Título
Modelación y predicción de excedencias de partículas PM10 utilizando redes recurrentes.
Autor
JULIO ALBERTO RAMIREZ MONTAÑEZ
Nivel de Acceso
Acceso Abierto
Resumen o descripción
La presente tesis muestra la implementación de dos redes neuronales profundas (LSTM) una para la modelación de las partículas aéreas contaminantes llamadas PM10, mientras que la segunda red es utilizada para detectar las condiciones que anteceden a una excedencia. Dado que los datos utilizados son registros de la ciudad de México, se tomo de referencia la norma mexicana respectiva. Lo anterior debido a que el monitoreo de la calidad del aire es un tema de interés actual, las partículas PM10 son contaminantes aéreos constituidas de diferentes componentes.
Los resultados obtenidos demuestran que es posible anticipar una excedencia de partículas PM10 con 24, 48 o 72 horas previas a que ocurra. De igual manera se implementó distintos algoritmos para validar los resultados obtenidos, enfocándose en el preprocesamiento de los datos iniciales y en la modelación y predicción de las excedencias.
Fecha de publicación
25 de mayo de 2020
Tipo de publicación
Tesis de maestría
Recurso de información
http://ri-ng.uaq.mx/handle/123456789/2181
Contaminación aérea
Red Neuronal Recurrente LSTM
Redes neuronales profundas
PM10
Formato
Adobe PDF
application/pdf
Idioma
Español
Repositorio Orígen
MEJORA Y ADECUACIÓN DEL REPOSITORIO INSTITUCIONAL DE LA UNIVERSIDAD AUTÓNOMA DE QUERÉTARO
Descargas
328