Tendencias de la aplicación de redes neuronales artificiales en el pronóstico del consumo de agua potable en la Amazonía Peruana
Resumen
El presente trabajo tuvo como objetivo revisar y analizar la literatura científica sobre la predicción y gestión de la demanda de recursos naturales, en particular el agua y la energía eléctrica. Se implementó una estrategia metodológica de revisión sistemática de la literatura en las bases de datos Scopus, Scielo y Latindex, seleccionando artículos originales publicados en los últimos 5 años por autores latinoamericanos. Se analizaron un total de 20 artículos, identificando las metodologías utilizadas, los resultados obtenidos y las conclusiones alcanzadas. Los resultados obtenidos demuestran la eficacia de diversas herramientas y metodologías para la predicción y gestión de la demanda de recursos naturales, como la minería de datos, el análisis estadístico y las redes neuronales, entre otras. Además, se destacó la importancia de contar con datos precisos y actualizados para su implementación efectiva.
Descargas
Citas
Urgilés, P., Inga-Ortega, J., Peralta, A., & Ortega, A. (2021). Prediction of Electricity Consumption Profiles Using Potential Polynomials of Degree One and Artificial Neural Networks in Smart Metering Infrastructure. Revista Facultad de Ingeniería - UPTC, 30(56), 1–16. https://doi.org/10.19053/01211129.v30.n56.2021.12772
Xin Yao, "Evolving artificial neural networks", en Proceedings of the IEEE, vol. 87, no. 9, pp. 1423-1447, septiembre de 1999, doi: 10.1109/5.784219.
Reyes, L., Torres, L., Jiménez, M., & Ríos, C. (2022). Predicción de la máxima demanda en un sector de la red de distribución de agua potable de la ciudad de Guanajuato, México. Tecnología y Ciencias Del Agua, 13(4), 414–446. https://doi.org/10.24850/j-tyca-2022-04-09
Quiñones Huatangari, L. Ochoa Toledo, N. Kemper Valverde, O. Gamarra Torres, J. Bazán Correa y J. Delgado Soto, "Red neuronal artificial para estimar un índice de calidad de agua", Enfoque UTE, vol. 11, n.º 2, pp. 109–120, abril de 2020. Accedido el 11 de agosto de 2022. Disponible: https://doi.org/10.29019/enfoque.v11n2.633
MAZZEO, Agustín; SEPULVEDA-CANO, Lina; VILLA, Luisa F. and GALLEGO-BURGOS, Ricardo.Revisión sistemática de literatura sobre modelos de pronósticos de consumo de energía eléctrica. Rev. ing. univ. Medellín [online]. 2020, vol.19, n.36, pp.107-142. Epub Aug 31, 2021. ISSN 1692-3324. https://doi.org/10.22395/rium.v19n36a6.
Perdigón Llanes, Rudibel, & González Benítez, Neilys. (2021). Comparación y selección de técnicas de inteligencia artificial para pronosticar las producciones de leche bovina. Revista Cubana de Ciencias Informáticas, 15(2), 24-43. Epub 01 de junio de 2021. Recuperado en 21 de enero de 2023, de http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2227-18992021000200024&lng=es&tlng=es.
López, A. Figueroa y J. C. Corrales, "Un mapeo sistemático sobre predicción de calidad del agua mediante técnicas de inteligencia computacional", Revista Ingenierías Universidad de Medellín, vol. 15, n.º 28, pp. 35–52, 2016. Accedido el 10 de agosto de 2022. Disponible: https://doi.org/10.22395/rium.v15n28a2
Hernández-López, Y., Rivas-Pérez, R., & Feliu-Batlle, V. (2020). Control automático de la distribución de agua en sistemas de riego: revisión y retos. Ingeniería Electrónica, Automática y Comunicaciones, 41(2), 80-97.
Aguilar Aguilar y F. F. Obando-Díaz, "APRENDIZAJE AUTOMÁTICO PARA LA PREDICCIÓN DE CALIDAD DE AGUA POTABLE", Ingeniare, n.º 28, junio de 2020. Disponible: https://doi.org/10.18041/1909-2458/ingeniare.28.6215
Pérez-Campdesuñer, R., & Sánchez-Crespo, D. (2021). Análisis de la calidad del agua en un embalse artificial mediante técnicas de minería de datos. Tecnología en Marcha, 34(2), 5-18. Recuperado de https://tecnologiaenmarcha.org.mx/index.php/tec_marcha/article/view/1763
González, J., Guerra, M., Fernández, M., & González, E. (2021). Predicción del consumo de energía eléctrica en edificios de vivienda multifamiliar usando redes neuronales. Energía, 45(1), 19-26. doi: 10.1016/j.ener.2020.09.186
Mendoza-Méndez, Y., Molina-Enríquez, J., Herrera-Sánchez, E., & Carrillo-Calvet, H. (2019). Análisis de la demanda de energía eléctrica para la elaboración de una estrategia de ahorro y uso eficiente de la energía en la Universidad de Colima. Revista de la Facultad de Ingeniería, 28(2), 97-104. doi: 10.30973/rev.fac.2019.28.2.789
Garza-Hernández, G. L., Alvarado-Martínez, E., Hernández-Rodríguez, F., & Flores-Cuautle, J. J. (2018). Desarrollo de un modelo de pronóstico de la demanda de agua potable en la zona conurbada de Tampico, México. Hidrobiológica, 28(3), 451-461. Recuperado de http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0188-88972018000300451&lng=es&tlng=es
Villagómez, C., Albuja, E., & Espinoza, L. (2018). Predicción de la demanda de energía eléctrica en el sector residencial de la ciudad de Cuenca, Ecuador, utilizando redes neuronales. Revista Tecnológica - ESPOL, 31(1), 45-54. Recuperado de https://www.revistatecnologica.espol.edu.ec/index.php/revista_tecnologica/article/view/240
Pintos, S., Sánchez, E., & Morán, L. (2020). Modelos de pronóstico para el consumo de energía eléctrica: una revisión sistemática de la literatura. Revista Argentina de Producción Animal, 40(2), 153-162. https://doi.org/10.15381/rivep.v40i2.16641
Peña, L., García, C., & Muñoz, M. (2019). Análisis de la demanda de agua potable mediante redes neuronales artificiales en la ciudad de Medellín, Colombia. Ingeniería y Universidad, 23(2), 235-250. https://doi.org/10.11144/Javeriana.iyu23-2.adan
García, F., Morales, J., & Velasco, J. (2019). Análisis comparativo de modelos de pronóstico de demanda eléctrica utilizando redes neuronales artificiales. Ingeniería y Ciencia, 15(30), 133-154. https://doi.org/10.17230/ingciencia.15.30.6
Ayala, F., Castellanos, J., & Becerra, G. (2018). Predicción de la demanda de agua potable en una zona rural mediante redes neuronales artificiales. Revista Iberoamericana de Ciencias, 5(10), 23-32. https://doi.org/10.35381/r.ics.2018.5.10.342
Castellanos, J., Ayala, F., & Becerra, G. (2017). Pronóstico de la demanda de energía eléctrica en una zona urbana utilizando redes neuronales artificiales. Revista Internacional de Investigación en Ciencias Económicas, 3(1), 89-98. http://dx.doi.org/10.18004/riico.2017.feb.89-98
Derechos de autor 2023 Jimmy Max Ramirez Villacorta;Rafael Vilca Barbaran;Angel Alberto Marthans Ruiz;Antonio Noronha Gomez;Tonny Eduardo Bardales Lozano
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.jpg)
