apresentou AUC de 0,888 e precisão global de 77%. As áreas potencialmente susceptíveis representam 57,71% e 54,80% da área para os modelos RLB e RNA, respectivamente. Os maiores riscos potenciais são verificados em locais sem cobertura vegetal associada às práticas agrícolas. A técnica mostrou-se eficaz, com precisão adequada e com a vantagem de ser menos demorada e onerosa em relação a outros métodos.

Abstract The classification of land use and vegetation is a complex exercise difficult to perform with traditional methods, thus deep learning models constitute a viable alternative because they are highly capable of learning this complex semantics, a trait which allows their application in the automatic identification of land use and vegetation, based on spatiotemporal patterns derived from their appearance. The objective of this study was to propose and evaluate a deep learning convolutional neural network model for the classification of 22 different land covers and land use classes located in the Atoyac-Salado basin. The proposed model was trained using digital data captured in 2021 by the Sentinel-2 satellite; a different combination of hyperparameters was applied in which the accuracy of the model depends on the optimizer, the activation function, the filter size, the learning rate and the batch size. The results provided an accuracy of 84.57 % for the data set. A regularization method called Dropout was used to reduce overadjustment, with great effectiveness. It was proven with sufficient accuracy that deep learning with convolutional neural networks identifies patterns in the reflectance data captured by Sentinel-2 satellite images for land use and vegetation classification in intrinsically difficult areas of the Atoyac-Salado basin.

Resumen La clasificación de uso del suelo y vegetación es un ejercicio complejo y difícil de realizar con métodos tradicionales, por lo que los modelos de aprendizaje profundo son una alternativa para su aplicación debido a que son altamente capaces de aprender esta semántica compleja, lo que hace plausible su aplicación en la identificación automática de usos del suelo y vegetación a partir de patrones espacio-temporales extraídos de su apariencia. El objetivo del presente estudio fue proponer y evaluar un modelo de red neuronal convolucional de aprendizaje profundo para la clasificación de 22 clases distintas de cobertura y uso del suelo ubicadas en la cuenca río Atoyac-Salado. El modelo propuesto se entrenó utilizando datos digitales capturados en 2021 por el satélite Sentinel-2; se aplicó una combinación diferente de hiperparámetros en la cual la precisión del modelo depende del optimizador, la función de activación, el tamaño del filtro, la tasa de aprendizaje y el tamaño del lote. Los resultados proporcionaron una precisión de 84.57 % para el conjunto de datos. Para reducir el sobreajuste se empleó el método de regularización denominado Dropout, que resultó ser muy eficaz. Se comprobó con suficiente precisión que el aprendizaje profundo con redes neuronales convolucionales identifica patrones en los datos de la reflectancia captada por las imágenes del satélite Sentinel-2 para la clasificación el uso de suelo y vegetación en áreas con una dificultad intrínseca en la cuenca del río Atoyac-Salado.

Resumen: En esta investigación se propone un diseño de arquitectura para el reconocimiento de melanoma (un tipo de cáncer de piel) mediante el uso de una CNN (Red Neuronal Convolucional), trabajo que será de utilidad para investigadores en futuros proyectos en áreas como biomedicina, aprendizaje automático, y otras relacionadas avanzando en sus estudios y mejorando esta propuesta. La CNN se utiliza principalmente en visión por computador (una rama de la inteligencia artificial), aplicada al reconocimiento de patrones en lunares de la piel y para determinar la existencia de melanoma maligno, o no, con un conjunto de datos limitado. El clasificador CNN diseñado y entrenado en este caso se construyó mediante un par de capas de convolución y acumulación para formar una red neuronal de seis capas seguida de la totalmente conectada para completar la arquitectura con un clasificador de salida. La base de datos propuesta para entrenar nuestra CNN es la mayor colección pública de imágenes dermatoscópicas de melanomas y otras lesiones cutáneas, proporcionada por la International Skin Imaging Collaboration (ISIC), patrocinada por la International Society for Digital Imaging of the Skin (ISDIS), un esfuerzo internacional para mejorar el diagnóstico del melanoma. El propósito de esta investigación fue diseñar una Red Neuronal Convolucional con un alto nivel de precisión para ayudar a los profesionales de la medicina con un diagnóstico de melanoma, en este caso, fue posible obtener una precisión hasta del 88,75 %.

Abstract: This research is proposed a design of architecture for melanoma (a kind of skin cancer) recognition by using a Convolutional Neural Network (CNN), work that will be useful for researchers in future projects in areas like biomedicine, machine learning, and others related moving forward with their studies and improving this proposal. CNN is mostly used in computer vision (a branch of artificial intelligence), applied to pattern recognition in skin moles and to determine the existence of malignant melanoma, or not, with a limited dataset. The CNN classifier designed and trained in this case was built through a couple of layers of convolution and pooling stacked to form a neural network of 6 layers followed by the fully connected to complete the architecture with an output classifier. The proposed database to train our CNN is the largest publicly collection of dermoscopic images of melanomas and other skin lesions, provided by the International Skin Imaging Collaboration (ISIC), sponsored by International Society for Digital Imaging of the Skin (ISDIS), an international effort to improve melanoma diagnosis. The purpose of this research was to design a Convolutional Neural Network with a high level of accuracy to help professionals in medicine with a melanoma diagnosis, in this case, it was possible to get accuracy up to 88.75 %.

Abstract: The main objective of the present research study was to predict the permeability of concrete with mineral ultrafine additions by using artificial neural networks. Concrete mixtures were prepared without addition (4) and with additions of metakaolin (1), microsilica (2), and pozzolan (3). The results showed that permeability values ranged between [0.12, 733]x10-13 m/s. Using the ordinary analysis of variances, it was established that at 28 days the permeability of concrete stabilizes with the additions of (2) and (3), but not with the addition of (1). Different artificial neural network architectures were tested, obtaining correlations in the simulation phase from 0.904 to 0.907. In addition, neural networks were obtained that made feasible to safely predict permeability coefficients for added concrete. It is concluded that additions (2) and (3) have an inverse effect on the permeability of concrete, reaching stability after 28 days.

Resumen: El objetivo de la presente investigación fue pronosticar la permeabilidad del concreto con adiciones minerales ultrafinas, utilizando redes neuronales artificiales. En la parte experimental se elaboraron mezclas de concreto sin adición (4) y con adiciones de metacaolín (1), microsílice (2) y puzolana (3). Se obtuvieron valores de la permeabilidad en el rango de [0.12, 733]x10-13 m/s. Haciendo uso del análisis ordinario de varianzas se estableció que a los 28 días la permeabilidad del concreto se estabiliza con las adiciones (2) y (3), pero no con la adición (1). Se ensayaron diversas arquitecturas de redes neuronales artificiales, obteniendo correlaciones en la fase de simulación de 0.904 a 0.907. Adicionalmente, se obtuvieron redes neuronales con las que es factible pronosticar en forma segura los coeficientes de permeabilidad en los concretos adicionados. Se concluye que las adiciones (2) y (3) inciden de manera inversa en la permeabilidad del concreto y que esta se estabiliza a los 28 días.

RESUMO Objetivo: Na competição do treinamento atlético, é imperativo usar vários indicadores fisiológicos e bioquímicos para estudar as alterações que eles podem suportar. Métodos: Neste trabalho, os indicadores fisiológicos e bioquímicos dos tenistas nacionais são tomados como amostras, e a Rede Neural Artificial (ANN) no algoritmo de mineração de dados é usada para classificar e prever os dados da amostra. Com base nisso, para solucionar a falha que a rede neural da BP tem em cair facilmente num mínimo local, o algoritmo de otimização da colônia de formigas (ACO) foi introduzido para treinar as alterações na rede neural. Finalmente, a tecnologia melhorada da rede neural BP do algoritmo de otimização da colônia de formigas é usada no modelo de análise das alterações fisiológicas nos tenistas. Resultados: Os resultados da pesquisa mostram que o modelo previu com sucesso a alteração fisiológica dos atletas e pôde fornecer aos treinadores uma base para a tomada de decisões. Conclusões: A alteração fisiológica dos atletas é combinada com o algoritmo da rede neural para estabelecer uma conexão entre os dois, o que fornece um método eficaz e confiável para a detecção da função física do transporte esportivo com orientação singular no treinamento e competição dos atletas. Nível de evidência II; Estudos terapêuticos – investigação de resultados de tratamento.

ABSTRACT Objective: In the competition of athletic training, it is imperative to use various physiological and biochemical indicators to study the changes they can bear. Methods: In this paper, national tennis players’ physiological and biochemical indicators are taken as samples, and Artificial Neural Network (ANN) in data mining algorithm is used to classify and predict the sample data. Based on this, to solve the BP neural network's failure in easily falling into a local minimum, the ant colony optimization (ACO) algorithm was introduced to train the changes in the neural network. Finally, the improved BP neural network technology of the ant colony optimization algorithm is used in the model to analyze the physiological changes in tennis players. Results: The research results show that the model successfully predicted the physiological change in athletes and could provide coaches with a basis for decision-making. Conclusions: The physiological change in athletes is combined with the neural network algorithm to establish a connection between the two, which provides an effective and reliable method for detecting the physical function of sports transportation with unique guidance in athletes’ training and competition. Level of evidence II; Therapeutic studies - investigation of treatment results.

RESUMEN Objetivo: En la competición del entrenamiento atlético, es imperativo utilizar varios indicadores fisiológicos y bioquímicos para estudiar los cambios soportables. Métodos: En este trabajo se toman como muestra los indicadores fisiológicos y bioquímicos de los tenistas nacionales, y se utiliza la Red Neural Artificial (ANN) en el algoritmo de minería de datos para clasificar y predecir los datos de la muestra. En base a esto, para resolver el fallo que tiene la red neuronal BP en caer fácilmente en un mínimo local, se introdujo el algoritmo de optimización de colonias de hormigas (ACO) para entrenar los cambios en la red neuronal. Por último, la tecnología de red neuronal BP mejorada del algoritmo de optimización de colonias de hormigas se utiliza en el modelo para analizar los cambios fisiológicos de los tenistas. Resultados: Los resultados de la investigación muestran que el modelo predijo con éxito el cambio fisiológico en los atletas y podría proporcionar a los entrenadores una base para la toma de decisiones. Conclusiones: El cambio fisiológico de los atletas se combina con el algoritmo de la red neuronal para establecer una conexión entre ambos, lo que proporciona un método eficaz y fiable para detectar la función física del transporte deportivo con una orientación única en el entrenamiento y la competición de los atletas. Nivel de evidencia II; Estudios terapéuticos – investigación de resultados de tratamiento.