Examinando por Autor "Urtubia Urbina, Alejandra"

Mostrando 1 - 2 de 2
  • Miniatura
    Ítem
    Implementación De Indicadores De Eco-Eficiencia Aplicado A Pymes Del Rubro Maestranza
    (Universidad de Valparaíso, 2008) González Tapia, Roberto Mauricio; Urtubia Urbina, Alejandra
    Los tratados de libre comercio han abierto nuevas posibilidades de intercambio de bienes a las PYMES nacionales, pero también nuevas exigencias, sobre todo en el ámbito de la calidad y el cuidado del medioambiente. En este último aspecto, las pequeñas y medianas empresas Chilenas se encuentran sometidas a una legislación interna y a una serie de normas que las obligan a producir en forma limpia, económica y eficiente. El 47% de las PYMES están vinculadas a la Asociación de Industrias Metalúrgicas y Metalmecánicas A.G. (ASIMET), estas se han visto enfrentadas a una serie de factores que las están dejando fuera de competencia, a diferencia de otros sectores productivos. Siendo las principales causas del fenómeno la existencia de políticas públicas excesivamente regulatorias, costos laborales y productivos mas altos, tipo de cambio, dólar, muy disminuido, que facilita la internación de productos extranjeros a menor costo en reemplazo de los nacionales y regulaciones ambientales cada vez mas exigentes. En el desarrollo y propuesta de esta investigación se determino realizar un estudio al sector Metalmecánico específicamente, “Maestranzas”, con el propósito aportar en el proceso productivo, a través de la aplicación de Eco eficiencia, un concepto empresarial cuya filosofía es “producir más con menos”. Eco-eficiencia permite incrementar la productividad a través de la reducción de sus costos, aportando un aumento a sus márgenes económicos además, de mejorar su situación competitiva. El objetivo será implementar indicadores de gestión que permitan controlar tanto el problema económico como el ambiental. Ecoeficiencia, es una herramienta de estrategia de desarrollo sostenible que permite ser medible y evaluable a partir de indicadores, en primer lugar consigo mismo, en segundo lugar respecto de su avance o retroceso en el tiempo y por ultimo comparable con las mejores empresas a través del benchmarking. Lo anterior no pretende ser una solución a todos los problemas que tiene el sector, pero puede llegar a ser de un significativo aporte si es aplicada y retroalimentada por los encargados de llevar la gestión administrativa de las Maestranzas.
  • Miniatura
    Ítem
    Utilización de Redes Neuronales Artificiales para predecir problemas de fermentaciones vínicas
    (Universidad de Valparaíso, 2010) Román Russell, César Antonio; Urtubia Urbina, Alejandra
    En este trabajo se aplicó Redes Neuronales Artificiales (RNA) en fermentaciones vínicas industriales. El objetivo principal fue explorar la técnica, evaluar su habilidad y encontrar una óptima metodología para la detección temprana de problemas en fermentaciones vínicas. Los problemas de fermentación tienen un impacto directo en la productividad y calidad del vino. La detección temprana de fermentaciones problemáticas, sería de gran utilidad al enólogo, lo que permitiría tomar medidas correctivas adecuadas para garantizar que la vinificación concluya con éxito, asegurando una óptima calidad. Los modelos basados en redes neuronales artificiales son utilizados para el reconocimiento de patrones no lineales característicos de los procesos biológicos y como una útil herramienta para la detección de fallas y el control de procesos. La habilidad de las redes neuronales artificiales de aprender a través del entrenamiento en lugar de descripciones formales, las convierte en una herramienta alternativa para modelar procesos de variables con interrelaciones complejas. Los datos proporcionados para el estudio fueron recogidos a partir de 24 estanques de fermentación de Cabernet Sauvignon. Las fermentaciones se llevaron a cabo en una bodega del Valle del Maipo el año 2002. Entre 30 y 35 muestras fueron tomadas por fermentación en función de la duración de la vinificación. En total se analizaron 33 compuestos correspondientes a azúcares, alcoholes, ácidos orgánicos y compuestos nitrogenados, lo que generó aproximadamente 22.000 datos. De los 24 estanques de fermentación, a partir de criterios de azúcar residual y del tiempo de duración de las fermentaciones, se establecieron 9 fermentaciones normales y 13 problemáticas, las que corresponden a fermentaciones lentas y paralizadas. Se estudiaron 8 casos (A, B, C, D, E, F, G, H) con diferentes variables predictoras, diferentes tiempos (256, 96 y 72 horas) y diferentes formas de ingreso de las variables al modelo neuronal (por puntos y por lote o fermentación). Previo a la utilización de la técnica de RNA para un conjunto de casos (E, F, G, H) se realizó un pretratamiento de los datos mediante un suavizado de curvas con el método Robust Loess y un ajuste de curvas por medio de modelos polinomiales, de esta forma mediante interpolación fue posible obtener el mismo número de muestras a intervalos iguales de tiempo, de forma de permitir el ingreso al modelo neuronal. Para todos los casos, se realizó una normalización de los datos previo al ingreso del modelo neuronal. Se utilizó un modelo de Perceptrón Multicapa. Los modelos utilizados estuvieron compuestos por una capa de entrada, cuyas neuronas corresponden a las variables predictoras utilizadas para cada caso analizado. Se utilizaron una o dos capas ocultas de procesamiento de información, con funciones sigmoides como medio de comunicación y una capa de salida compuesta por dos neuronas representando las variables dependientes del modelo. Para todos los casos, el algoritmo de entrenamiento utilizado fue el Retropropagación del error o Backpropagation con la variante de gradiente descendiente. El tipo de entrenamiento utilizado corresponde por lote. La evaluación del rendimiento de la Red Neuronal entrenada se realizó mediante el uso de un grupo de datos o grupo de test o prueba, el cual no participó en el proceso de aprendizaje de la red. Para el grupo de entrenamiento se utilizó una muestra correspondiente al 70% de los datos y un 30% para la muestra de prueba o test. La evaluación del rendimiento de la red se realizó a través del porcentaje de fermentaciones clasificadas correctamente, el error de predicción y del análisis de curvas ROC (Receiver Operating Characteristic). Se concluyó de acuerdo a los resultados obtenidos, que el ingreso por fermentación (o lote) es el más adecuado para el ingreso de las variables predictoras al modelo. Para los casos por puntos (A, B, C, D, E, F, G, H), se obtuvo un porcentaje de predicción del modelo entre un 60% y 80%. Los mejores resultados se presentaron para el caso que corresponde a la adición de ácidos orgánicos y compuestos nitrogenados, con un tiempo de 96 horas, y el caso en que solo se adicionaron ácidos orgánicos, con tiempos de 256 y 96 horas, con porcentajes de predicción por sobre el 80%. Para los casos por fermentación o lote (E, F, G, H) se obtuvo un porcentaje de predicción del modelo por sobre un 80%. Siendo el caso E para un tiempo de 72 horas un modelo perfecto con un 100% de predicción. Finalmente, con los resultados obtenidos es posible concluir que la utilización de Redes Neuronales Artificiales como herramienta de detección de problemas de fermentación de forma temprana (antes de las 72 horas), con la medición de azúcar, densidad y grado alcohólico, representa un modelo alternativo no paramétrico para la predicción de problemas en fermentaciones vínicas.