Doctorado en Ingeniería
URI permanente para esta colección
Examinar
Envíos recientes
Ítem Modelo de cadena de suministro inteligente para la mejora de la gestión logística del Servicio Educacional Hogar y Salud del Norte, Lima, 2020(Universidad Peruana Unión, 2025-08-15) Ovalle Paulino, Denis Christian; Visurraga Agüero, Joel MartinLa cadena de suministro ha experimentado una transición significativa, orientándose hacia esquemas más sofisticados y optimizados gracias a la incorporación de tecnologías emergentes. Este cambio está dejando atrás los modelos convencionales para dar paso a estructuras inteligentes que maximizan la eficiencia. En este contexto, la inteligencia artificial desempeña un papel clave, ya que permite procesar y examinar grandes volúmenes de información con rapidez y precisión y obtener predicciones significativas para tomar decisiones en la gestión logística. Este estudio propone un diseño de cadena de suministro inteligente siguiendo la metodología ensemble stacking para desarrollo tecnológico, a su vez, se utilizaron los algoritmos de machine learning como Gradient Boosting, CatBoost, Random Forest, Decision Tree, K-Nearest Neighbors, XGBoost y el Meta-modelo: Regresión Lineal. Luego de la optimización y aplicación de las métricas como MSE, 𝑅2, MAE, RMSE se obtuvo que los metamodelos sobresalieron con resultados notables alcanzando precisiones superiores al 90%. Asimismo, la presente la cadena de suministro inteligente mejora en un 53% la gestión logística del Servicio Educacional Hogar y Salud del Norte, Lima, 2020. Se concluye que esta propuesta no solo optimiza el rendimiento del modelo, sino que también asegura una mejor adaptación a las necesidades y objetivos particulares para la gestión logística.Ítem Modelo de Acuicultura 4.0 bajo la integración de modelos Inteligencia Artificial, IoT, Robótica y Diseño adaptativo para optimizar la producción en Piscigranjas(Universidad Peruana Unión, 2025-06-16) Rodríguez Lévano, Danny; López Gonzales, Javier LinkolkEl propósito de esta investigación fue desarrollar un modelo de acuicultura de presición, que combine tecnologías de la Industria 4.0, como Internet de las cosas, Robótica, modelos de Inteligencia Artificial y diseño adaptativo, con el fin de optimizar procesos críticos en la producción acuícola continental. Este enfoque responde a la necesidad de tecnificar las piscigranjas mediante soluciones accesibles, eficientes y escalables, capaces de mejorar el monitoreo ambiental, la identificación de mortalidad y la toma de decisiones basada en datos. Para ello, se desarrollaron tres estudios complementarios. El primero describe la implementación de una boya multiparamétrica autónoma equipada con sensores de pH, oxígeno disuelto, temperatura y conductividad, integrados a un sistema IoT con comunicación LoRaWAN. Esta solución permite recolectar datos ambientales en tiempo real, mejorando el control de la calidad del agua. El segundo estudio consistió en una revisión sistemática de literatura entre 2020 y 2024, donde se identificaron los principales procesos donde se aplica IA en acuicultura (alimentación, monitoreo, clasificación y predicción de biomasa), así como los modelos más precisos, entre ellos CNN, Random Forest y YOLO. Finalmente, se entrenó un modelo YOLOv11 para la detección automática de peces muertos, alcanzando un desempeño sobresaliente (mAP@0.5 = 99,1%; AUC > 97%). Los resultados validan el potencial de un enfoque híbrido y adaptativo basado en inteligencia artificial para transformar la acuicultura tradicional, mejorar la eficiencia operativa y avanzar hacia una producción sostenible, resiliente y digitalmente gestionada.