Técnicas de Machine Learning para la predicción del caudal efluente de la represa Condoroma

Simple item page
dc.contributor.advisorFabian Arteaga, Junior Jhon
dc.contributor.authorEncina Dávila, Astrid Floria Milagritos
dc.contributor.authorPacheco Hinojoza, Mirella Alejandra
dc.contributor.authorVargas Martell, Vannia Giovana
dc.coverage.spatialPerú
dc.date.accessioned2023-05-08T17:52:02Z
dc.date.available2023-05-08T17:52:02Z
dc.date.issued2023
dc.description.abstractDistintos estudios están empleando técnicas de Machine Learning para el análisis de datos para hallar comportamientos que posibiliten crear modelos matemáticos predictivos y pronosticar diversas variables de salida. En este sentido, el presente trabajo de investigación se enfoca en los esfuerzos realizados para predecir el caudal efluente en la represa Condoroma, perteneciente a la Autoridad Autónoma de Majes (Autodema), donde se incluye el uso de técnicas de aprendizaje supervisado. Para ello, se utiliza una base de datos abiertos de dos plataformas de Autodema: Movimiento Hídrico Sistema Colca y Meteorología Represas. Estos datos históricos son resultados de mediciones mensuales del sistema de monitoreo del recurso hídrico. Además, se manejan para entrenar los modelos Regresión Lineal, Regresión de Vectores de Soporte (SVR) y ARIMA; asimismo, se utilizaron métricas como el MAE, MSE, RMSE y varianza para medir el modelo con el mejor rendimiento. Con base en los resultados obtenidos, se determinó que para predecir el caudal efluente de la represa Condoroma la mejor técnica fue la de SVR que obtuvo un MAE de 5.536, un MSE de 83.701, un RMSE de 9.145 y una varianza igual a 0.427.es_ES
dc.formatapplication/pdfes_ES
dc.identifier.urihttps://hdl.handle.net/20.500.12640/3377
dc.language.isospaes_ES
dc.publisherUniversidad ESANes_ES
dc.publisher.countryPEes_ES
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Perú*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/pe/*
dc.subjectAprendizaje automáticoes_ES
dc.subjectTécnicas de predicciónes_ES
dc.subjectRecursos hídricoses_ES
dc.subjectRepresases_ES
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.07.00es_ES
dc.titleTécnicas de Machine Learning para la predicción del caudal efluente de la represa Condoromaes_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.type.otherTrabajo de suficiencia profesionales_ES
renati.advisor.dni44749148
renati.advisor.orcidhttps://orcid.org/0000-0001-9804-7795es_ES
renati.author.dni73370828
renati.author.dni70155145
renati.author.dni74305580
renati.discipline521236es_ES
renati.jurorChávez Rojas, Mónica Patricia
renati.jurorBallon Alvarez, Eber Joseph
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesionales_ES
renati.typehttps://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesionales_ES
thesis.degree.disciplineIngeniería en Gestión Ambientales_ES
thesis.degree.grantorUniversidad ESAN. Facultad de Ingenieríaes_ES
thesis.degree.nameIngeniero en Gestión Ambientales_ES
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
2023_IGA_23-1_01_TC.pdf
Size:
3.79 MB
Format:
Adobe Portable Document Format
Description:
Download
No Thumbnail Available
Name:
2023_IGA_23-1_02_F.pdf
Size:
757.57 KB
Format:
Adobe Portable Document Format
Description:
Autorización (acceso restringido)
Download
No Thumbnail Available
Name:
2023_IGA_23-0_02_TU.pdf
Size:
17.77 MB
Format:
Adobe Portable Document Format
Description:
Informe Turnitin (acceso restringido)
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Ingeniería en Gestión Ambiental