Ingeniera Civil Mecánica / Toda estructura en ingeniería se encuentra expuesta al daño y deterioro durante su vida útil. La información oportuna del deterioro que presenta puede incrementar la seguridad en su uso y mejorar su confiabilidad, además de reducir significativamente los costos asociados al mantenimiento. El uso de Redes Neuronales Artificiales (ANN en inglés artificial neural network) ha sido considerado en la detección de daño porque luego que la ANN es entrenada, utilizarla implica solo un gasto menor de recursos computacionales, lo que la hace idónea para monitoreo en tiempo real. Sin embargo, en la etapa de entrenamiento es necesaria gran capacidad computacional, la cual crece con la complejidad de la estructura. Además, mientras más elementos se quieran detectar con una red, más difícil se vuelve el entrenamiento y peores son los resultados. Esto último hace que la aplicación directa de redes neuronales en estructuras complejas sea casi imposible. Una solución es dividir la estructura en sub-estructuras y entrenar una red para cada sub-estructura por separado, este método se conoce como sub-estructuración. En el presente trabajo se obtiene un algoritmo capaz de identificar daño en estructuras de barras por medio del método de subestructuras combinado con ANN. Las frecuencias de resonancia y anti-resonancia de la estructura son las variables de entrada sensibles al daño y las variables de salida son factores de reducción de rigidez para cada elemento. El trabajo se divide en dos etapas principales; primero se modela en MATLAB la estructura mediante elementos finitos y se realiza un análisis con daño simulado, y luego se valida el modelo con una estructura experimental. El método de identificación de daño utiliza dos redes neuronales. La primera debe detectar la o las sub-estructura(s) con daño y la segunda debe detectar daños en cada elemento de la sub-estructura identificada por la primera red. De esta forma se reduce el tamaño de cada ANN, y con esto los recursos computacionales necesarios para entrenarlas. El daño en un elemento tiene dos representaciones; a nivel de elementos finitos se considera un factor de reducción de rigidez y a nivel experimental se considerarán cortes en las secciones. El desarrollo de la primera red entrega buenos resultados a nivel numérico y logra detectar las subestructuras dañadas en tres de los cuatro casos de daño experimental. Para su entrenamiento se incluyeron las frecuencias de resonancia y las frecuencias de anti-resonancia de los nodos límite de cada subestructura. Las redes de la segunda etapa, una para cada subestructura, se logran entrenar a nivel numérico dependiendo principalmente del número de entradas disponibles, lo cual permite que tres de las seis presenten resultados muy buenos. La validación con datos experimentales detecta los daños 5 existentes en los casos estudiados, pero sólo logra cuantificar y localizar uno de ellos. Por lo tanto, el uso de un método de sub-estructuración y redes neuronales para la identificación de daño en estructuras de barras, resultó correcto en la etapa de localización de subestructuras dañadas. Sin embargo, para la identificación de elementos dañados en cada sub-estructura es necesario asegurar una cantidad mínima de datos de entrada a la red (frecuencias de anti-resonancia) que permita el correcto entrenamiento de la red neuronal.

No description available.

Esta investigación evidencia las ventajas de automatizar el funcionamiento de una red neuronal, en el contexto de aplicaciones financieras de valoración de activos y portafolios. Demostramos que el establecimiento de forma manual de las funciones de activación tiene efectos adversos sobre la efectividad de la red; en términos de los niveles de error alcanzados. Se encuentra que el hacer una elección óptima puede disminuir entre un 20% y un 95% el ECM del modelo. Además se desarrollan las bases de un modelo teórico de resolución de Redes Neuronales que no requiere de la selección de una función de activación, ya que éstas son resultado del proceso de optimización del modelo

Ingeniero Comercial, Mención Administración / En el siguiente trabajo se busca demostrar que las Redes Neuronales pueden ser usadas para predecir la variación en el precio de una acción. Los resultados obtenidos nos ayudan a creer que estos métodos de inteligencia artificial están muy prontos a ser las herramientas esenciales para trabajar y desenvolverse en los mercados financieros. Una de nuestras motivaciones para hacer este trabajo tenía que ver con la efectividad de esta herramienta, y si dicha efectividad motiva a que ya estén siendo usadas en grandes compañías financieras y mesas de “trading” en otros países. Una característica a destacar es que a diferencia de estudios anteriores, éste se realiza con datos diarios. Al probar que el modelo funciona y es efectivo, concluimos que es posible obtener rentabilidades diarias, rápidas y a corto plazo. La aplicación se efectúa en una acción del mercado estadounidense, a pesar de la inestabilidad actual de dicho mercado afectado por la crisis financiera. La razón es porque la empresa estudiada se beneficia del gran plan de energía renovable implantado por el presidente Obama. Dicho plan, creado para la reactivación económica del país, otorga beneficios y solidez financiera a empresas como First Solar, dedicada a la producción de paneles solares. Si bien la metodología de este trabajo se basa en una red neuronal, se ocupan otras herramientas que ayudan al modelo, como las Bandas de Bollinger, la teoría de ondas de Elliott y el test de Perasan & Timmermann, entre otros. Todo esto en conjunto nos ayuda a demostrar que el modelo funciona con una significancia estadística, lo cual demostraremos más adelante. Conclusiones hay varias, pero creemos que la más importante es que los modelos financieros y las formas de predecir se están actualizando. Los modelos econométricos clásicos están obsoletos y los operadores, brokers y gente desenvuelta en éste ámbito no pueden quedar ausente ante estos cambios.

Geólogo / El presente estudio se realizó en el Complejo Volcánico Tres Puntas, el cual presenta una extensa zona de alteración hidrotermal ubicada en la Cordillera Claudio Gay, Región de Atacama, en el noreste de la franja de Maricunga. Dado su contexto geodinámico y metalogénico, el área de estudio presenta un gran interés para la prospección de metales preciosos. En el área de estudio se realizó una campaña de exploración básica, en la cual se recolectaron 113 muestras de superficie (rocas y suelo) y se reconocieron las características litológicas, mineralógicas y texturales de varios de los puntos de muestreo. Se analizó la composición química de roca total de las muestras, obteniéndose concentraciones para 49 elementos mayores y trazas, respectivamente mediante ICP-MS e ICP-ES. Asimismo se obtuvieron las concentraciones de Au mediante AAS, utilizando un ensayo de fusión a fuego. En términos generales, las características geoquímicas, mineralógicas y de alteración, son compatibles con un sistema epitermal de Au de alta sulfuración. Los datos geoquímicos fueron estudiados utilizando redes neuronales artificiales (RNA). La aplicación de esta técnica permitió realizar un análisis multi-elemento de este set de datos, el cual incluye un número elevado de muestras con características litológicas y mineralógicas variadas. Como resultado del análisis mediante RNA, fue posible sub-dividir el set de datos en 6 Grupos Geoquímicos, es decir, 6 conjuntos de muestras con características geoquímicas similares. La proyección de esta información sobre el área de estudio, permitió identificar marcadas zonaciones geoquímicas, donde destacan dos zonas prospectivas, distanciadas aproximadamente en 1 km, que se caracterizan por concentrar las muestras con mayores valores de Au y Ag, además de las mayores abundancias de Pb, As, Sb, Te, Bi, Se, Sn, W y S (muestras de los Grupos Geoquímicos 3, 4 y 6). Estas correlaciones geoquímicas coinciden con las esperadas para sistemas epitermales de metales preciosos. El carácter prospectivo de estas zonas se ve reforzado dado que ellas coinciden estrechamente con una zona de alteración argílica avanzada y con una zona de alteración silícea. Las muestras con mayores valores de Cu se correlacionan con las mayores abundancias de Co y Cd (Grupo Geoquímico 5) y estarían relacionadas a rasgos de mayor profundidad (asociados a metales base) por lo que se interpreta como posibles estructuras locales (fallas de colapso) y además se relacionan con un cuerpo intrusivo hipabisal de composición diorítica que aflora en una de las zonas prospectivas. Cabe destacar que las muestras asociadas al Grupo Geoquímico 2 comparten algunas características con el Grupo Geoquímico 5, pero presentan una distribución espacial más dispersa, con algunas muestras dentro de las zonas que se definen como más prospectivas. Las muestras asociadas al Grupo Geoquímico 1 marcan una zona de bajo interés prospectivo ya que presenta algunas características geoquímicas afines con los Grupos Geoquímicos 3 y 6, pero no se relacionan con las anomalías esperadas para sistemas epitermales de metales preciosos.

Seminario para optar al título de Ingeniero Comercial, Mención Administración / En las diferentes disciplinas de la ciencia, podemos ver que todos los días se hacen esfuerzos importantes para poder determinar con mayor certeza los fenómenos a los que nos vemos afectados. Para ello, se han implementado diversas técnicas de predicción con el propósito de obtener mejores resultados frente a estos nuevos eventos. Dichos esfuerzos responden a la necesidad de las personas de disminuir el riesgo en la toma de decisiones y su aversión al riesgo en cuanto a las opciones que tienen que tomar. En las finanzas la historia es muy parecida. Durante mucho tiempo las personas han buscado poder acceder a mayor información, que les permita tomar decisiones de una forma correcta, en donde las posibilidades de "equivocarse" sean las mínimas y el éxito en la toma de decisiones sea lo más alto posible. A medida que ha pasado el tiempo, nos hemos visto expuestos a diversas técnicas para poder predecir los fenómenos futuros, ellas están basadas en la premisa de que los elementos que suceden en la práctica no son un efecto aleatorio, sino que representan de alguna manera tendencias que podrían ser explicadas de cierta forma por algún modelo. Es así como nacen, por ejemplo, las técnicas con esquema y comportamiento lineal, dentro de las cuales podemos encontrar diversas técnicas que han ayudado a muchos inversionistas a lo largo de los últimos años. A pesar de todo, hemos visto que esta técnica arroja resultados poco certeros si es que no se seleccionan de manera correcta las variables de entrada a incluir, como así también la cantidad de datos del tamaño muestral y la especificación del modelo. Es decir, esta nueva técnica no va a arrojar resultados correctos sólo por introducir los datos, sino que el poder identificar cuáles son las variables importantes que están influyendo en la variable de salida, la elección del conjunto de entrenamiento y su tamaño, nos aseguran un éxito relativamente mayor. En otras palabras, el planteamiento del problema va a ser un elemento clave para lograr una mayor capacidad predictiva. Además, hemos visto que la forma en que el modelo “estudia” o utiliza esta información, es también un factor muy importante para determinar con mayor certeza la predicción requerida. Es por esto que se han implementado técnicas en donde el modelo va agregando datos ha medida que va transcurriendo el tiempo, dándole un carácter más real, dado que las personas van haciendo lo mismo cuando toman decisiones, van agregando información actual para que su predicción tenga mayor validez.

Magíster en Ciencias de la Ingeniería, Mención Recursos y Medio Ambiente Hídrico / En el ámbito de la modelación hidrogeológica, los Modelos de Base Física (MBF), como MODFLOW, se han utilizado desde hace décadas como herramienta de evaluación de recursos hídricos subterráneos. Estos modelos intentan replicar los niveles observados utilizando ecuaciones diferenciales parciales que incluyen parámetros que representan propiedades físicas del acuífero y del agua. La estimación de estos parámetros considera que las diferencias producidas entre lo simulado y lo observado (residuos o errores) corresponden a ruido blanco. Sin embargo, dada la complejidad de los medios subterráneos en cuanto a heterogeneidad y anisotropía, en la práctica las simulaciones numéricas presentan normalmente errores no sólo aleatorios sino también sistemáticos. Estos errores, usualmente asociados a problemas en la estimación de los parámetros físicos, pueden tener también otras causas, lo que sumado a la falta de mayor información, dificulta en definitiva una corrección apropiada al MBF. La cada vez mayor disponibilidad de información medida en terreno, permite explorar herramientas que antes estaban relegadas por la falta de datos observados. En este trabajo se ha desarrollado un procedimiento numérico para tratar con los errores sistemáticos de los MBF, estudiando su estructura temporal y espacial para modelar su comportamiento y corregir los resultados de forma externa y complementaria mediante un proceso que se alimenta de las mismas salidas del MBF y agrupado en un esquema denominado Modelo de Corrección Complementaria (MCC). El enfoque determinístico tradicional con que se estudia la hidrogeología es complementado con el enfoque estocástico de las herramientas utilizadas en el presente trabajo, aprovechando las potencialidades de ambos esquemas, donde las ventajas de uno compensan las limitaciones del otro. El MCC utiliza elementos de geoestadística para realizar correcciones espaciales y de redes neuronales para correcciones temporales, resultados que posteriormente se integran generando la corrección final. El MCC fue evaluado en el sector acuífero denominado Mapocho Alto, en la zona oriente del valle de Santiago, utilizando el MBF Maipo-Mapocho perteneciente a la Dirección General de Aguas y 54 pozos de observación distribuidos a lo largo de toda la zona. La aplicación del MCC al MBF muestra disminución en las desviaciones locales, distribución normal de los errores y reducciones en las correlaciones temporales y espaciales de los residuos y por tanto notables mejoras en los resultados respecto del MBF original. En términos globales el error medio absoluto (AME) disminuyó de 17.4 m a 3.4 m, la raíz del error cuadrado medio (RMS) bajó de 25.8 m a 7.2 m y el RMS normalizado (RMSN) se redujo de 7% a menos del 2%. En consecuencia, esta metodología se observa como una interesante posibilidad de actualizar un MBF evitando el trabajo y los costos de intervenir su estructura interna.

En la actualidad, existe un gran interés en desarrollar técnicas para optimizar y controlar el proceso de biolixiviación de minerales de cobre. En ese contexto, el propósito de este trabajo es la elaboración de una propuesta de controlador inteligente supervisor autónomo, para el proceso de biolixiviación que se lleva a cabo en el botadero San Francisco de la mina Los Bronces de Anglo American Chile. El objetivo del controlador es satisfacer las referencias fijadas para la recuperación o producción de cobre del botadero completo, en base a la adecuada manipulación de la temperatura de la solución de refino de éste, lo que se consigue mediante la utilización y control de equipos de calentamiento inductivo. Para el desarrollo del controlador, se programó en MATLAB una serie de módulos entre los que se cuenta la elaboración automática del programa de riego del botadero, el simulador del proceso global en base a redes neuronales, la elección técnico-económica de las referencias de temperatura de la solución y un sistema de monitoreo en línea del proceso. Además se diseñó una interfaz gráfica que coordina los programas descritos anteriormente, y que optimiza la comunicación usuario-controlador-planta. Los resultados de la simulación de la implementación del controlador diseñado y de la tecnología de calentamiento mencionada, indican que las utilidades económicas obtenidas para la operación del botadero pueden incrementarse hasta en un 35%, y que se justifica la inversión de 14,22 millones de dólares en equipos de calentamiento.

Doctor en Ingeniería Eléctrica / In this thesis an uncertainty weighting scheme for deep neural network-hidden Markov model (DNN-HMM) based automatic speech recognition (ASR) is proposed to increase discriminability in the decoding process. To this end, the DNN pseudo-log-likelihoods are weighted according to the uncertainty variance assigned to the acoustic observation. The results presented here suggest that substantial reduction in word error rate (WER) is achieved with clean training. Moreover, modelling the uncertainty propagation through the DNN is not required and no approximations for non linear activation functions are made. The presented method can be applied to any network topology that delivers log likelihood-like scores. It can be combined with any noise removal technique and adds a minimal computational cost. This technique was exhaustively evaluated and combined with uncertainty-propagation-based schemes for computing the pseudo-log-likelihoods and uncertainty variance at the DNN output. Two proposed methods optimized the parameters of the weighting function by leveraging the grid search either on a development database representing the given task or on each utterance based on discrimination metrics. Experiments with Aurora-4 task showed that, with clean training, the proposed weighting scheme can reduce WER by a maximum of 21% compared with a baseline system with spectral subtraction and uncertainty propagation using the unscented transform. Additionally, it is proposed to replace the classical black box integration of automatic speech recognition technology in human-robot interaction (HRI) applications with the incorporation of the HRI environment representation and modeling, and the robot and user states and contexts. Accordingly, this thesis focuses on the environment representation and modeling by training a DNN-HMM based automatic speech recognition engine combining clean utterances with the acoustic channel responses and noise that were obtained from an HRI testbed built with a PR2 mobile manipulation robot. This method avoids recording a training database in all the possible acoustic environments given an HRI scenario. In the generated testbed, the resulting ASR engine provided a WER that is at least 26% and 38% lower than publicly available speech recognition application programming interfaces (APIs) with the loudspeaker and human speakers testing databases, respectively, with a limited amount of training data. This thesis demonstrates that even state-of-the-art DNN-HMM based speech recognizers can benefit by combining systems for which the acoustic models have been trained using different feature sets. In this context, the complementarity of DNN-HMM based ASR systems trained with the same data set but with different signal representations is discussed. DNN fusion methods based on flat-weight combination, the minimization of mutual information and the maximization of discrimination metrics were proposed and tested. Schemes that consider the combination of ASR systems with lattice combination and minimum Bayes risk decoding were also evaluated and combined with DNN fusion techniques. The experimental results were obtained using a publicly-available naturally-recorded highly reverberant speech data. Significant improvements in WER were observed by combining DNN-HMM based ASR systems with different feature sets, obtaining relative improvements of 10% with two classifiers and 18% with four classifiers, without any tuning or a priori information of the ASR accuracy.

Memoria para optar al título de Ingeniero Civil Mecánico / La determinación de la vida útil remanente (RUL del inglés "Remaining Useful Life") de una máquina, equipo, dispositivo o elemento mecánico, es algo en lo que se ha estado trabajando en los últimos años y que es crucial para el futuro de cualquier industria que así lo requiera. El continuo monitoreo de máquinas junto a una buena predicción de la RUL permite la minimización de costos de mantención y menor exposición a fallas. Sin embargo, los datos obtenidos del monitoreo son variados, tienen ruido, poseen un carácter secuencial y no siempre guardan estricta relación con la RUL, por lo que su estimación es un problema difícil. Es por ello que en la actualidad se utilizan distintas clases de Redes Neuronales y en particular, cuando se quiere modelar problemas de carácter secuencial, se utilizan las Redes Neuronales Recurrentes o RNN (del inglés "Recurrent Neural Network") como LSTM (del inglés "Long Short Term Memory") o JANET (del inglés "Just Another NETwork"), por su capacidad para identificar de forma autónoma patrones en secuencias temporales, pero también junto a estas últimas redes, también se utilizan alternativas que incorporan la Convolución como operación para cada célula de las RNN y que se conocen como ConvRNN (del inglés "Convolutional Recurrent Neural Network"). Estas últimas redes son mejores que sus pares convolucional y recurrentes en ciertos casos que requieren procesar secuencias de imágenes, y en el caso particular de este trabajo, series de tiempo de datos de monitoreo que son suavizados por la Convolución y procesados por la Recurrencia. El objetivo general de este trabajo es determinar la mejor opción de ConvRNN para la determinación de la RUL de un turbofan a partir de series de tiempo de la base de datos C-MAPSS. También se estudia cómo editar la base de datos para mejorar la precisión de una ConvRNN y la aplicación de la Convolución como una operación primaria en una serie de tiempo cuyos parámetros muestran el comportamiento de un turbofan. Para ello se programa una LSTM Convolucional, LSTM Convolucional Codificador-Decodificador, JANET Convolucional y JANET Convolucional Codificador-Decodificador. A partir de esto se encuentra que el modelo JANET Convolucional Codificador-Decodificador da los mejores resultados en cuanto a exactitud promedio y cantidad de parámetros necesarios (entre menos mejor pues se necesita menos memoria) para la red, siendo además capaz de asimilar la totalidad de las bases de datos C-MAPSS. Por otro lado, también se encuentra que la RUL de la base de datos puede ser modificada para datos antes de la falla. Para la programación y puesta en marcha de las diferentes redes, se utilizan los computadores del laboratorio de Integración de Confiabilidad y Mantenimiento Inteligente (ICMI) del Departamento de Ingeniería Mecánica de la Universidad de Chile.