Avance Tecnológico 2014

 

Embed or link this publication

Description

Julio - Diciembre 2014

Popular Pages


p. 1

Año 7 Número 14 Julio-Diciembre 2014

[close]

p. 2

DIRECTORIO Lic. Jorge Benito Cruz Bermúdez Secretario de Educación Pública Lic. Ma. del Carmen Salvatori Bronca Subsecretaria de Educación Pública Ing. Jair N. Fierro Bretón Encargado de Dirección General Ing Marco A. Palomino Sánchez Dirección Académica C.P. Fabián Rodríguez Cantero Dirección de Planeación y Vinculación MSC. Mariana Lobato Báez Presidente de Consejo MSC. Elmar Montiel Jiménez Dr. Javier Nava González MI. Guillermo Córdova Morales Mtro. Alejandro Gutierrez González Consejeros de Contenido Lic. Iván Guerrero Flores Editor y Diseño de Publicación www.itslibres.edu.mx subinvestigacion@itslibres.edu.mx direccion@itslibres.edu.mx 01 276 473 08 28 / 473 08 67 01800 701 57 06 Edición Semestral Julio-Diciembre 2014 Año 7 No. 14 Libres, Puebla. Camino Real s/n, Barrio de Tetela. Libres Puebla C.P. 73780 Los artículos firmados expresan la opinión de sus autores, y no representan forzosamente el punto de vista del Instituto Tecnológico Superior de Libres.

[close]

p. 3

Año 7 Número 14 Julio-Diciembre 2014 ÍNDICE 1 8 18 22 25 30 36 Modelo de análisis, para pronosticar el índice de deserción-reprobación en el ITS Libres, para la generación de estrategias de prevención utilizando regresión lineal. M. Lobato Báez, L. A. Morales Rosales, J. Lobato Báez, R. González Cruz, C.A. Hernandez Mora Eficientamiento energético de un horno de arco eléctrico. A. Sánchez Sánchez, J. C. Hernández Hernández, P. M. Quintero Flores, H. P. Martínez Hernández, R. Ordoñez Flores Mapa dinámico para los atractivos turísticos de Puebla. R. Montiel Lira, R. M. Rosas Vázquez Detección de necesidades empresariales en el municipio de Teziutlán, Puebla. J. Rivera Flores Videojuego para dispositivos móviles para concientizar sobre la inseguridad en México. Roberto Ángel Meléndez Armenta, Francisco Javier Ortega Villegas, Arely Guadalupe Sánchez Méndez Valoración del cálculo mental mediante rúbrica cuantificada con Xfuzzy, en escuela primaria multigrado de Teziutlán, Puebla. M. Montiel Martínez, C. González Trujillo Diseño y simulación de los sistemas de fundición, instrumentación electrónica y diseño mecánico, para un prototipo de máquina Fundidora de PET. M.I. Guillermo Córdova Morales, M.S.C. Elmar Montiel Jiménez, Andrés Espinoza Hernández

[close]

p. 4

EDITORIAL En esta edición de la Revista Avance Tecnológico se presenta la aplicación de diversas tecnologías para solucionar problemas actuales que presentan tanto la comunidad estudiantil, como la sociedad y las empresas de nuestra región. En el aspecto educativo se abordan dos temáticas interesantes. La primera se centra en cómo predecir la deserción y reprobación de alumnos dentro del ITS Libres. La segunda presenta la forma en que se puede elaborar una rúbrica cuantificada para la valoración del cálculo mental en niños de primaria. Para nuestra región, existen necesidades de formación de futuros ingenieros industriales con un mayor campo de acción, por lo que se presenta un estudio de las necesidades empresariales para el municipio de Teziutlán. Dado el creciente índice de inseguridad se presenta el diseño de un videojuego para dispositivos móviles, con el fin de concientizar en los estudiantes de los peligros a los que se enfrenta al desenvolverse en la sociedad actual. Con relación al cuidado del medio ambiente se exponen dos trabajos. Uno enfocado a la optimización del consumo energético de un arco eléctrico para determinar las condiciones en que se aproveche mejor su calor. El segundo presenta el prototipo de una máquina de elaboración de PET para disminuir el impacto ecológico de los desechos. Para el turismo del estado de Puebla se presenta una aplicación que permite localizar en un mapa dinámico los puntos de mayor interés turístico para nuestro estado. El desarrollar investigación en nuestro país requiere el compromiso de toda la sociedad y el particular esfuerzo de estudiantes, profesionistas e investigadores. El Instituto Tecnológico Superior de Libres en conjunto con la Academia de Investigación al asumir su papel ante la sociedad, exhorta a los lectores a continuar con las labores de investigación y desea que el contenido de este número sea de su interés transcendiendo a la comunidad científica de México, fomentando el desarrollo de nuestro país.

[close]

p. 5

Modelo de análisis, para pronosticar el índice de deserción-reprobación en el ITS Libres, para la generación de estrategias de prevención utilizando regresión lineal. M. Lobato Báez, L. A. Morales Rosales, J. Lobato Báez, R. González Cruz, C.A. Hernandez Mora Resumen: La carrera de Ingeniería en Sistemas Computacionales, del Instituto Tecnológico Superior de Libres, tiene una población de 144 estudiantes y una plantilla de 22 profesores. Esta institución, al igual que otras instituciones, no está exenta del alto índice de “deserción-reprobación”, se estima en un 55 %. El 20 % aproximadamente de la carga curricular del programa de ingeniería en el ITS Libres está involucrada con el área de matemáticas, la dificultad de estas materias hacen que el proceso de enseñanza aprendizaje sea más complejo. El programa de Ingeniería en Sistemas Computacionales en particular está muy correlacionado con esta área lo que se refleja en un alto índice de deserción-reprobación debido a las dificultades para los estudiantes. El propósito de este trabajo es caracterizar el comportamiento del índice de deserción reprobación por generación de los alumnos de la carrera de Ing. Sistemas Computacionales del ITS Libres. La importancia del proyecto radica en conocer si una generación tiende a ser parte del índice de deserción- reprobación y determinar las posibles estrategias que permitan disminuir su impacto y por consiguiente establecer acciones para que los alumnos concluyan sus estudios utilizando como herramienta el método de regresión lineal para la generación de estrategias de prevención. Palabras Clave: Regresión lineal, teorema de bayes, estrategias, deserción-reprobación. 1

[close]

p. 6

Año 7 Número 14 Julio-Diciembre 2014 Introducción. El principio fundamental de la educación es la transmisión del conocimiento y la aplicación del aprendizaje. Esta labor es el motor principal de las escuelas en cualquier nivel. En particular, para las escuelas de nivel superior en México dos de los aspectos más preocupantes son la reprobación y la deserción. La Asociación Nacional de Universidades e Institutos de Educación Superior (ANUIES), señala que sólo uno de tres mexicanos concluye la educación básica y únicamente el 20% de los jóvenes en edad de cursar la educación superior lo logran, y de éstos el 50% desertan. El disminuir el índice de reprobación no es una tarea sencilla, detrás de los procesos educacionales está compleja una problemática en donde están involucrados profesores y estudiantes. Al realizar un estudio dentro del ITS Libres que determine las principales causas de deserción a nivel superior, uno de los retos importantes se centrará en la selección de las variables que caractericen el índice de deserción-reprobación por generación, contemplando condiciones sociales, ambientales y el desenvolvimiento de los estudiantes dentro de las aulas de clases. En este trabajo se presenta el desarrollo de un modelo de análisis, para la estimación de los principales parámetros de deserción-reprobación en el ITS Libres, utilizando el método de regresión lineal para la generación de estrategias de prevención. Estado del Arte El Programa Sectorial de Educación 2007-2012 (SEP, 2007) ha planteado como primer objetivo abatir la deserción escolar en educación básica y media superior, elevando la calidad de la educación enfocándola principalmente hacia los alumnos que se encuentran en riesgo de deserción. El origen de esta última es multifactorial y puede variar entre los niveles educativos. Mientras que en primaria la deserción puede deberse a motivos familiares (falta de acompañamiento de los padres, migración interestatal, cambio en los tipos de servicio, etcétera), en la educación secundaria y en el nivel medio superior, el abandono podría estar motivado por condiciones sociales, como la inserción a la vida laboral o la falta de interés en los estudios (Enjuve, 2005). Situación que se agrava en media superior. Fitzpatrick y Yoels (1992) analizan a la deserción, enfocada principalmente, en el sentido de que los estudiantes dejan la escuela sin graduarse, independientemente si regresan o reciben un certificado equivalente. De acuerdo con el documento publicado por la CEPAL (2002), el problema de la deserción escolar es un problema de carácter internacional, Panorama Social de América Latina 2001-2002, “En promedio, cerca del 37% (15 millones) de los adolescentes latinoamericanos de entre 15 y 19 años de edad abandonan la escuela a lo largo del ciclo escolar, y la mitad de los que desertan lo hacen tempranamente, antes de completar la educación primaria”. Pero lo más preocupante es que de acuerdo a este informe, en algunos países la deserción se da una vez que se terminan el ciclo primario, y normalmente durante el transcurso del primer año de la enseñanza media. En países que logran niveles educativos relativamente altos, su tasa de deserción fluctúa entre 16% y 25%, mientras que en otros oscila en promedio en 32%, y finalmente, un pequeño grupo de países tiene una tasa de deserción entre el 40% y 50%. En ciertos países, incluyendo México. Tinto (1993), es uno de los autores que ha buscado un enfoque integral de la deserción, en donde sugiere que los estudiantes llegan a la Universidad con atributos individuales y familiares pero también con antecedentes escolares. Los estudiantes ingresan con cierto compromiso tanto para permanecer en la universidad como para terminar sus estudios, pero también que ingresan a un sistema académico caracterizado por el grado de desarrollo intelectual que permite una integración académica. Esta teoría ayuda a un gran número de trabajos de investigación 2

[close]

p. 7

Año 7 Número 14 Julio-Diciembre 2014 y estudios empíricos. La teoría de Vincent Tinto ha tenido una gran influencia en el entendimiento de la deserción universitaria, aunque existen otros autores como Bean (1990), Allen (2000) o en México, Romo (2001), que se han preocupado por encontrar las variables que afectan la deserción. En este trabajo se parte del análisis de los diferentes teóricos para generar un cuestionario confiable, válido, que tenga posibilidad de predicción y que además permita conocer las variables que afectan la deserción en los Institutos Tecnológicos. A partir de los resultados obtenidos de la validación del instrumento probado en dos diferentes contextos se concluye que los Institutos Tecnológicos del país pueden tener una base para detectar las causas de deserción. Este instrumento será una herramienta más para apoyar a los directivos a la gestión institucional con bases científicas. Reyes (2007) utilizo la técnica de regresión lineal múltiple para determinar el modelo de comportamiento de las causas de reprobación tal como lo ve el alumno. Se tomó como variable de respuesta el tiempo dedicado al estudio y los demás factores como predictores. Posteriormente fue aplicada una regresión lineal simple para visualizar factor por factor, dado que la regresión lineal múltiple oculta los valores significativos del estudio. Los datos se analizaron en el software Minitab con un nivel de confianza del 95%. Reyes y Escobar (2007) utilizaron un método de regresión logística para predecir el éxito en el primer semestre si se toma un criterio no tan exigente para considerar el “éxito” (criterio 1), de esta forma la prueba de validación del método no rechaza la hipótesis de igualdad de la probabilidad de éxito estimada con la verdadera probabilidad de éxito con un nivel de significación no mayor a 0,05, sin embargo con los otros dos criterios esta hipótesis es rechazada. Análogamente se concluye si consideramos el método de análisis discriminante. Flores y Camacho (2005) llevaron a cabo un estudio descriptivo cualitativo en el campo de la educación médica de pregrado, el cual culminó con la caracterización de la deserción escolar en el primer año del nuevo programa de formación de médicos en los cursos escolares 2007-2008 y 2008-2009 en el municipio Nuevitas. El estudio se centró en los 18 estudiantes que abandonaron los estudios en este período de tiempo. Para la realización del mismo se emplearon métodos empíricos, estadísticos y teóricos. López y Marín (2012) utilizan la técnica de minería de datos y se compone de los pasos típicos de un proceso de extracción de conocimiento. Recopilación de datos. En esta etapa se recoge toda la información disponible de los estudiantes. Para ello primero se debe seleccionar el conjunto de factores que pueden afectar y después se deben recoger a partir de las diferentes fuentes de datos disponibles. Finalmente toda esta información se debe integrar en un único conjunto de datos. - Pre-procesado. En esta etapa se preparan los datos para poder aplicar, posteriormente, las técnicas de minería de datos. Para ello, primero se realizan tareas típicas de preprocesado como: limpieza de datos, transformación de variables y particionado de datos. Además se han aplicado otras técnicas como la selección de atributos y el re-balanceado de datos para intentar solucionar los problemas de la alta dimensionalidad y desbalanceo que presentan normalmente este tipo de conjuntos de datos. - Minería de datos. Pintrich, Smith, García y Mackeachie (1991) desarrollaron un cuestionario: el Motivated Strategies Learning Questionnaire (MSLQ), con el que se ha pretendido medir una amplia gama de factores motivacionales y de estrategias de aprendizaje. Gran parte de los trabajos empíricos realizados por Pintrich y sus colaboradores incluyen estudios correlaciónales en los que se analizan las relaciones entre los componentes del modelo y de cada uno de ellos con el rendimiento. 3

[close]

p. 8

Año 7 Número 14 Julio-Diciembre 2014 Metodología Para el desarrollo del Modelo de Análisis con el fin de Pronosticar el Índice de Deserción - Reprobación en el ITS Libres para la Generación de Estrategias de Prevención se utilizó una muestra de 65 alumnos. A estos alumnos se les aplicó una encuesta de 23 preguntas. Entre las cuales se agruparon aspectos referentes a su Contexto Familiar, Antecedentes y Contexto Educativo, Contexto Económico, y el Contexto Social en el que se desenvuelven. Estas categorías ofrecen una perspectiva del entorno en el que el alumno desempeña sus labores posteriores a las clases recibidas dentro del tecnológico. Ejemplo de estas preguntas podemos mencionar: ¿Cuánto tiempo le dedican a la realización de sus tareas?, ¿Cuál es el estado de salud que presentan?, entre otras. La encuesta realizada refleja el entorno y el punto de vista del alumno acerca de lo que puede influir como parte de las condiciones sociales, ambientales, y familiares. Esta encuesta trata de agrupar los rasgos que pueden influir o relacionarse para que el estudiante se preocupe por otras cuestiones, como lo puede ser el entorno familiar o económico, en lugar de dedicar tiempo al desarrollo de tareas, proyectos o investigaciones fuera de las clases que le imparten. La importancia de esta encuesta es que en ocasiones no se tienen los datos concentrados o en su defecto, se tienen controlados y no son accesibles para su análisis. En este caso, se solicitó el consentimiento para el uso de su información y con ello poder llevar a cabo el análisis de los datos. A los alumnos se les explico la importancia de predecir y disminuir el índice de reprobación al usar estrategias que los ayuden a mejorar en su aprendizaje. En esta encuesta es importante recalcar que existen diferentes rasgos, perfiles y entornos familiares, ya que los alumnos provienen de distintas comunidades, y cuentan con antecedentes diversos. La encuesta por lo tanto, permite establecer un escenario en común o características que todos presentan para utilizarlos como puntos de referencia. Esta es una de las principales aportaciones que refleja la encuesta. En particular, estos aspectos permitieron identificar las relaciones entre el tiempo de dedicación del estudiante con la estabilidad familiar, el ingreso económico y el tipo de materia que reprueban. Tratando de puntualizar las causas de reprobación desde el punto de vista del alumno, se realizó un análisis con el método de regresión lineal múltiple para determinar el modelo de comportamiento de las causas de reprobación. Se tomó como variable de respuesta el tiempo dedicado a la realización de tareas y los demás factores como predictores. A continuación se muestran los datos obtenidos durante las encuestas. Empezamos el análisis considerando cuatro variables principales: Tiempo de realización de tareas. Si los padres viven juntos. Ingreso mensual. Área que se dificulta. Se mostraron los datos obtenidos por los estudiantes. Obteniendo un rango de 1 a 6 horas de tiempo de dedicado a la realización de tareas por parte de los estudiantes. El rango de ingresos mensuales oscila entre los $3000 y los $10,000. Por otra parte, para agrupar las materias que los estudiantes de la carrera ingeniería en sistemas computacionales se les dificulta se dividieron en tres áreas: matemáticas, programación y otras materias. Los datos obtenidos durante el análisis de regresión múltiple. Nos llevaron a corroborar que la premisa que se tenía de que el tiempo destinado a la realización de tareas afecta al índice de reprobación para los estudiantes cuyos padres están separados y cuyo ingreso mensual es bajo, especialmente para el área de matemáticas y programación. Los coeficientes de la función de regresión: Y= 0.2223867X1 -0.00012149 – 0.06450392 x2 Dónde: Y= Tiempo de realización de tareas. X1 = Si los padres viven juntos. X2 = Ingreso mensual. X3= Área que se dificulta. Además, este análisis nos da pauta para conocer que este tipo de materias necesitan una gran capacidad de abstracción y de dedicación por parte del estudiante influye en el tiempo de realización de tareas que se debe emplear. Posteriormente se muestra los datos residuales obtenidos de la regresión múltiple. Estos datos en general muestran que los datos obtenidos y puntos de influencia entre las respuestas generadas por los alumnos. Existen punto donde convergen sus respuestas, por ejemplo, el ingreso mensual y los tipos de materias que se les dificultan. La figura 1 indica que la variable donde se considera si los padres viven juntos se asignó un valor de 1 y 2 en caso contrario. Observamos que existe una mayor influencia de que los alumnos tienen a sus padres viviendo juntos. Esto indica que es un factor de influencia para que se considere como parte de la relación entre el tiempo dedicado a la realización de tareas. 4

[close]

p. 9

Año 7 Número 14 Julio-Diciembre 2014 Figura 1. Gráfica de los residuales variable que considera si los padres viven juntos Figura 3. Gráfica de las áreas de dificultad para el alumno La figura 2 muestra la gráfica donde se considera el ingreso mensual familiar. En este caso existen muy pocas familias con ingresos económicos entre los $7000 y los $10,000. Esto muestra que existen carencias económicas fuertes lo cual puede traducirse en un aumento de problemas en el entorno familiar. Los alumnos tienen ingresos familiares entre los $3000 o $5000 que son los datos con mayor influencia para esta variable. La figura 4 muestra la curva de regresión de ajuste para la relación tiempo de dedicación de tareas con la variable si los padres del alumno viven juntos. La curva nos indica que la regresión es adecuada ya que predice si los padres viven juntos acorde a los tiempos dedicados por los estudiantes. Figura 2. Gráfica de los residuales variables ingresos mensuales familiares La figura 5 muestra la curva de regresión de ajuste para la relación tiempo de dedicación de tareas con la variable de ingresos mensuales familiares. La curva nos indica que la regresión es adecuada ya que predice adecuadamente el ingreso familiar. La figura 3 presenta el análisis residual de la variable que mide el área de dificultad para los estudiantes. En este caso para el análisis se asignó 1 para el área de matemáticas, 2 para el área de programación y 3 para cualquier otra área. Como se observa en la gráfica las áreas que mayor dificultad e influencia presentan son matemáticas y programación. Ambas áreas requieren un gran nivel de abstracción y por lo tanto de mucho tiempo de dedicación para la realización de tareas. Esto consideramos que representa una gran influencia para el alumno al momento de establecer horarios y normas para la realización de sus tareas. Figura 5. Curva de regresión para las variables tiempo de dedicación y si los padres viven juntos 5

[close]

p. 10

Año 7 Número 14 Julio-Diciembre 2014 La figura 6 muestra la curva de regresión de ajuste para la relación tiempo de dedicación de tareas con la variable que define el área que al alumno se le complica aprender. La curva nos indica que la regresión es adecuada ya que predice el área de dificultad de los alumnos acorde a los tiempos dedicados por los estudiantes. Conclusiones De acuerdo con la ecuación de la regresión lineal obtenida, el factor que mayor influencia tiene es si los padres siguen viviendo juntos. Tanto el ingreso mensual como la materia que se les dificulta a los estudiantes obtuvieron un valor negativo implica que su afectación es menor al momento de llevar a cabo la regresión lineal. Por otra parte, tanto si los padres viven juntos como el ingreso mensual de $3000 son factores que se consideran como influyentes. Esto debido a que se observa en el análisis de los residuos. Figura 6. Curva de regresión para las variables tiempo de dedicación y si los padres viven juntos La figura 7 muestra que los datos siguen una probabilidad normal. Esto nos ayuda a confirmar que los datos obtenidos se ajustan a la regresión múltiple y no se encuentran datos fuera de lugar al momento de la predicción. Figura 7. Gráfico de probabilidad normal 6

[close]

p. 11

Año 7 Número 14 Julio-Diciembre 2014 de documentos ERIC ED 338122). Referencias Fitzpatrick, K y W. Yoels (1992). The Impact of Policy, School Structure, and Sociodemographic Composition on Statewide High School Dropout Rates. Journal of Sociology of Education 65: 76Tinto, Vincent (1989) Una reconsideración de las teorías de la deserción estudiantil. En trayectoria escolar en la educación superior. ANUIES- SEP. México Allen D. (2000, julio-septiembre). “El deseo de terminar el College. Una Relación Empírica entre la Motivación y la Perseverancia” Publicado originalmente como “The desire to finísh collage. An empirical link between motivation and persistence” en Higher Education, Vol. 40 No. 4. Traducción al español de Carlos M. allende en la “Revista de la Educación Superior, Nùmero 115. México, ANUIES. ANUIES, Anuario Estadístico 2005-2009, consultado www.anuies.mx/servicios/e_educacion. Consultado el 2 de agosto de 2011. Bean J. (1990). Why Students leave: Insights from Research. In Hosser D., Bean J.P. and Associates (editors). “The Strategic management of college enrollments” San Francisco, Jossey Bass Monsiváis C. (2005). Tú, joven, finge que crees en mis ofrecimiento y yo, Estado, fingiré que algo te ofrezco. Nueva Sociedad 200, Nov-Dic.: 127-140 Alonso, J. (2005). “Motivaciones, expectativas y valores-intereses relacionados con el aprendizaje: el cuestionario MEVA” [versión electrónica], Psicothema , 17 (3), 404- 411. Recuperado el 3 de abril de 2005, de http://www.psicothema.com/ psicothema.asp?id=3120 De la Peza, R. y García, E. (2005). “Relación entre variables cognitivo emocionales y rendimiento académico: un estudio con universitarios” Iberpsicología. Pintrich, P. (2003). “A motivational science perspectiva on the role of student motivation in learning and teaching and teaching contexts” [versión electrónica]”, Journal of Educational Psychology , 95 (4), 667-686. Pintrich, P. Smith, A.; García, T. y Mckeachie, J. (1991). A manual for the use of the Motivated Strategies for Learning Questionaire (MSLQ). Ann-Arbor: National Center for Research to Improve Postsecondary Teaching and Learning. (núm. de servicios de reproducción Ramírez, P. (2004). Motivación y rendimiento académico en cuatro carreras del área biológica de la U. de Antofagasta, cohortes 2004. Seminario de título. Facultad de Educación y Ciencias Humanas, U. de Antofagasta, Antofagasta, Chile. Reyes J. Escobar F. (2007) Una Aplicación del Modelo de Regresión Logística en la predicción del Rendimiento Estudiantil Universidad de Antofagasta, Departamento de Matemáticas, Avenida Angamos 601, Antofagasta, Chile. Estudios Pedagógicos XXXIII, N° 2: 101-120 Reyes Rueda, M.L., Fierro Murga, L.E., García Lujan, B.L. y Aranda Gómez, C.P. (2013). Deserción, rezago y eficiencia terminal en las carreras de Ingeniería Industrial y Química en el Instituto Tecnológico de Chihuahua. Investigación Multidisciplinaria. Órgano de Investigación del Tecnológico de Monterrey Campus Chihuahua. 41-50. García González, C.M. (2012). Ensayo sobre el fracaso de lo escolar. Que es lo que fracasa? Siete Argumentos. Revista de Educación y Desarrollo. 31-38 Fragoso Mondragón, T.C. y Alcántara Ávila, M.A. (2006). Influencia de los factores estresantes en el rendimiento escolar en alumnos de segundo de secundaria. Piñero Ramírez, S. L. (2008). La teoría de las representaciones sociales y la perspectiva de Pierre Bourdieu: Una articulación conceptual. Revista de Investigación Educativa, 7. Reyes Seañez, M.A. (2006). Una reflexión sobre la reprobación escolar en la educación superior como fenómeno social. Revista Iberoamericana de Educación. Flores S. y Camacho A. (2005). Análisis Estadístico de las Causas de Reprobación desde la Perspectiva del Alumno de Ingeniería del Instituto Tecnológico de Chihuahua II. Rozman C. (2000) La educación médica en el umbral del siglo XXI. Med Clin. (Barc). 108:582-6. Bernal J. (2001) La Educación superior en Panamá. Situación, Problemas y Desafíos. Panamá: CRP; Marín G. Y García M.E. (2012) Deserción escolar en el primer año de la carrera de Medicina Dropping out of school in the first year of the medical studies Policlínico 7

[close]

p. 12

Año 7 Número 14 Julio-Diciembre 2014 Eficientamiento energético de un horno de arco eléctrico A. Sánchez Sánchez, J. C. Hernández Hernández, P. M. Quintero Flores, H. P. Martínez Hernández, R. Ordoñez Flores Resumen: La fusión de chatarra para la fabricación de aceros especiales en Horno de Arco Eléctrico (HAE), requiere alto consumo de energía a un costo considerable. Identificar las variables influyentes en el consumo de energía en este proceso, es prioritario. En este trabajo se propone emplear un algoritmo de Minería de Datos específicamente, la implementación del algoritmo Support Vector Machine – Recursive Feature Elimination (SVM-RFE), para seleccionar y clasificar las variables más influyentes que permiten lograr un consumo energético eficiente en el proceso de fusión en un HAE. El algoritmo SVM-RFE, obtiene los coeficientes y genera una lista de ranqueo que facilita identificar las variables altamente discriminantes o de mayor influencia en el consumo energético en el proceso de fusión en el HAE. Las variables identificadas por el algoritmo de Minería de Datos, fueron monitoreadas y ajustadas en el sistema de control del HAE, obteniéndose como resultados, disminuir el consumo energético para las coladas de prueba respecto al histórico de coladas en 15.81 kWh/TCM por colada; es decir, el 3.55±5%, de ahorro y un tiempo menor en 1 ± 0,3 minutos por colada. Palabras Clave: HAE, Energía Eléctrica, Energía Química, Minería de datos, SVM-RFE. 8

[close]

p. 13

Año 7 Número 14 Julio-Diciembre 2014 Introducción Un Horno de Arco Eléctrico (HAE) tiene como principio fundamental generar en su interior un arco eléctrico para fundir el material cargado (chatarra) y producir acero líquido. En 1810 Humphry Davy, utilizando la pila de Signor Volta, logró generar un arco eléctrico capaz de calcinar aquello que pasara a través de éste. Para 1878, William Siemens patentó el primer HAE que usaba corriente directa. En 1900, Paul Herout de Francia inventó el HAE de corriente alterna, diseño que él mismo mejoró para la industria de la acería eléctrica. El primero en su especie se instaló en USA, dando inicio a la producción de aceros especiales en 1906 [1] [2]. En la actualidad los HAE son muy parecidos al diseño de Herout. Tienen tres electrodos conformados de grafito de alta pureza, en posición vertical, por los cuales fluye la corriente eléctrica y forma un arco. Al cerrarse el circuito entre las puntas de cada electrodo con la chatarra. En la figura 1, se muestra un esquema general del HAE. implicado. El proceso de fusión en HAE, es demasiado complejo y, por su naturaleza está compuesto por n número de variables que son controladas con un sistema tipo nivel 2, dicho sistema de acuerdo con C. L. Karr y E. L. Wilson [4], tiene las siguientes características: responder a corregir sus propias desviaciones, mejorar los parámetros de control e internamente generar medición del desempeño de proceso. La ejecución de la tarea es previamente programada, la regulación es automática mediante dispositivos capaces de controlar el proceso ante situaciones que se presenten. Al generarse las mediciones de las variables del proceso mediante el sistema descrito arriba, se cuenta con la disponibilidad de registros almacenados en bases de datos, dichos datos simbolizan el desempeño de cada una de las variables, por tanto es posible aplicar técnicas de inteligencia artificial para generar conocimiento a partir de los datos generados en el HAE. Figura 1. Horno de Arco Eléctrico De igual forma se le suministra energía química adicional, ésta se adiciona mediante la inyección de oxígeno, gas natural y grafito en el horno a través de múltiples unidades de inyección adaptadas a la pared para lograr una homogeneidad térmica dentro del horno. El desprendimiento de calor generado por la energía química (CO + CO2) es aprovechado para llegar a las partes donde no hay arco eléctrico (partes frías), logrando el calentamiento del acero de manera más uniforme [3]. Aunque el HAE utiliza la energía química como recurso energético adicional, la energía eléctrica necesaria para generar el arco eléctrico representa un alto costo para el proceso de acería. Por lo tanto disminuir en por lo menos el 1% de este consumo, impactaría de forma positiva al costo 9

[close]

p. 14

Año 7 Número 14 Julio-Diciembre 2014 Metodología Minería de Datos (MD): de acuerdo con Wiesner Vos & Ludger Evers [5], MD se refiere a la extracción del conocimiento útil a partir de grandes conjuntos de datos (bases de datos), involucra aspectos de estadística, ingeniera y ciencias computacionales. MD se enfoca al análisis de un conjunto de datos multivariados, para lo cual con regularidad las variables son denotadas con la letra “x” y, para expresar las variables, dentro de un conjunto, se denota con la expresión xij, donde “j” representa la medición asignada a la variable x, y la observación individual de dicha variable se representa con la letra “i”. Por tanto el conjunto de datos almacenados pueden ser visto como una matriz X de nxm, donde n denota el número de filas y m, las columnas que conforman dicha matriz. Tomando como base esta nomenclatura el análisis de variables con MD, se vuelve más práctico. La MD constituye una de las fases del proceso de descubrimiento de conocimientos en bases de datos (Knowledge Discovery in Databases, KDD), el cual no es objeto de estudio en este trabajo, sin embargo vale la pena abordarlo dada su alta relación con MD y su potencial para descubrir conocimiento útil a parir de bases de datos, mientras que MD se refiere a la aplicación de los métodos de aprendizaje (supervisados y no supervisados), y estadística para la obtención de patrones de tal forma que éstos ayuden a tomar decisiones más seguras ó, que reporten algún tipo de beneficio a las organizaciones. Este proceso puede resumirse en la figura 2. Integración y recopilación, se determinan las fuentes de información que pueden ser útiles y dónde conseguirlas; se transforman todos los datos a un formato común, y se detectan y resuelven las inconsistencias. Selección, limpieza y transformación, se eliminan o corrigen los datos incorrectos, y se decide la estrategia a seguir con los datos incompletos; además, se consideran únicamente aquellos atributos que van a ser relevantes, con el objetivo de hacer más fácil la tarea propia de minería. Minería de datos, se aplica el modelo, la tarea, la técnica y el algoritmo seleccionado para la obtención de reglas y patrones. Evaluación e interpretación, se evalúan los patrones y se analizan por expertos, y si es necesario, se vuelve a las fases anteriores para una nueva iteración. Difusión, se hace uso del nuevo conocimiento y se hace partícipe de él a todos los posibles interesados. Las dos primeras fases se engloban bajo el nombre de preparación de datos. Previo a las fases descritas, es prioritaria una etapa de entendimiento, definir y priorizar los objetivos del negocio para centrar el análisis de las necesidades de la organización. Desarrollo de la metodología Posterior a determinar el objetivo del presente trabajo, el cual se centra en reducir el consumo de energía eléctrica en el proceso de fusión en un HAE en por lo menos el 1%, fue necesario comprender el funcionamiento y la terminología, con ello tener una referencia para el tratamiento de las variables que conforman dicho proceso. Partiendo de los datos generados a partir del sistema del HAE se extrajo una lista de las variables que intervienen en el proceso de fusión las cuales se enlistan en la tabla 1. Figura 2. Esquema de KDD 10

[close]

p. 15

Año 7 Número 14 Julio-Diciembre 2014 11

[close]

Comments

no comments yet