Examinando por Autor "Meza, Cristian"

Mostrando 1 - 2 de 2
  • Miniatura
    Ítem
    Modelación de datos de captura y esfuerzo pesquero mediante el uso de modelos lineales generalizados (GLM) y mixtos (GLMM).
    (Universidad de Valparaíso, 2012) Contreras Mejías, Francisco; Meza, Cristian; Osorio, Felipe
    Se realiza una modelación de la captura y esfuerzo pesquero mediante la utilización de modelos lineales generalizados y modelos lineales mixtos generalizados. Habitualmente en los estudios de CPUE se realizan un proceso de selección de la información, conocido como filtrado, y tiene por finalidad de evitar las subestimaciones al escoger información donde se producen altos niveles de captura. También, se introduce al modelo lineal generalizado (GLM) el efecto aleatorio del factor barco, de acuerdo con un modelo lineal mixto generalizado (GLMM), para obtener estimaciones de la serie cronológica de la CPUE realistas y m´as precisas. Se utilizan los datos de captura y esfuerzo de la pesquería comercial dirigidas a M. australis, para mostrar estos métodos. Posteriormente, se comparan los resultados y se analizan los residuos estimados para la aplicación de GLM y GLMM a distintas unidades de información. De acuerdo a los distintos enfoques abordados en la presente investigación se observa que la selección de información (filtrado) es un tema no trivial en la modelación de los rendimientos de pesca. La incorporación de un ponderador o weights en el modelo evita la eliminación de información proveniente de aquellas embarcaciones menos importantes en las capturas, que igualmente poseen datos informativos para la modelación de la CPUE. La tendencia anual de las estimaciones de CPUE obtenidas como efecto de la aplicación del filtro a las embarcaciones provoca una caída más acelerada de la abundancia en comparación con la obtenida por el uso del modelo con weights o ponderador.
  • Miniatura
    Ítem
    Series de tiempo y machine learning aplicado al comportamiento de variables eléctricas en un banco de baterías
    (Universidad de Valparaíso, 2025-12) Córdova Miranda, Felipe Andrés; Meza, Cristian; Bahamonde Rozas, Natalia
    En este trabajo de título se propone un enfoque para la predicción de fallas en un banco de baterías de plomo-ácido a partir de datos históricos de variables eléctricas comprendidas en el período de abril 2024 a abril 2025, las cuales son: voltaje total, voltaje promedio de celdas, equilibrio, corriente y temperatura promedio. El objetivo central es mostrar empíricamente los resultados de la comparación entre el desempeño de modelos clásicos de series de tiempo (Holt y Holt-Winters) frente a modelos de aprendizaje automático (redes de memoria a corto y largo plazo) para pronosticar el comportamiento de las señales y detectar, con antelación, eventos de fallo. Para esto, en primer lugar, se realiza un cuidadoso preprocesamiento: sincronización de señales a un muestreo común (mismo inicio y paso temporal), limpieza de ruidos y outliers, e imputación de datos faltantes. Como línea base, se presentan y ajustan modelos de Holt-Winters, midiendo errores de pronóstico, con particular énfasis en la raíz cuadrada del error cuadrático medio (RMSE). Se usa un paso temporal de 3 horas, estableciendo umbrales de falla, así como de funcionamiento normal/óptimo para la clasificación de los datos en cada una de las variables. Paralelamente, se desarrolla un modelo de machine learning, en específico de red neuronal artificial, llamado Long Short Term Memory (LSTM), entrenado de modo secuencial con validación temporal simple (entrenamiento: abril-diciembre 2024; validación: enero-abril 2025). La evaluación incluye la comparación de los modelos mediante métricas de testeo estadísticas. Con ello, el estudio aporta evidencia cuantitativa sobre la conveniencia del uso de algoritmos de aprendizaje automático en aplicaciones reales de ingeniería, y en particular, en nuestro contexto de la industria minera, eléctrica y de energía.