Diseño e implementación de torres atrapanieblas (3d) y ecosistema informático de monitoreo con internet de las cosas y aprendizaje automático
En Ecuador existen zonas rurales de difícil acceso que no cuentan con los servicios básicos como agua potable. Motivo por el cual el principal objetivo de este estudio fue generar una nueva fuente de obtención del recurso hídrico mediante el diseño e implementación de un sistema de captación de nieb...
שמור ב:
| מחבר ראשי: | |
|---|---|
| מחברים אחרים: | |
| פורמט: | bachelorThesis |
| שפה: | spa |
| יצא לאור: |
2020
|
| נושאים: | |
| גישה מקוונת: | http://www.dspace.uce.edu.ec/handle/25000/21785 |
| תגים: |
הוספת תג
אין תגיות, היה/י הראשונ/ה לתייג את הרשומה!
|
| סיכום: | En Ecuador existen zonas rurales de difícil acceso que no cuentan con los servicios básicos como agua potable. Motivo por el cual el principal objetivo de este estudio fue generar una nueva fuente de obtención del recurso hídrico mediante el diseño e implementación de un sistema de captación de niebla. Para conocer la eficiencia y la cantidad del agua recolectada se incorporó un ecosistema informático para recopilar datos meteorológicos, determinar el comportamiento de las variables y generar modelos para clasificación y predicción de la influencia de las variables climáticas. Se determinó la ubicación óptima mediante la aplicación de análisis multicriterio ponderado considerando las variables que inciden en la recolección de agua de niebla. Además, se diseñaron tres modelos de torres atrapanieblas variando la geometría. El procesamiento de la información y manejo de series temporales determinó el comportamiento de las variables y se aplicó herramientas con aprendizaje automático para determinar modelos que permitan predecir el comportamiento de las variables ambientales. La cima del Ilaló y las laderas fueron los lugares óptimos para implementar las torres, los atrapanieblas de modelo circular y rectangular lograron captar un volumen de agua de hasta 0.85 y 4.57 L /2/día respectivamente. Además, se generó un modelo de aprendizaje automático con un 74% de explicación del comportamiento climático con variables como la temporalidad mensual (32%) humedad (21%) la presión atmosférica (19%) la temperatura con (16%) y la visibilidad (13%) |
|---|