Predicción del caudal del río Torata utilizando algoritmos de Machine Learning para el aprovisionamiento de agua a la población del distrito

Simple item page
dc.contributor.advisorFabian Arteaga, Junior Jhon
dc.contributor.authorAguirre Vasquez, Mayra Araceli
dc.contributor.authorChurampi Coronado, Heidy Denis Ana
dc.contributor.authorGarcia Garcia, Jeff Steven
dc.contributor.authorMamani Ventura, Danny Alvis
dc.contributor.authorMontes Manrique, Diego Alfredo
dc.coverage.spatialPerú
dc.coverage.spatialMoquegua
dc.coverage.spatialTorata
dc.date.accessioned2024-06-09T17:50:41Z
dc.date.available2024-06-09T17:50:41Z
dc.date.issued2024
dc.description.abstractDiferentes estudios utilizan el aprendizaje automático para el análisis de datos y por ende construir modelos predictivos y encontrar comportamientos que representen diversas variables de salida. Basado en ello, el presente trabajo de suficiencia profesional tiene como misión principal desarrollar un modelo para predecir el caudal del río Torata utilizando algoritmos de Machine Learning y con ello estimar la oferta hídrica, además se busca brindar un marco amplio a las autoridades en la toma de medidas proactivas para garantizar un adecuado aprovisionamiento de agua a la población, incluyendo la administración de infraestructuras de almacenamiento, división y tratamiento. Utilizando datos históricos de las estaciones hidrométricas y meteorológicas del río Torata monitoreados y proporcionadas por la Mina Cuajone y técnicas de Machine Learning, se desarrollaron modelos predictivos para brindar un aporte eficaz al proyecto de aprovisionamiento de agua (Presa Altarani). La investigación se estructura en seis capítulos que abarcan desde el planteamiento del problema y metodología, dando como resultado el mejor modelo de predicción SVR lineal con un 𝑅2de 0.946 y un MSE de 0.041, hasta la presentación de conclusiones y una proyección de 5 años del caudal y oferta hídrica del río Torata con R𝟐 de 0.877 y MSE de 0.123.es_ES
dc.formatapplication/pdfes_ES
dc.identifier.urihttps://hdl.handle.net/20.500.12640/3942
dc.language.isospaes_ES
dc.publisherUniversidad ESANes_ES
dc.publisher.countryPEes_ES
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Perú*
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
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.subjectAbastecimiento de aguaes_ES
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.11.04es_ES
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#5.02.04es_ES
dc.titlePredicción del caudal del río Torata utilizando algoritmos de Machine Learning para el aprovisionamiento de agua a la población del distritoes_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.dni70071958
renati.author.dni77504924
renati.author.dni70204088
renati.author.dni73511776
renati.author.dni72355517
renati.discipline722056es_ES
renati.discipline521236es_ES
renati.discipline613066es_ES
renati.jurorLizarzaburu Bolaños, Edmundo
renati.jurorBallon Alvarez, Joseph
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesionales_ES
renati.typehttps://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesionales_ES
thesis.degree.disciplineIngeniería Industrial y Comerciales_ES
thesis.degree.disciplineIngeniería en Gestión Ambientales_ES
thesis.degree.disciplineIngeniería de Tecnologías de Información y Sistemases_ES
thesis.degree.grantorUniversidad ESAN. Facultad de Ingenieríaes_ES
thesis.degree.nameIngeniero Industrial y Comerciales_ES
thesis.degree.nameIngeniero en Gestión Ambientales_ES
thesis.degree.nameIngeniero de Tecnologías de Información y Sistemases_ES
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
2024_IIC_24-1_01_TC.pdf
Size:
8.38 MB
Format:
Adobe Portable Document Format
Description:
Texto completo
Download
No Thumbnail Available
Name:
2024_IIC_24-1_01_F.pdf
Size:
339.79 KB
Format:
Adobe Portable Document Format
Description:
Autorización (acceso restringido)
Download
No Thumbnail Available
Name:
2024_IIC_24-1_01_TU.pdf
Size:
29.68 MB
Format:
Adobe Portable Document Format
Description:
Informe Turnitin (acceso restringido)
Download
Collections
Ingeniería Industrial Comercial
Ingeniería de Tecnologías de Información y Sistemas
Ingeniería en Gestión Ambiental