UNIVERSIDAD REGIONAL AUTÓNOMA DE LOS ANDES “UNIANDES”
FACULTAD DE SISTEMAS MERCANTILES CARRERA DE SISTEMAS
PROYECTO DE INVESTIGACIÓN PREVIO A LA OBTENCIÓN DEL TÍTULO DE INGENIERO DE SISTEMAS E INFORMÁTICA
TEMA: SISTEMA BASADO EN REDES NEURONALES ARTIFICIALES ORIENTADO A LA PREDICCIÓN DEL DIÓXIDO DE CARBONO (CO2) COMO ÍNDICE DE CONTAMINACIÓN, EN LA ZONA CÉNTRICA DE LA CIUDAD DE SANTO DOMINGO.
AUTOR: HERRERA BURGOS JOSÉ ALBERTO
TUTOR: ING. MÉNDEZ GARCÉS ERIK FERNANDO, MG.
APROBACIÓN DEL TUTOR DEL TRABAJO DE TITULACIÓN
CERTIFICACIÓN:
Quien suscribe, legalmente CERTIFICA QUE: El presente Trabajo de Titulación realizado por el Sr. HERRERA BURGOS JOSÉ ALBERTO estudiante de la Carrera de Sistemas, Facultad de Sistemas Mercantiles con el tema: “SISTEMA BASADO EN REDES NEURONALES ARTIFICIALES ORIENTADO A LA PREDICCIÓN DEL DIOXIDO DE CARBONO (CO2) COMO ÍNDICE DE CONTAMINACIÓN, EN LA ZONA CÉNTRICA DE LA CIUDAD DE SANTO DOMINGO”, ha sido prolijamente revisado, y cumple con todos los requisitos establecidos en la normativa pertinente de la Universidad Regional Autónoma de los Andes -UNIANDES-por lo que apruebo su presentación.
Santo Domingo, febrero del 2019
DECLARACIÓN DE AUTENTICIDAD
Yo HERRERA BURGOS JOSÉ ALBERTO, estudiante de la carrera de Sistemas, Facultad de Sistemas Mercantiles, declaro que todos los resultados obtenidos en el presente trabajo de investigación, previo a la obtención del título de INGENIERO EN SISTEMAS E INFORMÁTICA, son absolutamente originales, auténticos y personales; a excepción de las citas, por lo que son de mi exclusiva responsabilidad.
Santo Domingo, febrero del 2019
__________________________ Sr. Herrera Burgos José Alberto C.I. 1715318141
DERECHOS DEL AUTOR
Yo, HERRERA BURGOS JOSÉ ALBERTO, declaro que conozco y acepto la disposición constante en el literal d) del Art. 85 del Estatuto de la Universidad Regional Autónoma de Los Andes, que en su parte pertinente textualmente dice: El Patrimonio de la UNIANDES, está constituido por: La propiedad intelectual sobre las Investigaciones, trabajos científicos o técnicos, proyectos profesionales y consultaría que se realicen en la Universidad o por cuenta de ella.
Santo Domingo, febrero del 2019
__________________________ Sr. Herrera Burgos José Alberto C.I. 1715318141
CERTIFICACIÓN DEL LECTOR DEL TRABAJO DE TITULACIÓN
Yo, Ing. Villalta Jadán Bolívar Enrique Mgs., en calidad de Lector del Proyecto de Titulación.
CERTIFICO:
Que el presente trabajo de titulación realizado por el Sr. HERRERA BURGOS JOSÉ ALBERTO sobre el tema: “SISTEMA BASADO EN REDES NEURONALES ARTIFICIALES ORIENTADO A LA PREDICCIÓN DEL DIÓXIDO DE CARBONO (CO2) COMO ÍNDICE DE CONTAMINACIÓN, EN LA ZONA CÉNTRICA DE LA CIUDAD DE SANTO DOMINGO”, ha sido cuidadosamente revisado por el suscrito, por lo que he podido constatar que cumple con todos los requisitos de fondo y forma establecidos por la Universidad Regional Autónoma de Los Andes, para esta clase de trabajos, por lo que autorizo su presentación.
Santo Domingo, abril del 2019
DEDICATORIA
El presente trabajo está dedicado primeramente a
Dios que gracias a su poder divino se hizo realidad la
culminación de mis estudios.
A mis padres, por alentarme a seguir adelante y
cumplir mis objetivos.
A mi amada esposa, que me apoyó
incondicionalmente en todo momento.
A mis queridas hijas, que son mi inspiración para
seguir preparándome día a día.
A mi tutor del proyecto que me apoyo, asesoro en
la investigación, así mismo por su tiempo y confianza
brindada.
A todos quienes aportaron de una u otra manera,
muchas gracias.
AGRADECIMIENTO
Primeramente, quiero agradecer a Dios sobre
todas las cosas, por ser mi guía e inspiración para seguir
adelante, gracias a su obra el presente proyecto
investigación se realizó con éxito.
A mis padres por darme la vida y ser el ejemplo de
superación.
A mi esposa e hijas quienes han estado todo este
tiempo apoyándome y alentándome para cumplir este
objetivo.
A mi tutor que gracias a su experiencia y
conocimientos contribuyeron al desarrollo del presente
proyecto de investigación.
A la universidad “UNIANDES” y mis profesores
quienes cumplieron un papel muy importante en mi
formación profesional.
A mis compañeros de clases con los que
compartimos muchos momentos.
A mis compañeros de trabajo por darme el tiempo
para realizarme profesionalmente.
José H.
RESUMEN
ABSTRACT
ÍNDICE GENERAL
Pág. APROBACIÓN DEL TUTOR DEL TRABAJO DE TITULACIÓN
DECLARACIÓN DE AUTENTICIDAD DERECHOS DEL AUTOR
CERTIFICACIÓN DEL LECTOR DEL TRABAJO DE TITULACIÓN DEDICATORIA
AGRADECIMIENTOS RESUMEN
ABSTRACT
INTRODUCCIÓN……… 1
ACTUALIDAD E IMPORTANCIA……… 1
RELACIÓN DEL TEMA PROPUESTO CON LOS LINEAMIENTOS DE DESARROLLO PAÍS……….. 2
DESCRIPCIÓN DE LA ACTUALIDAD……… 2
IMPORTANCIA DEL TEMA………. 3
PROBLEMA DE INVESTIGACIÓN……….. 3
FORMULACIÓN DEL PROBLEMA……….. 4
ÁRBOL DE CAUSA-EFECTO……… 5
OBJETIVOS DE INVESTIGACIÓN………... 6
Objetivo general……… 6
Objetivos específicos……… 6
CAPITULO I……… 7
1 MARCO TEÓRICO………. 7
1.1 Antecedentes de la investigación…………... 7
1.2 Generalidades del Dióxido de Carbono……… 8
1.2.1 Propiedades físicas y químicas……… 8
1.2.2 Normas de control del dióxido de carbono………. 9
1.2.3 Efectos comunes del dióxido de carbono……… 9
1.2.4 Fuentes de emisión de dióxido de carbono……….. 10
1.3 Sistema y cambio climático………. 10
1.3.1 Medio ambiente……… 12
1.3.2 Ecuador país megadiverso……… 12
1.3.3 Principales Conferencias y Cumbres de las Naciones Unidas sobre el cambio climático……….. 12
1.3.4 Emisiones de dióxido de carbono en América Latina y el Caribe……… 15
1.3.5 Emisiones CO2 en el Ecuador……….. 16
1.3.6 Emisiones de dióxido de carbono en Santo Domingo………. 17
1.3.7 Concepto de sistema………. 18
1.3.8 Concepto de algoritmo………. 19
1.4 Predicción de la contaminación atmosférica……… 19
1.4.1 Métodos de predicción………. 20
1.4.2 Clasificación de los métodos de predicción………. 20
1.4.3 Evaluación de la predicción………. 22
1.5 Introducción a Inteligencia Artificial (IA)………... 23
1.5.1 Técnicas de Inteligencia Artificial……… 23
1.5.2 Presente y futuro de la Inteligencia Artificial………... 24
1.6 Redes Neuronales Artificiales……….. 25
1.6.1 Neurona biológica……… 25
1.6.2 Características morfológicas de la neurona……….. 25
1.6.3 Neurona artificial……….. 26
1.6.4 Procesamiento matemático en la neurona artificial……….. 26
1.6.5 Red Neuronal Artificial (RNA)……… 28
1.6.6 Funcionamiento de una red neuronal artificial………. 29
1.7 Clasificación de las Redes Neuronales Artificiales……….. 30
1.7.1 Según su topología o estructura de red………. 30
1.7.1.1 Redes neuronales monocapa………. 30
1.7.1.2 Redes neuronales multicapa………. 31
1.7.2 Según el tipo de conexiones………. 31
1.7.2.1 No recurrente o feedforward……… 31
1.7.2.2 Recurrente o feedback……….. 32
1.7.3 Con respecto al aprendizaje………. 32
1.7.3.1 Aprendizaje supervisado……….. 32
1.7.3.2 Aprendizaje no supervisado………. 34
1.8 Modelos de Redes Neuronales Artificiales………... 35
1.8.1 Perceptrón simple………. 35
1.8.2 Adaline………. 37
1.8.3 Perceptrón multicapa……… 37
1.8.4 Algoritmo de aprendizaje backpropagation………. 38
1.9 Ventajas de las Redes Neuronales Artificiales………. 40
1.10 Modelo de Predicción con Redes Neuronales Artificiales………... 42
1.11 Redes Neuronales Artificiales para problemas de Ingeniería…………... 43
CAPITULO II………... 44
2 MARCO METODOLÓGICO……….. 44
2.1 Caracterización de las Redes Neuronales Artificiales orientadas a la predicción del índice de contaminación por dióxido de carbono en la zona céntrica de la ciudad de Santo Domingo……….. 44
2.2 Descripción del procedimiento metodológico……….. 44
2.2.1 Modalidad de la investigación……….. 44
2.2.2 Tipo de investigación………... 45
2.2.3 Métodos investigación……….. 45
2.2.3.1 Método inductivo……….. 45
2.2.3.2 Método estadístico……… 46
2.2.4 Población y muestra………. 47
2.2.4.1 Población……….. 47
2.2.4.2 Muestra………. 47
2.2.5 Técnicas de recolección de datos………. 47
2.2.6 Herramientas……… 47
2.3 Justificación del método de investigación……… 47
2.3.1 Adquisición de los datos………... 48
2.3.1.1 Área de estudio………. 48
2.3.1.2 Definición de las variables………... 49
2.3.1.3 Diseño del prototipo de medición de dióxido de carbono……… 50
2.3.1.4 Acoplamiento entre el módulo data logger y el Arduino Uno…………. 54
2.3.1.5 Conexiones finales del prototipo……….. 55
2.3.1.6 Programación del prototipo de medición………. 56
2.3.1.8 Diagrama de flujo del prototipo………... 57
2.3.1.9 Calibración del prototipo……….. 59
2.3.1.10 Escenarios de pruebas del prototipo………. 59
2.3.1.11 Resultados obtenidos……… 61
2.3.1.12 Registro de los datos………. 64
2.3.2 Depuración de los datos de dióxido de carbono………... 64
2.3.2.1 Análisis comparativo de los datos atípicos corregidos………. 66
2.3.3 Procesamiento de los datos de dióxido de carbono………. 66
CAPITULO III………. 68
3 VALIDACIÓN Y EVALUACIÓN DE RESULTADOS DE LA APLICACIÓN………... 68
3.1 Desarrollo de la propuesta………. 68
3.1.1 Tema de la propuesta……… 68
3.1.2 Objetivos de investigación……… 68
3.1.2.1 Objetivo general……… 68
3.1.2.2 Objetivos específicos……… 68
3.2 Justificación de la propuesta………. 69
3.3 Aplicación de la red neuronal artificial………. 69
3.3.1.1 Descripción del software a utilizar para crear la red neuronal artificial... 69
3.3.1.2 Definición del software Matlab………. 70
3.3.1.3 Descripción redes neuronales artificiales en el software Matlab……….. 72
3.3.1.4 Desarrollo de la red neuronal artificial para el sistema………. 74
3.3.1.4.1 Definición del conjunto de entrenamiento, validación y pruebas………. 74
3.3.1.4.2 Selección de la arquitectura de redes neuronales……….. 75
3.3.1.4.3 Topología de la red neuronal………. 76
3.3.1.4.4 Criterios de evaluación……….. 76
3.3.1.4.5 Entrenamiento de la red neuronal artificial………... 77
3.3.1.4.6 Implementación del sistema basado la red neuronal artificial………….. 79
3.3.1.4.7 Codificación de los algoritmos de predicción………... 84
3.3.2 Evaluación del sistema……….. 85
3.4 Validación de la propuesta……… 85
16/12/2018……… 86
3.4.1.2 Validación del modelo de predicción con datos adquiridos del día 23/12/2018……… 88
3.4.1.3 Validación del modelo de predicción con datos adquiridos del día 30/12/2018……… 89
3.4.1.4 Validación del modelo de predicción con datos adquiridos de la tercera semana de diciembre del 2018……….. 91
3.4.1.5 Validación del modelo de predicción con datos adquiridos de la cuarta semana de diciembre del 2018……….. 93
3.4.2 Pronósticos simulados a futuro………. 95
3.4.2.1 Simulación del mes de predicción………. 95
3.4.2.2 Simulación del año de predicción………. 98
3.4.3 Periodo de tiempo……… 100
3.4.4 Presupuesto del proyecto……….. 101
3.4.4.1 Costo de desarrollo……… 101
3.4.4.2 Recursos materiales……….. 101
3.4.4.3 Recursos tecnológicos……….. 102
3.4.4.4 Gastos generales……… 103
3.4.4.5 Total, presupuestado………. 103
CONCLUSIONES Y RECOMENDACIONES……… 104
Conclusiones………. 104
Recomendaciones……….. 105 BIBLIOGRAFÍA
ÍNDICE DE CUADROS
Cuadro 1. Efectos del dióxido de carbono en los distintos niveles. ... 10
Cuadro 2. Conferencias y cumbres de las naciones unidas sobre el cambio climático. 13 Cuadro 3. Resumen de emisiones atmosféricas del Cantón Santo Domingo durante el año 2010. ... 17
Cuadro 4. Tipos de métricas para métodos de predicción. ... 22
Cuadro 5. Relaciones fundamentales entre las neuronas biológica y artificial. ... 28
Cuadro 6. Variables de entrada de la red neuronal artificial. ... 50
Cuadro 7. Especificaciones técnicas de Arduino Uno. ... 52
Cuadro 8. Especificaciones del módulo Data Logger SD. ... 53
Cuadro 9. Especificaciones del sensor MG811. ... 54
Cuadro 10. Especificaciones del medidor Extech CO250. ... 59
Cuadro 11. Calibración del prototipo con equipo Extech CO250. ... 63
Cuadro 12. Análisis comparativo de los datos atípicos corregidos. ... 66
Cuadro 13. Datos de entrada de la RNA. ... 67
Cuadro 14. Datos de salida de la RNA. ... 67
Cuadro 15. Métrica para medición del error de pronóstico. ... 76
Cuadro 16. Valoración de sistema predicción basado en redes neuronales artificiales. 85 Cuadro 17. Predicción del sistema para el día 16/12/2018. ... 86
Cuadro 18. Resultados sistema de predicción para el día 23/12/2018. ... 88
Cuadro 19. Resultados sistema de predicción para el día 30/12/2018. ... 90
Cuadro 20. Resultados sistema de predicción para la tercera semana de diciembre -2018. ... 92
Cuadro 21. Resultados sistema de predicción para la cuarta semana de diciembre -2018. ... 93
Cuadro 22. Resumen de los casos de validación del sistema de predicción. ... 94
Cuadro 23. Predicción trimestral del año 2019. ... 95
Cuadro 24. Datos comparativos entre los valores reales, pronosticados y simulados. . 98
Cuadro 25. Predicción meses del año 2019. ... 98
Cuadro 26. Costo de desarrollo. ... 101
Cuadro 27. Recursos materiales. ... 101
Cuadro 28. Recursos tecnológicos. ... 102
Cuadro 30. Total, presupuestado. ... 103
ÍNDICE DE FIGURAS Figura 1. Diagrama de causa-efecto. ... 5
Figura 2. Emisiones mundiales de CO2 relacionadas con la energía. ... 11
Figura 3. Emisiones por sector en el mundo de Co2 año 2014 ... 11
Figura 4. Emisiones en América Latina y el Caribe. ... 15
Figura 5. Emisiones de CO2 por toneladas métricas per cápita. ... 16
Figura 6. Clasificación de los sistemas ... 18
Figura 7. Clasificación de los Métodos de Predicción. ... 21
Figura 8. Estructura de una neurona biológica. ... 25
Figura 9. Estructura de neurona artificial ... 26
Figura 10. Funciones de activación. ... 27
Figura 11. Capas de una red neuronal artificial ... 28
Figura 12. Esquema de red neuronal monocapa ... 30
Figura 13. Esquema de red neuronal multicapa. ... 31
Figura 14. Esquema del aprendizaje supervisado. ... 33
Figura 15. Esquema del aprendizaje no supervisado. ... 34
Figura 16. Esquema del aprendizaje por refuerzo. ... 35
Figura 17. Arquitectura de un perceptrón. ... 36
Figura 18. Esquema de red Adaline. ... 37
Figura 19. Arquitectura del perceptrón multicapa. ... 38
Figura 20. Esquema general del sistema de predicción. ... 48
Figura 21. Área de estudio, centro de la ciudad de Santo Domingo. ... 49
Figura 22. Diagrama de bloques del prototipo medidor de CO2. ... 51
Figura 23. Arduino UNO. ... 51
Figura 24. Modulo Shield V1 Data Logger SD ... 53
Figura 25. Modulo sensor MG811. ... 54
Figura 26. Acople de shield data logger a la tarjeta Arduino. ... 55
Figura 27. Esquema de conexión del prototipo medidor de CO2. ... 55
Figura 28. Montaje físico del sensor con shield data logger. ... 56
Figura 29. Interfaz de desarrollo Arduino. ... 57
Figura 31. Dispositivo Extech CO250. ... 59
Figura 32. Escenario de pruebas en condiciones normales. ... 60
Figura 33. Escenario de prueba con recipiente cerrado. ... 60
Figura 34. Escenario de prueba en avenidas de la ciudad. ... 61
Figura 35. Mediciones de CO2 en condiciones ambientales normales. ... 61
Figura 36. Tendencia de las mediciones de CO2 en condiciones ambientales normales. ... 62
Figura 37. Tendencia de las mediciones de CO2 con recipiente cerrado y vela encendida. ... 62
Figura 38. Tendencia de mediciones de CO2 en el centro de la ciudad de Santo Domingo. ... 63
Figura 39. Archivo de texto generado por el prototipo... 64
Figura 40. Gráfico de datos atípicos en mediciones del prototipo. ... 65
Figura 41. Gráfico de datos atípicos corregidos de las mediciones del prototipo ... 65
Figura 42. Logo del software MATLAB. ... 71
Figura 43. Ventana principal de MATLAB. ... 71
Figura 44. Redes Neuronales Artificiales en Matlab. ... 73
Figura 45. Inicialización del entorno a redes neuronales de Matlab. ... 73
Figura 46. Etapas del desarrollo de la red neuronal artificial. ... 74
Figura 47. Arquitectura de red neuronal artificial. ... 76
Figura 48. Entrenamiento de la red neuronal artificial para predicción del índice de CO2. ... 77
Figura 49. Performance del entrenamiento. ... 78
Figura 50. Correlación entre los valores reales y pronóstico de CO2. ... 78
Figura 51. Entrega de resultados según el periodo de predicción. ... 79
Figura 52. Diagrama de flujo de predicción de CO2 por día. ... 80
Figura 53. Diagrama de flujo de predicción de CO2 por semana ... 81
Figura 54. Diagrama de flujo de predicción de CO2 por mes. ... 82
Figura 55. Diagrama de flujo de predicción de CO2 por año. ... 83
Figura 56. Código de programación del algoritmo de predicción de CO2 por día... 84
Figura 57. Código de programación del algoritmo de predicción de CO2 por semana. 84 Figura 58. Predicción del sistema para el día 16/12/2018. ... 87
Figura 59. Predicción del sistema para el día 23/12/2018. ... 89
Figura 61. Predicción del sistema para los días 16 al 23 de diciembre – 2018. ... 92
Figura 62. Predicción del sistema para los días 24 al 31 de diciembre – 2018. ... 94
Figura 63. Predicción mensual del año 2019. ... 97
Figura 64. Red neuronal artificial para pronóstico anual... 99
Figura 65. Algoritmo de predicción anual. ... 99
ÍNDICE DE ANEXOS
Anexo 1 Carta de aprobación del proyecto de investigación. Anexo 2. Perfil del proyecto de investigación.
Anexo 3 Carta de aceptación de una sección de la presente investigación en la 23rd World Multiconference on Systemics, Cybernetics and Informatics (WMSCI 2019).
Anexo 4 Ubicación del dispositivo en la intersección entre las avenidas Tsáchilas y 29 de Mayo.
Anexo 5. Calibración del sensor MG-811 con dispositivo convencional Extech. Anexo 6. Configuración del prototipo de CO2 para recopilar los datos.
Anexo 7. Informe técnico del prototipo de medición de CO2. Anexo 8. Hoja de datos del sensor MG811.
1 INTRODUCCIÓN
ACTUALIDAD E IMPORTANCIA
El Acuerdo de París es uno de los principales convenios entre naciones con el propósito de reducir las emisiones de CO2 y mantener el calentamiento global por debajo de los 2°C para fin del siglo, aunque en los actuales momentos el objetivo es no sobrepasar el 1,5 grados, por otra parte la contaminación atmosférica es citado como un tema trascendental de discusión a nivel mundial, ante la evidencia del uso diario de combustibles fósiles en forma de petróleo, solventes, gasolina, y generación de gas natural, que favorecen a la polución de gases de dióxido de carbono, metano, óxido nitroso, originado por las actividades humanas que contribuyen al efecto invernadero en el planeta (IPCC, 2016, págs. 21-29).
Actualmente el gobierno del Ecuador es parte de la “Convención de Marco de las Naciones Unidas sobre el Cambio Climático”, por lo cual ha adquirido compromisos de responsabilidad internacional, por este motivo el “Ministerio del Ambiente” está tomando medidas para reducir la contaminación y mejorar el estilo de vida de sus habitantes, construyendo obras muy importantes como las hidroeléctricas que permiten minimizar el uso de combustibles en plantas auxiliares generadoras de energía eléctrica (MAE, 2012, págs. 11-19).
2
RELACIÓN DEL TEMA PROPUESTO CON LOS LINEAMIENTOS DE DESARROLLO PAÍS
De acuerdo con los lineamientos de progreso en el Ecuador y sobre la base de investigaciones realizadas se determinó que el “Plan Nacional del Buen Vivir 2013-2017” estuvo vigente hasta el año 2017 y paso a regir el “Plan Nacional de Desarrollo 2017-2021-Toda una Vida”, el mismo que se relaciona con el presente proyecto de investigación e integra tres ejes con sus correspondientes objetivos nacionales de desarrollo, de los cuales el eje uno se detalla a continuación, (CNP, 2017, págs. 45-67):
Eje 1: Derechos para todos durante toda la vida.
Describe tres objetivos muy importantes para los habitantes del Ecuador, normando derechos a salud, educación, ambientes sanos y seguros, entre estos se destaca el siguiente objetivo:
Objetivo 3: Garantizar los derechos de la naturaleza para los actuales y futuras generaciones.
El objetivo 3 tiene mucha importancia para los habitantes del Ecuador ya que a través del Ministerio del Ambiente se han adoptado políticas de reducción del consumo de combustibles fósiles promoviendo el uso energías renovables y cambios tecnológicos con el propósito de disminuir los gases de efecto invernadero creando programas como “Socio Bosque” y “Socio Páramo”, precautelando los sistemas naturales y humanos ante las consecuencias del cambio climático. (CNP, 2017, págs. 45-67)
DESCRIPCIÓN DE LA ACTUALIDAD
3
En el Ecuador el mayor porcentaje de emisiones de dióxido de carbono es producido por la generación de energía y el transporte vehicular, para ello se han tomado decisiones con el propósito de disminuir la polución del contaminante antes mencionado incorporando políticas y acciones de cambio climático, promoviendo la eficiencia energética, el uso y desarrollo de prácticas limpias y sanas.
IMPORTANCIA DEL TEMA
Es transcendental contar con estrategias de mitigación del dióxido de carbono, para brindar ambientes saludables a la población de la ciudad de Santo Domingo, con el estudio y análisis de las redes neuronales artificiales (RNA’s) aplicadas a la predicción, se convierten en un tema muy trascendental con el objetivo del desarrollo del presente proyecto de investigación, ya que han demostrado ser muy eficientes en comparación con los métodos tradicionales que no han tenido buenos resultados.
PROBLEMA DE INVESTIGACIÓN
Los principales problemas de contaminación en las grandes ciudades están relacionados con el crecimiento demográfico no planificado, con consecuencias de impactos negativos al medio ambiente, principalmente a la atmósfera contaminándola con la polución de gases de efecto invernadero. Según Parra (2014), en su informe, “Inventario Preliminar de las Emisiones de Contaminantes del Aire, de los cantones Ambato, Riobamba, Santo Domingo de los Colorados, Latacunga, Ibarra, Manta, Portoviejo, Esmeraldas y Milagro Proyecto Calidad del Aire III Año Base 2010”, destaca que en la ciudad de Santo Domingo el tráfico vehicular, el gas doméstico, las industrias y los rellenos sanitarios son los mayores productores de dióxido de carbono. (Parra, 2014, págs. 81-82)
4
solución en contraposición de los métodos tradicionales clásicos que no han tenido buenos efectos. (Andrade, 2013, págs. 2-11)
Hoy en día la ciudad de Santo Domingo se ubica en una zona privilegiada para el desarrollo, no obstante, la sociedad degrada el medio ambiente, con actividades que generan dióxido de carbono, que afectan al régimen climático, por ello se detallada varias causas a continuación:
• Crecimiento demográfico no planificado.
• Carencia de modelos de pronóstico del contaminante dióxido de carbono.
• Estrategias de mitigación insuficientes.
• Generación incontrolada de gases de efecto invernadero.
• Aumento del parque automotor.
• Falta de gestión de residuos sólidos y líquidos. • Alteración del ecosistema.
FORMULACIÓN DEL PROBLEMA
5 ÁRBOL DE CAUSA-EFECTO
Figura 1. Diagrama de causa-efecto. Elaborado por: José Herrera.
6 Línea de investigación: Inteligencia Artificial
Delimitación especial: La presente investigación se desarrollará en la zona céntrica de Santo Domingo.
OBJETIVOS DE INVESTIGACIÓN Objetivo general
Diseñar un Sistema basado en Redes Neuronales Artificiales (RNA’s) orientado a la predicción del índice de contaminación por dióxido de carbono (CO2), para contribuir en los procesos de planificación y mitigación del contaminante antes mencionado, en la zona céntrica de la ciudad de Santo Domingo.
Objetivos específicos
• Indagar sobre los procesos relacionados con las emisiones de gases de efecto invernadero, estado actual del índice de contaminación CO2 y modelos de predicción con RNA’s para constituir las bases necesarias del desarrollo del sistema.
• Describir los principales conceptos habilitantes para la elaboración de un modelo que permita predecir el índice de contaminación CO2 utilizando RNA’s.
• Recopilar y procesar los datos del índice contaminador CO2 en la zona céntrica de Santo Domingo para el entrenamiento del modelo de RNA.
• Desarrollar un sistema basado en los principales aspectos teóricos de las redes neuronales artificiales para la predicción del índice de contaminación CO2.
7 CAPITULO I
1 MARCO TEÓRICO
1.1 Antecedentes de la investigación
Se realizó una indagación de trabajos similares desarrollados en el Centro de Documentación e Investigación en la Universidad Regional Autónoma de los Andes ubicada en Santo Domingo y se determinó, que no existen proyectos que puedan tener similitud al tema propuesto, se consultó fuentes externas con relación a investigaciones asociadas a predicción de contaminantes a través de redes neuronales artificiales. A continuación, se describen los siguientes trabajos:
En 2011, Christophe Paoli, Guille Notton, Marie-Laure Nivet, Michel Padovani y Jean-luc Savelli en el artículo denominado “A Neural Network Model Forecasting for Prediction of Hourly Ozone Concentration in Corsica” presenta la predicción de la concentración de ozono en la isla Córcega a través de redes neuronales artificiales, aplicando la red Perceptrón de múltiples capas (MLP), cuyos resultados indican que el predictor tiene un error de 10,5 % con respecto a dispositivos convencionales (10%), demostrando que la pronóstico es eficiente. (Paoli, Notton, Nivet, Padovani, & Savelli, 2011)
En 2012, María Guadalupe Cortina en su Tesis Doctoral “Aplicación de técnicas de inteligencia artificial a la predicción de contaminantes atmosféricos” propone un modelo de red neuronal con perceptrón multicapa con una capa oculta por cada contaminante (SO2 y PM10), evaluando la relación que existe entra las diferentes variables atmosféricas de los contaminantes a través del Error Medio Absoluto, Raíz del Error Medio Cuadrático, Coeficiente de Correlación y el Índice de acuerdo, realizo predicciones por una hora anticipada obteniendo excelentes resultados para SO2 (0.88, 0.75, 0.81) y PM10 (0.93, 0.89, 0.85). (Cortina, 2012)
8
aprendizaje Levenberg Marquardt y función de activación sigmoidea con el propósito de pronosticar las emisiones de dióxido de carbono a corto plazo en el cultivo de cereales en la región de Apulia con el objetivo apoyar a la toma de decisiones de reducir la contaminación, los resultados expresan que la predicción en periodos cortos es viable y hasta en tres ciclos de tiempo, para plazos largos no es posible predecir por diversos factores ambientales. (Gallo, Contó, & Fiore, 2014)
En 2015, Min Huang, Tao Zhang, Jingyang Wang, Likun Zhu en el artículo “A new air quality forecasting model using data mining and artificial neural network”, implementan un modelo de predicción de la contaminación atmosférica basado en redes neuronales artificiales backpropagation y técnicas de minería de datos con el propósito de encontrar factores que afectan a la calidad del aire, para el entrenamiento de la red se utilizó información provenientes de las estaciones de monitoreo de la ciudad de Shijiazhuang, minimizando las tareas computacionales. (Huang, Zhang, Wang, & Zhu, 2015)
En 2016, Elvis Medina en el proyecto de investigación “Redes neuronales artificiales para la predicción de la concentración de PM10 en el distrito de Ate” implemento la red perceptrón multicapa del tipo backpropagation en su variante Levenberg Marquardt obteniendo un coeficiente de correlación Pearson de 0,99998, representando bondades con ajuste de los datos y eficiencia del pronóstico de la red neuronal artificial. (Medina, 2016)
1.2 Generalidades del Dióxido de Carbono
El dióxido de carbono es un gas de efecto invernadero que interviene en el cambio climático, causando el calentamiento global en el planeta, si existe incremento en el CO2 en la atmosfera se eleva la temperatura del planeta originando aumento en el nivel del mar, extinción de especies, disminución de los recursos hídricos, desastres naturales, entre otros. (Fernández T. D., 2018, pág. 436)
1.2.1 Propiedades físicas y químicas
9
0 y 4% en volumen”, (Parra, 2014, pág. 16). El dióxido de carbono es una molécula lineal, su representación es: O=C=O cuya masa molecular es 44,01 g/mol, se presenta en estado gaseosa y líquido cuando se disuelve en agua manteniendo la misma presión y sólida a temperaturas de -78oC, el ciclo empieza con la respiración de los seres vivos y otros procesos de combustión, las plantas absorben el CO2 del aire para realizar la fotosíntesis y otra porción se va hacia la atmosfera. (Núñez, González, & Saura, 2015, pág. 25)
1.2.2 Normas de control del dióxido de carbono
Existen varias normas para calidad de aire que establecen límites exposiciones de dióxido de carbono. Entre las principales se describen las siguientes (NJ, 2017):
• OSHA (Administración de Seguridad y Salud Ocupacional), la exposición máxima de una persona en 8 horas es de 5000 ppm.
• ASHRAE (Sociedad Americana de Ingenieros de Calefacción y Refrigeración), la concentración en lugares habitables no debe exceder los 1000 ppm.
• NIOSH (Instituto Nacional para la Seguridad y Salud Ocupacional) el promedio debe ser de 5000 ppm en una jornada de 10 horas.
En el Ecuador rige la “Norma Ecuatoriana de Calidad de Aire”, las cuales se ajustan a normas internacionales, para el cumplimiento de los límites permitidos en el ambiente.
1.2.3 Efectos comunes del dióxido de carbono
10
Cuadro 1. Efectos del dióxido de carbono en los distintos niveles.
Concentración Efecto
350 – 450 Concentración en la atmósfera 600 – 800 Calidad de en ambientes habitables
1000 Calidad de en ambientes habitables tolerables 5000 Límite de exposición en una jornada de 8 horas 6000 – 30000 Solo exposición breve (5 minutos)
3 – 8% Incremento de la frecuencia cardiaca, dolor de cabeza > 10% Náuseas, vomito, pérdida del conocimiento
> 20% Pérdida del conocimiento, muerte
Fuente: Elaboración propia a partir de Gutiérrez (2015, pág. 33)
1.2.4 Fuentes de emisión de dióxido de carbono
Las fuentes de emisión de CO2 se han agrupado en tres clases (IEA, 2018, págs. 3-7):
• Fuentes móviles, la componen el tráfico vehicular y aéreo.
• Fuentes fijas, integradas por los rellenos sanitarios, procesos de combustión de termoeléctricas e industrias.
• Fuentes aéreas, son emanaciones por uso del gas licuado de petróleo (GLP) doméstico, uso de solventes domésticos y comerciales, estaciones expendedoras de combustibles, incendios forestales y canteras de materiales de construcción.
1.3 Sistema y cambio climático
11
de 32,5 Gton. Tal y como se presenta en el siguiente gráfico (Ver “Figura 2”). (IEA, 2018, págs. 3-7)
Figura 2. Emisiones mundiales de CO2 relacionadas con la energía. Fuente: International Energy Agency (2018, pág. 3)
Según el “Informe De Situación De Las Emisiones De Co2 En El Mundo”, el 42,1% de las muestras producidas por efecto de generación de energía y vapores industriales, seguido con 19,2% de las industrias manufactureras y de construcción, el 17,5 % del transporte vehicular, son los principales responsables del incremento de GEI como se observa en la imagen siguiente (Ver “Figura 3”). (FEC, 2015, págs. 31-33)
12
1.3.1 Medio ambiente
El avance tecnológico de las sociedades del mundo presenta desarrollos urbanos, industriales, agrícolas y de transporte, brindando comodidades para mejorar el estilo de vida de las personas, perjudicando el entorno natural para el progreso del ser humano. Con la aparición de nuevas enfermedades, el desgaste del suelo, el calentamiento del clima y el agotamiento de los recursos naturales, la naturaleza se reniega a estas modificaciones produciendo eventos catastróficos para la humanidad. (Alianza por la Solidaridad, 2013, págs. 41-45).
1.3.1.1 Definición de medio ambiente
Es el entorno donde se desarrollan e interrelacionan los seres vivos (humanos, flora y fauna), cabe destacar que los elementos esenciales para la vida son: el aire, el suelo y el agua. Los autores actualmente incorporan a este concepto las relaciones culturales que incluyen las costumbres, el folklore, entre otros y las relaciones sociales (actos, comportamientos, acciones). (Alianza por la Solidaridad, 2013, págs. 41-45)
1.3.2 Ecuador país megadiverso
Un país se considera megadiverso porque posee entre el 66 y 75% de biodiversidad global (selvas tropicales, ecosistemas marinos, especies endémicas). Ecuador se destaca por ocupar el séptimo lugar mundial con más de 21000 especies de plantas y cerca de 2700 especies vertebrados terrestres. En territorio ecuatoriano habitan aproximadamente 271 especies de mamíferos, 374 de reptiles, 462 de anfibios y 1559 de aves. (Angulo, Avendaño, & Galindo, 2012, págs. 20-23)
1.3.3 Principales Conferencias y Cumbres de las Naciones Unidas sobre el cambio
climático
13
Cuadro 2. Conferencias y cumbres de las naciones unidas sobre el cambio climático.
AÑO CIUDAD TEMA ACUERDOS
1972 Estocolmo Primera conferencia de las Naciones Unidas sobre el medio ambiente humano
Declaración de 26 principios sobre el medio ambiente y el desarrollo. Crean políticas internacionales medioambientales.
1992 Rio de Janeiro Conferencia de las ONU sobre el medio ambiente y el desarrollo
Alianza para la creación y cooperación entre Estados para el respeto y protección del sistema ambiental y desarrollo mundial. 1997 Kioto Protocolo de Kioto Disminuir el cambio climático
antropogénico. Reducir gases de efecto invernadero.
2002 Johannesburgo Cumbre mundial sobre el desarrollo sostenible
Medidas para reducir la pobreza y proteger el medio ambiente.
2009 Copenhague Conferencia de Copenhague
Se acordó que la meta límite para el incremento de la temperatura media global sea de 2°C.
2011 Durban Conferencia sobre el cambio climático
Acuerdo de entre EE.UU. China, India, Brasil, Sudáfrica y los países en creciente industrialización inicien procesos de reducción de GEI.
2012 Doha Conferencia de Doha Prórroga del protocolo de Kioto hasta el 2020.
Solicitan acciones enérgicas para contrarrestar el calentamiento global.
14
2014 Lima Conferencia de Lima EE. UU. Y China se comprometen a reducir las emisiones de GEI. El objetivo de reducir en un 40% y 70% para el año 2050.
2015 París Conferencia de París Adoptado por 197 países, oficialmente se firmó el 22 de abril de 2016, el Día de la Tierra.
Contempla la limitación del aumento de la temperatura global a 2°C.
2016 Marrakech Conferencia de Marrakech
Llamada reunión técnica, para aplicar el Acuerdo de Paris y normas que guiarán para su cumplimiento.
2017 Fiji-Bonn Conferencia de Fiji-Bonn Alianza global para la eliminación del carbón en la generación eléctrica antes del año 2030.
Fuente: Elaboración propia a partir de las Conferencias de la Organización de las Naciones Unidas (2018)
Hasta la actualidad se realizado muchos esfuerzos para que el planeta no experimente alteraciones en el clima y los seres humanos puedan tener actividades de vida sana. Las alianzas globales promueven la reducción de gases de efecto invernadero y son de vital importancia, sobre todo creando acuerdos con los países industrializados, que son los que más generan el contaminante, entre ellos destaca el CO2, causante del calentamiento del global. (ONU, 2018)
15
determinadas regiones y sequía en otras, elevando la tasa de mortalidad humana por calor extremo. (IPCC, 2016, págs. 21-29)
Actualmente existen programas como “la huella de carbono” que es un indicador de la cantidad de gases producidos por procesos de manufactura y toma en cuenta todos los recursos que intervinieron para su fabricación, declarando cantidades emanadas y desechos generados en la cadena de producción con el objetivo de minimizar la fuga y polución de sustancias prohibidas por acuerdos internacionales. (Jiménez & Tous, 2017, pág. 75)
1.3.4 Emisiones de dióxido de carbono en América Latina y el Caribe
Según “CEPAL”, América latina y el caribe contribuyen en menor proporción al incremento de gases de efecto invernadero que otros territorios industrializadas y desarrolladas, aunque son los países más propensos a sufrir desastres naturales por los efectos del cambio, en el siguiente gráfico se puede apreciar la cantidad de toneladas métricas por habitante producidas por estas regiones hasta el año 2014 (Ver “Figura 4”). (CEPAL, 2015)
Figura 4. Emisiones en América Latina y el Caribe.
16
1.3.5 Emisiones CO2 en el Ecuador
Ecuador es un país andino, ubicado en el hemisferio occidental en América del Sur, posee una extensión territorial de 281.341 Km2, con una población de 16,39 millones de habitantes distribuidos en 24 provincias, la cordillera de los Andes divide al territorio en tres regiones: Costa, Sierra y Amazonía, cada una de las cuales tiene su propio clima, suelo y biodiversidad. Según estadísticas del Banco Mundial, las emisiones totales per cápita de CO2 hasta el año 2014, ascienden a 2,7 toneladas como se puede observar en el gráfico siguiente (Ver “Figura 5”). (BM, 2018)
Figura 5. Emisiones de CO2 por toneladas métricas per cápita.
Fuente: Elaboración propia a partir de indicadores del Banco Mundial (2018)
En el Ecuador el organismo encargado de la vigilancia de la calidad de aire es el Ministerio del Ambiente (MAE), con el objetivo es proteger la vida humana, los recursos naturales y el patrimonio cultural. El MAE, es el rector de la materia de cambio climático ha emitido acuerdos ministeriales que permiten su progreso de campo de acción como Mecanismo de Desarrollo Limpio (MDL), Acciones Nacionales Apropiadas de Mitigación (NAMA, por sus siglas en ingles). El enfoque de REED+ (emisiones de gases de efecto invernadero asociadas a la deforestación y degradación de los bosques). (MAE, 2017)
0 0,5 1 1,5 2 2,5 3 1 9 60 1 9 62 19 64 1 9 66 1 9 68 19 70 1 9 72 1 9 74 19 76 1 9 78 1 9 80 19 82 1 9 84 1 9 86 19 88 1 9 90 1 9 92 19 94 1 9 96 1 9 98 2 0 00 2 0 02 2 0 04 2 0 06 2 0 08 2 0 10 2 0 12 2 0 14
17
Según el Inventario Nacional de Gases de Efecto Invernadero (INGEI), las emisiones totales en el año 2012 ascienden a 80.627,16 Gg. de CO2 de los cuales el 46,63% pertenece a la generación de energías (MAE, 2017, pág. 17). El país por su situación geográfica es vulnerable a factores externos como eventos naturales son: “EL NIÑO-Oscilación del Sur” (ENOS), la tendencia en el aumento de las temperaturas sería de 2°C hasta el fin de siglo. (MAE, 2017, pág. 32)
1.3.6 Emisiones de dióxido de carbono en Santo Domingo
La provincia de Santo Domingo de los Tsáchilas ubicada en las estribaciones de la cordillera occidental, está conformada por dos cantones: Santo Domingo y La Concordia. Por ser una provincia ubicada estratégicamente con respecto al comercio, recibe la afluencia masiva de habitantes de las demás provincias permitiendo mayor consumo de recursos económicos y naturales. La ejecución del Plan Nacional de la Calidad del Aire (PNCA) a través del inventario preliminar de las emisiones contaminantes del aire determinó que el total de emisiones de dióxido de carbono en la ciudad de Santo Domingo es de 512.794 toneladas en el año 2010 de los cuales destacan el tráfico vehicular con el 92,6 %, el consumo de gas licuado de petróleo con el 6,3% y las industrias con el 1,1 %, como se observa en la siguiente tabla (Ver “Cuadro 3”) (Parra, 2014, pág. 28),
Cuadro 3. Resumen de emisiones atmosféricas del Cantón Santo Domingo durante el año 2010.
Actividades
Gases de Efecto Invernadero
CO CO2 CH4 NOx
t/a % t/a % t/a % t/a %
Tráfico vehicular 18897,8 99,9 474847,2 92,6 95,8 13,6 5404,1 99
Industrias 20 0,09 5640,7 1,1 0,8 0,1 17 0,3
GLP doméstico 5,5 0,01 32306,1 6,3 0,5 0,1 35 0,7
Rellenos Sanitarios 608,8 86,2
Total 18923,3 100 512794 100 705,9 100 5456,1 100
18
1.3.7 Concepto de sistema
La palabra sistema procede del latín “systema” que significa “unión de cosas organizadas”. Se define como una colección de instrucciones o reglas estructuradas que interaccionan entre sí para cumplir un propósito o resolver un problema. Un sistema es caracterizado por su alto poder de proceso definido por el número de componentes especiales que lo conforman con un fin determinado. Las características son (Domínguez & López, 2016, págs. 127-129):
• Interdisciplinario, aplicado en diferentes áreas.
• Cuantitativo y cualitativo, expresa los resultados en forma cuantitativa, cualitativa o ambos casos.
• Organizado, tiene determinado su número de pasos.
• Correcto, obedece a cumplir con los requerimientos del problema.
• Ordenado, aprovechado en operaciones con múltiples recursos de forma ordenada.
• Empírico, incorpora el autoaprendizaje a través de investigaciones experimentales.
A continuación, en el siguiente gráfico (Ver “Figura 6”) se observa su clasificación:
Figura 6. Clasificación de los sistemas
Fuente: Elaboración propia a partir de Domínguez & López (2016) Clasificación de
los sistemas
Por su capacidad comunicarse Abiertos Cerrados Por su dinamismo Estáticos Dinámicos
Por su estructura
Rígidos
19 Los sistemas son aplicados en diversas áreas como:
• Cibernética.
• Ingeniería de Sistemas. • Teoría de decisiones. • Teoría de juegos.
• Investigación de operaciones. • Matemáticas relacionales. • ingeniería humana
• Análisis factorial.
• Teoría de la información.
1.3.8 Concepto de algoritmo
La palabra, como tal, proviene del latín “alborarismus” que significa “calculo mediante cifras arábigas”. Un algoritmo es una serie de pasos ordenados que interactúan entre sí con el propósito de resolver un problema cumpliendo condiciones internas o externas para entregar soluciones que cumplen con la meta propuesta, se caracterizan por tener un inicio y un fin, además sus rasgos principales son (Gomez, 2016, págs. 3-10):
• Entrada, lo que requiere para procesar. • Salida, define el resultado que producirá. • Finito, tiene determinado su número de pasos.
• Correcto, obedece a cumplir con los requerimientos del problema. • Ordenado, implica la ejecución de las instrucciones secuencialmente.
• Definido, involucra que la ejecución puede ser realizada varias veces obteniendo el mismo resultado.
1.4 Predicción de la contaminación atmosférica
20
temperatura y presión atmosférica, vientos humedad y precipitaciones, causada por el calentamiento global. (Jiménez & Tous, 2017, pág. 57)
Las redes de monitoreo de la atmósfera cumplen un rol primordial en la mitigación de los contaminantes, la información obtenida sobre las emisiones permite generar tácticas en diferentes partes del planeta con el propósito de evitar la polución. Existen modelos matemáticos que permiten representar los procesos naturales de manera fiable, aplicados a vigilar y realizar predicciones en tiempo real de variables atmosféricas en distintas regiones del mundo. Estos sistemas de pronósticos se convierten en herramientas potentes de análisis y evaluación de estrategias y soporte para toma de decisiones de reducción del impacto ambiental. (Cortina, 2012)
1.4.1 Métodos de predicción
La tecnología actual ha permitido recopilar datos de diferentes fenómenos naturales a lo largo de décadas, esta información se encuentra ordenada cronológicamente a través de series temporales para su posterior tratamiento en pronósticos y predicciones. La elección de un método apropiado de predicción dependerá del fenómeno observado en determinados periodos como, por ejemplo: variables climáticas (estado del tiempo, temperaturas), económicas (demanda de productos, precios), sociales (índices de natalidad o mortalidad), etc. (Cortina, 2012, págs. 36-37)
1.4.2 Clasificación de los métodos de predicción
Existe una amplia clasificación de los métodos de predicción utilizados en tareas de pronósticos de variables ambientales, están divididos en cualitativos y cuantitativos. (Cortina, 2012, págs. 36-37)
21
• Los métodos cuantitativos se fundamentan en modelos matemáticos o estadísticos, utilizan información histórica de antecedentes numéricos y se emplean en técnicas estadísticas que determinan automáticamente un pronóstico determinado, según los datos que poseen existen dos tipos: serie de tiempo manejan valores históricos con el propósito de obtener un patrón para extenderlo al futuro y los causales que realizan pronósticos incorporando variables externas que influyen en el esquema de indagación. (Cortina, 2012, págs. 36-37)
A continuación, en el gráfico siguiente (Ver “Figura 7”), se puede observar la clasificación de los métodos de predicción.
Figura 7. Clasificación de los Métodos de Predicción.
Fuente: Elaboración propia a partir de Cortina (2012, págs. 36-37)
Métodos de Predicción Cualitativos Cuantitativos Métodos Causales Regrsión Lineal Regresión Múltiple Regresión Dinámica Vector de Autoregresión Redes Neuronales
22
1.4.3 Evaluación de la predicción
Existen algunas métricas para evaluar el desempeño de los métodos de predicción, cuyo objetivo es determinar el error entre los valores reales y los valores obtenidos por la red neuronal artificial y determinar el nivel de aceptación del modelo de predicción, para la mejor comprensión de las métricas evaluativas, se mencionan las más comunes en la siguiente tabla (Ver “Cuadro 4”). (Cortina, 2012, págs. 37-38)
Cuadro 4. Tipos de métricas para métodos de predicción.
Tipo de métrica Descripción Fórmula
Error Cuadrático Medio (MSE - Mean Square Error)
Calcula la media de la diferencia entre el valor real y el estimado, si el importe del error es pequeño será más precisa la predicción.
𝑀𝑆𝐸 = 1
𝑁∑(𝑌𝑝− 𝑌𝑜)
2 𝑁
𝑖=1
Raíz del Error Cuadrático Medio (RMSE – Root Mean Square Error)
Proporciona idea global de cálculo de la diferencia entre el valor real y el estimado.
𝑅𝑀𝑆𝐸 = [1
𝑁∑(𝑌𝑝 − 𝑌𝑜) 2 𝑁 𝑖=1 ] 1 2 ⁄
Media del Error Absoluto (MAE – Mean Absolute Error)
Mide los errores
residuales 𝑀𝐴𝐸 =
1
𝑁∑|𝑌𝑝− 𝑌𝑜|
𝑁
𝑖=1
Coeficiente de Correlación
Suministra una descripción general del modelo
𝑅 =
𝜇 (𝑌𝑜− 𝜇(𝑌𝑜) (𝑌𝑝− 𝜇(𝐶𝑝)))
𝜎𝑌𝑜𝜎𝑌𝑝
23 1.5 Introducción a Inteligencia Artificial (IA)
Desde sus inicios la “Inteligencia Artificial” ha tenido muchos avances en el ámbito de replicar el razonamiento humano. El principal objetivo de la IA ha sido el estudio de los procesos inteligentes, construyendo máquinas electrónicas capaces de realizar tareas automáticas con procesamiento de información y toma de decisiones a gran velocidad con mínimo de errores. El aprendizaje, la creatividad la forma de adaptarse a cambios, son relacionados con el comportamiento inteligente. Los métodos permiten a los investigadores encontrar alternativas nuevas para solucionar problemas cotidianos como el control de electrodomésticos, sistemas de transporte, predicciones climáticas, entre otros aspectos. Sus influencias son diversas principalmente por las matemáticas, filosofía, biología. (Ponce, 2010, págs. 1-7)
1.5.1 Técnicas de Inteligencia Artificial
Entre las técnicas de Inteligencia Artificial ampliamente utilizadas para predicción son:
• Redes Neuronales Artificiales, tratan de representar el conocimiento simulando la estructura neuronal del cerebro humano, cuyo aprendizaje es a través de patrones y obtienen la experiencia analizando automáticamente datos adquiridos en sus entrenamientos para actuar inteligentemente en diversas situaciones. (Russell & Norvig, 2004, págs. 2-3)
• Lógica Difusa, son técnicas matemáticas para el procesamiento y representación de datos que no tienen una definición concreta, sus resultados son obtenidos a través de conocimiento preliminares que carecen de sustento y que pretende encontrar soluciones a problemas reales. (Russell & Norvig, 2004, págs. 2-3)
24
El objetivo de la inteligencia artificial es la creación de máquinas que posean comportamiento inteligente, con cabidas de aprendizaje, adaptarse a entornos cambiantes y sean creativas para el desarrollo de actividades e interviene en disciplinas como la Neurociencia, las Tecnologías de información, la Física, las Matemáticas, entre otras (Romero, Dafonte, Gómez, & Penousal, 2007, págs. 10-14). Los esfuerzos de la ciencia computacional por recrear el proceder humano en artefactos electrónicos, deben poseer las siguientes capacidades (Russell & Norvig, 2004, págs. 3-6):
• Procesamiento del lenguaje natural que permita comunicarse satisfactoriamente • Representación del conocimiento para almacenar lo que se conoce y se siente. • Razonamiento automático para utilizar la información almacenada para
responder a preguntas y extraer nuevas conclusiones.
• Aprendizaje automático para adaptarse a nuevas circunstancias y para detectar explotar patrones.
• Visión computacional para percibir los objetos. • Robótica para manipular y mover objetos.
1.5.2 Presente y futuro de la Inteligencia Artificial
Los gobiernos, universidades y empresas se dedican a efectuar investigaciones sobre la inteligencia artificial para la mejora continua de sus operaciones, por lo tanto, el internet es la herramienta que proporciona información en este tema y un ejemplo de esta aplicación es utilizada por la empresa de Google que desarrollaron un buscador con el propósito de ir aprendiendo de los usuarios a partir de sus búsquedas y es capaz de mejorar en las siguientes sesiones. (Garcia, 2012, págs. 5-8)
25
vida de seres vivos, entre otros aspectos, lo seguro es que cada vez se encuentran nuevos descubrimientos con el objetivo de mejorar lo anterior. (Garcia, 2012, págs. 5-8)
1.6 Redes Neuronales Artificiales
La tecnología en constante evolución ha dado lugar al desarrollado máquinas que actúen de forma inteligente emulando las funciones humanas realizadas por los seres vivos, como un intento de imitar el funcionamiento de las neuronas del cerebro surgen las redes neuronales artificiales para modelar la inteligencia humana replicando el razonamiento de los humanos. (Caicedo & López, 2017, págs. 13-17)
1.6.1 Neurona biológica
Es la unidad del sistema nervioso, reciben estímulos o impulsos nerviosos del ambiente que las rodea a través de los sentidos y estos son trasmitidos a otras produciendo respuestas determinadas, está compuesto por alrededor de cien mil millones de neuronas. (Monar, 2014, págs. 11-14)
1.6.2 Características morfológicas de la neurona
Las características morfológicas típicas de una neurona son: un cuerpo celular llamado soma, vellosidades que transmiten los impulsos eléctricos hacia las dendritas y el órgano alargado denominado axón que los conducen a otras neuronas, como se muestra en el gráfico siguiente (Ver “Figura 8”). (Monar, 2014, págs. 11-14)
Figura 8. Estructura de una neurona biológica.
26
1.6.3 Neurona artificial
La neurona artificial es un modelo matemático propuesto por McCoulloch y Pitts en 1943 que está compuesto por una capa de entrada dada por 𝑋 = [𝑥1, 𝑥2, … 𝑥𝑛] que
equivalen a las dendritas que reciben estímulos y modificadas por un vector w de pesos sinápticos que representan los impulsos entrantes, son evaluados, combinados con el umbral 𝜃𝑗, esta función es evaluada en el proceso de activación 𝜎 (𝑥) que va hacia la
capa de salida la y, representada por la fórmula (“Ecuación 1”), se puede observar en el gráfico siguiente (Ver “Figura 9”). (Rubiolo, 2014, págs. 9-15)
𝒚𝒊 = 𝝈 (∑ 𝒘𝒊𝒋𝒙𝒋± 𝜽𝒊
𝑵
𝒋=𝟏
) Ecuación (1)
Figura 9. Estructura de neurona artificial Elaborado por: Herrera, José, 2018
1.6.4 Procesamiento matemático en la neurona artificial
El cálculo de la entrada neta de una neurona artificial se representa por la fórmula (“Ecuación 2”) y en forma vectorial se representa por la fórmula (“Ecuación 3”). (Caicedo & López, 2017, págs. 17-22)
27
𝑵𝒆𝒕𝒋= ∑ 𝒙𝒊𝒘𝒊𝒋+ 𝜽𝒋
𝑵
𝒊=𝟏 Ecuación (2)
𝑵𝒆𝒕𝒊= 𝒘𝟏𝒙𝒋𝟏+ 𝒘𝟐𝒙𝒋𝟐+ ⋯ + 𝒘𝒊𝒙𝒋𝒊+ ⋯ + 𝒘𝑵𝒙𝒋𝑵+ 𝜽𝒋 Ecuación (3)
La salida de la neurona artificial está determinada por la función de activación (Fact), tal como se aprecia en la siguiente fórmula (“Ecuación 4”).
𝒚𝒋 = 𝑭𝒂𝒄𝒕𝒋(𝑵𝒆𝒕𝒋) Ecuación (4)
Las funciones de activación usadas son: Rampa, Gaussiana y Sigmoidea, como se observa en el gráfico siguiente (Ver “Figura 10”).
Figura 10. Funciones de activación. Fuente: Banda, Hugo (2014, pág. 145)
28
Cuadro 5. Relaciones fundamentales entre las neuronas biológica y artificial.
Neurona biológica Neurona artificial
Señales que llegan de la sinapsis. Entradas de las neuronas. Carácter excitador o inhibidor la
sinapsis.
Pesos de entrada.
Estímulo total de la neurona.
𝑁𝑒𝑡𝑗 = ∑ 𝑤𝑖𝑗
𝑁𝐼
𝑖=0
(𝑡) ∗ 𝑥𝑖(𝑡)
Activación o no de la neurona. Función de activación. Respuesta de la neurona. Función de salida.
Fuente: Fernández y Flórez (2008, pág. 19)
1.6.5 Red Neuronal Artificial (RNA)
Una red neuronal artificial es el conjunto de neuronas artificiales agrupadas en capas que reciben igual información dentro de una misma arquitectura para producir un estímulo de respuesta. (Méndez, 2017, pág. 30)
Está conformada por tres niveles, como se puede apreciar en el gráfico (Ver “Figura 11”).
29
• Capa de entrada: conjunto de neuronas que recibe la información de fuentes externas.
• Capa oculta: conjunto de neuronas internas y no tienen contacto hacia el exterior, puede existir un sinnúmero de capas ocultas dentro de una red neuronal artificial.
• Capa de salida: conjunto de neuronas que envían la información procesada hacia el exterior.
1.6.6 Funcionamiento de una red neuronal artificial
Para la aplicación de una red neuronal artificial a un determinado problema se describen los siguientes pasos (Sinaluisa, 2017, págs. 24-25):
• Conceptualización del modelo, donde se señalan las entradas y salidas de la información
• Adecuación de la información, se ordena y construye patrones de aprendizaje para su posterior validación.
• Fase de aprendizaje, una vez adecuada la información se la agrega a las entradas de la red neuronal y no proporciona resultados, este proceso que se repite en varias etapas y las salidas son comparadas con la respuesta deseada.
• Fase de validación, cumplida la etapa de aprendizaje se le presenta patrones de información para validar y calcular el error cometido por la red, representando la satisfacción de la red.
30
1.7 Clasificación de las Redes Neuronales Artificiales
Se clasifican en dos grupos, por su topología o estructura y por su algoritmo de aprendizaje, a continuación, se describen las principales:
1.7.1 Según su topología o estructura de red
Se distinguen las características por el número de capas, estas pueden ser visibles u ocultas, de entrada, o de salida y la dirección de sus conexiones de las neuronas artificiales, existen dos tipos que son: monocapa y multicapa. (Caicedo & López, 2017, págs. 25-27)
1.7.1.1 Redes neuronales monocapa
La estructura de una red neuronal monocapa consta de dos capas, una de entrada que por no realizar ningún tipo de proceso de datos no se la considera una capa y es usada para el ingreso de la información y la consecutiva se la denomina de salida, ya que realiza la carga de procesamiento, tal y como se puede observar en el siguiente gráfico (Ver “Figura 12”). (Caicedo & López, 2017, págs. 25-27)
Figura 12. Esquema de red neuronal monocapa
31
1.7.1.2 Redes neuronales multicapa
Las redes neuronales multicapa su estructura es similar a la red monocapa, con la principal diferencia que poseen una o varias capas intermedias llamadas ocultas, la capa de entrada está totalmente conectada con la de salida, como se puede observar en el gráfico siguiente (Ver “Figura 13”). (Caicedo & López, 2017, págs. 25-27)
Figura 13. Esquema de red neuronal multicapa.
Fuente: Elaboración propia a partir de Caicedo & López (2017, pág. 26)
1.7.2 Según el tipo de conexiones
Las topologías de estas redes están definidas por el sentido como fluye la información dentro de la red neuronal, existiendo dos tipos: no recurrentes o feedforward y recurrentes o feedback. (Sinaluisa, 2017, pág. 26)
1.7.2.1 No recurrente o feedforward
32
1.7.2.2 Recurrente o feedback
La red está caracterizada por crear lazos que envían información a las neuronas de igual capa o entre una misma neurona, es decir puede volver alimentarse de los datos de capas anteriores a través de conexiones sinápticas. (Caicedo & López, 2017, págs. 25-27)
1.7.3 Con respecto al aprendizaje
La habilidad de una red neuronal para modificar sus pesos 𝑤 = (𝑤1, 𝑤2, … , 𝑤𝑛) con sus señales de entrada 𝑥 = (𝑥1, 𝑥, … , 𝑥𝑛) recibe el nombre de aprendizaje. Las redes
neuronales artificiales realizan cálculos a partir de un grupo de patrones de entrenamiento permite que la red modifique su estructura con el propósito de alcanzar la respuesta deseada (Sinaluisa, 2017).
Tomando en cuenta lo anteriormente mencionado se plantea una expresión general para el proceso de aprendizaje en las redes neuronales artificiales, como se observa en la siguiente fórmula (“Ecuación 5”). (Caicedo & López, 2017, págs. 28-32)
𝒘(𝒕 + 𝟏) = 𝒘(𝒕) + ∆𝒘(𝒕) Ecuación (5)
Dónde,
𝑤(𝑡 + 1) : Valor actualizado del peso sináptico.
𝑤(𝑡) : Valor actual del peso sináptico.
∆𝑤(𝑡) : Variación del peso sináptico.
De acuerdo a Martínez (2001) citado por Sinaluisa (2017), se distinguen los siguientes tipos de aprendizaje: supervisado, no supervisado, híbrido y reforzado.
1.7.3.1 Aprendizaje supervisado
33
el siguiente gráfico (Ver “Figura 14”). (Martín del Brío & Serrano, 2018, págs. 103-125)
Figura 14. Esquema del aprendizaje supervisado.
Fuente: Elaboración propia a partir de Caicedo & López (2017, pág. 29)
Los datos de entrada son entregados a la red y al supervisor su deber es obtener el error a partir de la diferencia entre la salida y la respuesta esperada producida por la red aplicando la siguiente formula (“Ecuación 6”). (Caicedo & López, 2017, págs. 28-31)
𝒆𝒓𝒓𝒐𝒓 = 𝒅 − 𝒚 Ecuación (6)
Dónde:
𝑦 : Salida de la red neuronal artificial. 𝑑 : Salida deseada.
En los procesos de aprendizaje se usan patrones de ejercicio conformado por el vector de entrada 𝑋 = {𝑥1, 𝑥2, … , 𝑥𝑝, … , 𝑥𝑃} y con su correspondiente vector de salida 𝐷 =
{𝑑1, 𝑑2, … , 𝑑𝑝, … , 𝑑𝑃}, donde el patrón de entrenamiento esta dado por la pareja
ordenada de vectores {𝑥𝑝, 𝑑𝑝}, definida por los elementos de entrada del patrón de
34 𝑬𝒑 =
𝟏
𝟐𝑷∑ ∑(𝒅𝒑𝒋− 𝒚𝒑𝒋)
𝟐 𝑴
𝒋=𝟏 𝑷
𝒑=𝟏
Ecuación (7)
Dónde:
M : Número de neuronas en la capa de salida. P : Números de patrones de entrenamiento.
1.7.3.2 Aprendizaje no supervisado
La red neuronal en este caso no es controlada por un agente externo, ya que no se ajusta la respuesta de salida, el aprendizaje es definido inicialmente para reconocer irregularidades en el conjunto de información recibida, estableciendo categorías con el propósito de obtener respuestas deseadas el esquema lo presentamos en el siguiente gráfico (Ver “Figura 15”). (Martín del Brío & Serrano, 2018, págs. 103-125)
Figura 15. Esquema del aprendizaje no supervisado.
Fuente: Elaboración propia a partir de Caicedo & López (2017, pág. 31)
1.7.3.3 Aprendizaje reforzado
35
tardará más tiempo en aprender, el esquema del aprendizaje se observa en el siguiente gráfico (Ver “Figura 16”). (Acevedo, Serna, & Serna, 2017, págs. 348-353)
Figura 16. Esquema del aprendizaje por refuerzo.
Fuente: Elaboración propia a partir de Acevedo, Serna, & Serna (2017, págs. 348-353)
1.8 Modelos de Redes Neuronales Artificiales
Existen varios modelos que se han creado a partir de las primeras redes neuronales artificiales, obedeciendo al tipo de aprendizaje (supervisado, no supervisado y reforzado) y a las topologías son: realimentadas y hacia adelante, los más importantes son las redes “hacia adelante y de aprendizaje supervisado”, a ella pertenecen el modelo de perceptrón unicapa, multicapa y la Adaline.
1.8.1 Perceptrón simple
