Mostrar el registro sencillo del ítem
Técnicas de inteligencia artificial aplicadas a la planificación de construcción de plantas fotovoltaicas
dc.contributor.author | López-Ferreiro, Manuel Ángel | |
dc.date | 2022-07-14 | |
dc.date.accessioned | 2022-10-24T08:15:35Z | |
dc.date.available | 2022-10-24T08:15:35Z | |
dc.identifier.uri | https://reunir.unir.net/handle/123456789/13705 | |
dc.description | Photovoltaic generation is a key technology to meet the challenges of energy transition. Thus, in recent years there has been an increase in the execution of large photovoltaic plant projects. The main difficulty in meeting construction deadlines is the elaboration of an adequate planning. A tool that automatically generates schedules can be of great help to set up an initial baseline planning. To this end, this work compares five artificial intelligence techniques, on a data set consisting of 25 schedules. The evaluation of the results obtained on test data shows that ANFIS is the technique that obtains the best performance in all error metrics, although it entails a high computational cost. The model thus obtained manages to generate a complete construction schedule with an error of 8% of the total duration. | es_ES |
dc.description.abstract | La generación fotovoltaica es una de las tecnologías clave para alcanzar los retos de transición energética. Así, en los últimos años se ha observado un incremento en la ejecución de proyectos de grandes plantas fotovoltaicas. La principal dificultad para cumplir con el plazo de construcción es la elaboración de una planificación adecuada. Una herramienta que genere cronogramas de forma automática puede resultar de gran ayuda a la hora de establecer planificaciones iniciales de referencia. A tal fin, este trabajo compara cinco técnicas de inteligencia artificial, sobre un conjunto de datos formado por 25 planificaciones. La evaluación de los resultados obtenidos sobre datos de test demuestra que ANFIS es la técnica que obtiene mejor rendimiento en todas las métricas de error, si bien conlleva un alto coste computacional. El modelo así obtenido consigue generar un cronograma completo de construcción con un error de un 8% sobre la duración total. | es_ES |
dc.language.iso | spa | es_ES |
dc.rights | openAccess | es_ES |
dc.subject | inteligencia artificial | es_ES |
dc.subject | planificación de proyectos | es_ES |
dc.subject | cronograma de construcción | es_ES |
dc.subject | ANFIS | es_ES |
dc.subject | neuroevolución | es_ES |
dc.subject | artificial intelligence | es_ES |
dc.subject | project planning | es_ES |
dc.subject | construction schedule | es_ES |
dc.subject | ANFIS | es_ES |
dc.subject | neuroevolution | es_ES |
dc.subject | Máster Universitario en Inteligencia Artificial | es_ES |
dc.title | Técnicas de inteligencia artificial aplicadas a la planificación de construcción de plantas fotovoltaicas | es_ES |
dc.type | masterThesis | es_ES |
reunir.tag | ~MIA | es_ES |