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

dc.contributor.advisorFabian Arteaga, Junior John
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/pdf
dc.identifier.urihttps://hdl.handle.net/20.500.12640/3377
dc.languageEspañol
dc.language.isospa
dc.publisherUniversidad ESANes_ES
dc.publisherUniversidad ESAN
dc.publisher.countryPE
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0*
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#2.07.00
dc.titleTécnicas de Machine Learning para la predicción del caudal efluente de la represa Condoromaes_ES
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.type.otherTrabajo de suficiencia profesional
local.acceso.esanAcceso abierto
renati.advisor.dni44749148
renati.advisor.orcidhttps://orcid.org/0000-0001-9804-7795
renati.author.dni73370828
renati.author.dni70155145
renati.author.dni74305580
renati.discipline521236
renati.jurorChávez Rojas, Mónica Patricia
renati.jurorBallon Alvarez, Eber Joseph
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesional
renati.typehttps://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesional
thesis.degree.disciplineIngeniería en Gestión Ambiental
thesis.degree.grantorUniversidad ESAN. Facultad de Ingeniería
thesis.degree.nameIngeniero en Gestión Ambiental

Archivos

Bloque original

Mostrando 1 - 3 de 3
Miniatura
Nombre:
2023_IGA_23-1_01_TC.pdf
Tamaño:
3.79 MB
Formato:
Adobe Portable Document Format
Descripción:
Texto completo
No hay miniatura disponible
Nombre:
2023_IGA_23-1_02_F.pdf
Tamaño:
757.57 KB
Formato:
Adobe Portable Document Format
Descripción:
Autorización (acceso restringido)
No hay miniatura disponible
Nombre:
2023_IGA_23-0_02_TU.pdf
Tamaño:
17.77 MB
Formato:
Adobe Portable Document Format
Descripción:
Informe Turnitin (acceso restringido)

Bloque de licencias

Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción: