Aplicación de redes neuronales para tratamiento de efluentes derivados de la curtiduría
Tesis
Materias > Ingeniería
Materias > Ciencias Sociales
Universidad Internacional Iberoamericana México > Investigación > Tesis Doctorales
Cerrado
Español
El presente documento detalla el proceso de creación de la red neuronal artificial (RNA) para el tratamiento de efluentes mediante la determinación de la dosificación de ácido, coagulante y floculante. El proceso abarca desde el análisis de la información de las muestras de los efluentes, la creación del modelo de RNA y la predicción de dosificaciones. Este tipo de red, que se caracteriza por su organización en capas y conexiones estrictamente hacia delante, utiliza algoritmos de entrenamiento del tipo supervisado. El entrenamiento de las redes neuronales consiste en el ajuste de sus parámetros con el objetivo de generar el resultado deseado a la salida de la red. Antes de poder aplicar algún algoritmo de optimización debemos definir nuestra función de coste o pérdida. La función de pérdida es aquella expresión matemática que queremos minimizar o maximizar dependiendo del problema que estemos abordando. Una función de coste típica es la definida por la ecuación, donde se utiliza la media de la suma de los errores cuadráticos para evaluar el rendimiento de la red. Este proceso se realiza por cada ejemplo en el dataset de entrenamiento, siendo m el número de muestras. Fi = Salida de la red para el dato i. El descenso del gradiente es el método utilizado para la optimización de redes de neuronas. Esta técnica realiza actualizaciones de manera iterativa de cada parámetro de la red en aquella dirección que minimice más la función de coste. Para obtener esta dirección se calcula la derivada parcial de la función de coste con respecto a cada parámetro de manera individual. Antes de realizar el entrenamiento es necesario inicializar los parámetros de la red, siendo este un factor importante que puede determinar la convergencia o no. Fase de entrenamiento. Debido a que el objetivo final es poder determinar los niveles adecuados de dosificación para que el ph final en los efluentes cumplan con los estándares ambientales, el modelo de predicción puede adaptarse de forma que tome todas las variables, incluidas la dosificación de coagulante y floculante, y el objetivo sea la predicción del ph final. Dada un conjunto de condiciones iniciales, y un conjunto de dosificaciones el modelo será capaz de predecir el ph resultante. Este enfoque donde los niveles de dosificación de coagulante y floculante cumplen la función de variables independientes en vez de variables dependientes nos obliga a crear una matriz de valores predeterminados, donde cada una de estas configuraciones de dosificación sería evaluada por la red para obtener el valor de ph final. Mínima pre-configuración de parámetros antes de poner en marcha cada batch del proceso. Cuando se da esta señal de inicio, se activa la bomba centrífuga #3 y empieza a llenarse el tanque de ácido. Cuando eso ocurre, apaga la bomba de llenado y después de 10 segundos se activa el agitador del tanque de ácido a 15 Hz y 10 segundos después se dosifica la cantidad de peróxido seteada. Luego de 30 segundos más se dosifica el ácido según el valor seteado ya sea manualmente o mediante la red neuronal. Cuando el agua termina de caer al tanque de coagulante, luego de 10 segundos se activa el agitador del tanque de ácido a 18 Hz y 10 segundos después se dosifica la cantidad de coagulante seteada manualmente o por la red neuronal.
metadata
Mariños Legendre, Juan Carlos
mail
marinos285@gmail.com
(2023)
Aplicación de redes neuronales para tratamiento de efluentes derivados de la curtiduría.
Doctoral thesis, SIN ESPECIFICAR.
Resumen
El presente documento detalla el proceso de creación de la red neuronal artificial (RNA) para el tratamiento de efluentes mediante la determinación de la dosificación de ácido, coagulante y floculante. El proceso abarca desde el análisis de la información de las muestras de los efluentes, la creación del modelo de RNA y la predicción de dosificaciones. Este tipo de red, que se caracteriza por su organización en capas y conexiones estrictamente hacia delante, utiliza algoritmos de entrenamiento del tipo supervisado. El entrenamiento de las redes neuronales consiste en el ajuste de sus parámetros con el objetivo de generar el resultado deseado a la salida de la red. Antes de poder aplicar algún algoritmo de optimización debemos definir nuestra función de coste o pérdida. La función de pérdida es aquella expresión matemática que queremos minimizar o maximizar dependiendo del problema que estemos abordando. Una función de coste típica es la definida por la ecuación, donde se utiliza la media de la suma de los errores cuadráticos para evaluar el rendimiento de la red. Este proceso se realiza por cada ejemplo en el dataset de entrenamiento, siendo m el número de muestras. Fi = Salida de la red para el dato i. El descenso del gradiente es el método utilizado para la optimización de redes de neuronas. Esta técnica realiza actualizaciones de manera iterativa de cada parámetro de la red en aquella dirección que minimice más la función de coste. Para obtener esta dirección se calcula la derivada parcial de la función de coste con respecto a cada parámetro de manera individual. Antes de realizar el entrenamiento es necesario inicializar los parámetros de la red, siendo este un factor importante que puede determinar la convergencia o no. Fase de entrenamiento. Debido a que el objetivo final es poder determinar los niveles adecuados de dosificación para que el ph final en los efluentes cumplan con los estándares ambientales, el modelo de predicción puede adaptarse de forma que tome todas las variables, incluidas la dosificación de coagulante y floculante, y el objetivo sea la predicción del ph final. Dada un conjunto de condiciones iniciales, y un conjunto de dosificaciones el modelo será capaz de predecir el ph resultante. Este enfoque donde los niveles de dosificación de coagulante y floculante cumplen la función de variables independientes en vez de variables dependientes nos obliga a crear una matriz de valores predeterminados, donde cada una de estas configuraciones de dosificación sería evaluada por la red para obtener el valor de ph final. Mínima pre-configuración de parámetros antes de poner en marcha cada batch del proceso. Cuando se da esta señal de inicio, se activa la bomba centrífuga #3 y empieza a llenarse el tanque de ácido. Cuando eso ocurre, apaga la bomba de llenado y después de 10 segundos se activa el agitador del tanque de ácido a 15 Hz y 10 segundos después se dosifica la cantidad de peróxido seteada. Luego de 30 segundos más se dosifica el ácido según el valor seteado ya sea manualmente o mediante la red neuronal. Cuando el agua termina de caer al tanque de coagulante, luego de 10 segundos se activa el agitador del tanque de ácido a 18 Hz y 10 segundos después se dosifica la cantidad de coagulante seteada manualmente o por la red neuronal.
| Tipo de Documento: | Tesis (Doctoral) |
|---|---|
| Palabras Clave: | entrenamientos, red neuronal, innovación, curtiduría, medio ambiente, efluentes |
| Clasificación temática: | Materias > Ingeniería Materias > Ciencias Sociales |
| Divisiones: | Universidad Internacional Iberoamericana México > Investigación > Tesis Doctorales |
| Depositado: | 26 Sep 2023 23:30 |
| Ultima Modificación: | 26 Sep 2023 23:30 |
| URI: | https://repositorio.unini.edu.mx/id/eprint/8475 |
Acciones (logins necesarios)
 |
Ver Objeto |
<a href="/10290/1/Influence%20of%20E-learning%20training%20on%20the%20acquisition%20of%20competences%20in%20basketball%20coaches%20in%20Cantabria.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
The main aim of this study was to analyse the influence of e-learning training on the acquisition of competences in basketball coaches in Cantabria. The current landscape of basketball coach training shows an increasing demand for innovative training models and emerging pedagogies, including e-learning-based methodologies. The study sample consisted of fifty students from these courses, all above 16 years of age (36 males, 14 females). Among them, 16% resided outside the autonomous community of Cantabria, 10% resided more than 50 km from the city of Santander, 36% between 10 and 50 km, 14% less than 10 km, and 24% resided within Santander city. Data were collected through a Google Forms survey distributed by the Cantabrian Basketball Federation to training course students. Participation was voluntary and anonymous. The survey, consisting of 56 questions, was validated by two sports and health doctors and two senior basketball coaches. The collected data were processed and analysed using Microsoft® Excel version 16.74, and the results were expressed in percentages. The analysis revealed that 24.60% of the students trained through the e-learning methodology considered themselves fully qualified as basketball coaches, contrasting with 10.98% of those trained via traditional face-to-face methodology. The results of the study provide insights into important characteristics that can be adjusted and improved within the investigated educational process. Moreover, the study concludes that e-learning training effectively qualifies basketball coaches in Cantabria.
Josep Alemany Iturriaga mail josep.alemany@uneatlantico.es, Álvaro Velarde-Sotres mail alvaro.velarde@uneatlantico.es, Javier Jorge mail , Kamil Giglio mail ,
Alemany Iturriaga
<a class="ep_document_link" href="/12747/1/sensors-24-03754%20%281%29.pdf"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Driving while drowsy poses significant risks, including reduced cognitive function and the potential for accidents, which can lead to severe consequences such as trauma, economic losses, injuries, or death. The use of artificial intelligence can enable effective detection of driver drowsiness, helping to prevent accidents and enhance driver performance. This research aims to address the crucial need for real-time and accurate drowsiness detection to mitigate the impact of fatigue-related accidents. Leveraging ultra-wideband radar data collected over five minutes, the dataset was segmented into one-minute chunks and transformed into grayscale images. Spatial features are retrieved from the images using a two-dimensional Convolutional Neural Network. Following that, these features were used to train and test multiple machine learning classifiers. The ensemble classifier RF-XGB-SVM, which combines Random Forest, XGBoost, and Support Vector Machine using a hard voting criterion, performed admirably with an accuracy of 96.6%. Additionally, the proposed approach was validated with a robust k-fold score of 97% and a standard deviation of 0.018, demonstrating significant results. The dataset is augmented using Generative Adversarial Networks, resulting in improved accuracies for all models. Among them, the RF-XGB-SVM model outperformed the rest with an accuracy score of 99.58%.
Hafeez Ur Rehman Siddiqui mail , Ambreen Akmal mail , Muhammad Iqbal mail , Adil Ali Saleem mail , Muhammad Amjad Raza mail , Kainat Zafar mail , Aqsa Zaib mail , Sandra Dudley mail , Jon Arambarri mail jon.arambarri@uneatlantico.es, Ángel Gabriel Kuc Castilla mail , Furqan Rustam mail ,
Siddiqui
<a class="ep_document_link" href="/12749/1/fnut-11-1083759.pdf"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
In the last decades, the world population and demand for any kind of product have grown exponentially. The rhythm of production to satisfy the request of the population has become unsustainable and the concept of the linear economy, introduced after the Industrial Revolution, has been replaced by a new economic approach, the circular economy. In this new economic model, the concept of “the end of life” is substituted by the concept of restoration, providing a new life to many industrial wastes. Leaves are a by-product of several agricultural cultivations. In recent years, the scientific interest regarding leaf biochemical composition grew, recording that plant leaves may be considered an alternative source of bioactive substances. Plant leaves’ main bioactive compounds are similar to those in fruits, i.e., phenolic acids and esters, flavonols, anthocyanins, and procyanidins. Bioactive compounds can positively influence human health; in fact, it is no coincidence that the leaves were used by our ancestors as a natural remedy for various pathological conditions. Therefore, leaves can be exploited to manufacture many products in food (e.g., being incorporated in food formulations as natural antioxidants, or used to create edible coatings or films for food packaging), cosmetic and pharmaceutical industries (e.g., promising ingredients in anti-aging cosmetics such as oils, serums, dermatological creams, bath gels, and other products). This review focuses on the leaves’ main bioactive compounds and their beneficial health effects, indicating their applications until today to enhance them as a harvesting by-product and highlight their possible reuse for new potential healthy products.
Lucia Regolo mail , Francesca Giampieri mail francesca.giampieri@uneatlantico.es, Maurizio Battino mail maurizio.battino@uneatlantico.es, Yasmany Armas Diaz mail , Bruno Mezzetti mail , Maria Elexpuru Zabaleta mail maria.elexpuru@uneatlantico.es, Cristina Mazas Pérez-Oleaga mail cristina.mazas@uneatlantico.es, Kilian Tutusaus mail kilian.tutusaus@uneatlantico.es, Luca Mazzoni mail ,
Regolo
<a href="/12750/1/s41598-024-63831-0.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Efficient deep learning-based approach for malaria detection using red blood cell smears
Malaria is an extremely malignant disease and is caused by the bites of infected female mosquitoes. This disease is not only infectious among humans, but among animals as well. Malaria causes mild symptoms like fever, headache, sweating and vomiting, and muscle discomfort; severe symptoms include coma, seizures, and kidney failure. The timely identification of malaria parasites is a challenging and chaotic endeavor for health staff. An expert technician examines the schematic blood smears of infected red blood cells through a microscope. The conventional methods for identifying malaria are not efficient. Machine learning approaches are effective for simple classification challenges but not for complex tasks. Furthermore, machine learning involves rigorous feature engineering to train the model and detect patterns in the features. On the other hand, deep learning works well with complex tasks and automatically extracts low and high-level features from the images to detect disease. In this paper, EfficientNet, a deep learning-based approach for detecting Malaria, is proposed that uses red blood cell images. Experiments are carried out and performance comparison is made with pre-trained deep learning models. In addition, k-fold cross-validation is also used to substantiate the results of the proposed approach. Experiments show that the proposed approach is 97.57% accurate in detecting Malaria from red blood cell images and can be beneficial practically for medical healthcare staff.
Muhammad Mujahid mail , Furqan Rustam mail , Rahman Shafique mail , Elizabeth Caro Montero mail elizabeth.caro@uneatlantico.es, Eduardo René Silva Alvarado mail eduardo.silva@funiber.org, Isabel de la Torre Diez mail , Imran Ashraf mail ,
Mujahid
<a class="ep_document_link" href="/12751/1/s12874-024-02249-8.pdf"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
In contemporary society, depression has emerged as a prominent mental disorder that exhibits exponential growth and exerts a substantial influence on premature mortality. Although numerous research applied machine learning methods to forecast signs of depression. Nevertheless, only a limited number of research have taken into account the severity level as a multiclass variable. Besides, maintaining the equality of data distribution among all the classes rarely happens in practical communities. So, the inevitable class imbalance for multiple variables is considered a substantial challenge in this domain. Furthermore, this research emphasizes the significance of addressing class imbalance issues in the context of multiple classes. We introduced a new approach Feature group partitioning (FGP) in the data preprocessing phase which effectively reduces the dimensionality of features to a minimum. This study utilized synthetic oversampling techniques, specifically Synthetic Minority Over-sampling Technique (SMOTE) and Adaptive Synthetic (ADASYN), for class balancing. The dataset used in this research was collected from university students by administering the Burn Depression Checklist (BDC). For methodological modifications, we implemented heterogeneous ensemble learning stacking, homogeneous ensemble bagging, and five distinct supervised machine learning algorithms. The issue of overfitting was mitigated by evaluating the accuracy of the training, validation, and testing datasets. To justify the effectiveness of the prediction models, balanced accuracy, sensitivity, specificity, precision, and f1-score indices are used. Overall, comprehensive analysis demonstrates the discrimination between the Conventional Depression Screening (CDS) and FGP approach. In summary, the results show that the stacking classifier for FGP with SMOTE approach yields the highest balanced accuracy, with a rate of 92.81%. The empirical evidence has demonstrated that the FGP approach, when combined with the SMOTE, able to produce better performance in predicting the severity of depression. Most importantly the optimization of the training time of the FGP approach for all of the classifiers is a significant achievement of this research.
Tumpa Rani Shaha mail , Momotaz Begum mail , Jia Uddin mail , Vanessa Yélamos Torres mail vanessa.yelamos@funiber.org, Josep Alemany Iturriaga mail josep.alemany@uneatlantico.es, Imran Ashraf mail , Md. Abdus Samad mail ,
Shaha