1. Trabajos conducentes a grados y títulos
URI permanente para esta comunidadhttps://hdl.handle.net/20.500.12640/4150
Examinar
2 resultados
Resultados de la búsqueda
Ítem Acceso Abierto Ampliación de la capacidad de transformación de la subestación Piura Oeste(Universidad ESAN, 2024) Auccapoma Samanez, Katterine Isabel; Gutierrez Ricapa, Andinson; Mendoza Quispe, Luis Alberto; Miranda Rios, Carlos Gustavo; Ventocilla Barrios, Isaias GregorioLa iniciativa forma parte de un proyecto más amplio en el sector energético destinado a mejorar el sistema eléctrico en el norte del país. La ampliación de la capacidad de la subestación incluye la instalación de nuevos transformadores. Para satisfacer esta creciente demanda, la empresa responsable de la subestación, en conjunto con los gobiernos local y nacional, decidió ampliar la capacidad de transformación de la subestación Piura Oeste. La ampliación permitirá a la subestación convertir hasta 200 MVA de energía eléctrica, lo que duplicará su capacidad actual (Soria et. al., 2018).Ítem Acceso Abierto Técnicas de Machine Learning para incrementar el rendimiento de los campos de caña de azúcar en una empresa agroindustrial(Universidad ESAN, 2023) Alcantara Bernal, Francisco Fernando; Mckitting Cornejo, Gerardo Gabriel; Siancas Gutierrez, Susan Aracelly; Zaldívar Valdez, Ana SofíaEl rápido crecimiento demográfico genera una presión importante sobre la agricultura mundial debido al aumento de la demanda y la reducción de espacios aptos para el cultivo. Esto obliga a que las empresas agroindustriales tengan que obtener mejores rendimientos de cada campo para mantener o aumentar sus niveles de producción. La presente investigación busca complementar los estudios sobre la relación de las variables que afectan el rendimiento de los campos de cultivo de caña de azúcar. El objetivo de este estudio es predecir el porcentaje de sacarosa a obtenerse de un campo de caña de azúcar; para ello, se usaron dos técnicas de aprendizaje supervisado: regresión lineal y regresión vectorial de soporte (SVR), ejecutándose cada una tanto con data normalizada como sin normalizar. Finalmente, se compararon los resultados de cada modelo usando el coeficiente de determinación y raíz del error cuadrático medio. El modelo seleccionado fue el de SVR con kernel RBF y data normalizada, teniendo una precisión del 38.3% y un RMSE de 0.7962 puntos de sacarosa. El potencial que supone el uso de Machine Learning en el sector agroindustrial es muy grande y por ello se deben de seguir desarrollando investigaciones con nuevas variables, técnicas y modelos.
