DSpace Community:https://hdl.handle.net/20.500.12815/12024-03-22T12:45:05Z2024-03-22T12:45:05ZMetodología para la caracterización física de ríos de montaña: análisis integral del río Huallaga, tramo Cerro de Pasco - Tingo MaríaChicchon Justiniano, Hernan Arturohttps://hdl.handle.net/20.500.12815/3582024-03-19T19:41:56Z2024-01-01T00:00:00ZTitle: Metodología para la caracterización física de ríos de montaña: análisis integral del río Huallaga, tramo Cerro de Pasco - Tingo María
Authors: Chicchon Justiniano, Hernan Arturo
Abstract: Esta investigación analiza los primeros 250 kilómetros del río Huallaga en Perú, enfocándose en su geomorfología, sedimentología, hidráulica e hidrología. Se caracterizaron el agua y los sedimentos, destacando patrones estacionales de caudal y transporte de sedimentos en periodos de avenidas. Se descubrió un importante aporte de sedimentos de afluentes y quebradas en meses secos, desafiando la comprensión tradicional de los procesos sedimentarios en ríos de montaña. Este aspecto es esencial para la gestión hidráulica y la planificación ambiental, enfatizando la importancia de aportes extraordinaria de sedimentos y como influye esto en la morfología fluvial. La investigación utilizó técnicas no intrusivas como granulometría óptica y velocimetría de imágenes de partículas a gran escala (LSPIV), proporcionando datos detallados sobre sedimentos y flujos. Estos métodos fueron clave para entender la morfología del lecho y la dinámica de transporte de sedimentos, cruciales en la conservación de ecosistemas fluviales y la mitigación de riesgos. El enfoque hidrológico e hidráulico ofreció comprensión sobre las respuestas del río a diversas condiciones, crucial para el diseño de estructuras hidráulicas eficientes. Este estudio multidisciplinario no solo es relevante para Perú, sino también para la gestión de ríos de montaña en general. La metodología integrada representa un avance en investigación fluvial y una base para estudios futuros y la gestión sostenible de ecosistemas fluviales.; This research analyzes the first 250 kilometers of the Huallaga River in Peru, focusing on its geomorphology, sedimentology, hydraulics, and hydrology. Both water and sediments were characterized, highlighting seasonal patterns of flow and sediment transport during flood periods. A significant contribution of sediments from tributaries and ravines during dry months was discovered, challenging the traditional understanding of sedimentary processes in mountain rivers. This aspect is essential for hydraulic management and environmental planning, emphasizing the importance of extraordinary sediment contributions and their influence on fluvial morphology. The study employed non-intrusive techniques such as optical granulometry and large-scale particle image velocimetry (LSPIV), providing detailed data on sediments and flows. These methods were key to understanding the riverbed morphology and the dynamics of sediment transport, crucial in the conservation of fluvial ecosystems and risk mitigation. The hydrological and hydraulic approach offered an understanding of the river’s responses to various conditions, essential for the design of efficient hydraulic structures. This multidisciplinary study is not only relevant for Peru but also for the management of mountain rivers in general. The integrated methodology represents an advancement in fluvial research and a foundation for future studies and sustainable management of fluvial ecosystems.2024-01-01T00:00:00ZDiseño y construcción de un prototipo electrónico para diagnosticar fallas en equipos rotativos mediante el análisis de vibraciones mecánicas y temperaturaArce Molina, Gino Enriquehttps://hdl.handle.net/20.500.12815/3572024-03-11T20:10:08Z2024-01-01T00:00:00ZTitle: Diseño y construcción de un prototipo electrónico para diagnosticar fallas en equipos rotativos mediante el análisis de vibraciones mecánicas y temperatura
Authors: Arce Molina, Gino Enrique
Abstract: El siguiente trabajo de investigación surge como resultado del constante problema que se presenta en la gestión de mantenimiento empleada por las pequeñas y medianas empresas (PYMES), específicamente en aquel sector de producción que utiliza maquinaría industrial con motores eléctricos como fuente de alimentación. Por ello, con el objetivo de solucionar este problema, se ha diseñado un analizador de vibración y de temperatura con su respectivo software, con la finalidad de poder implementar un plan de mantenimiento predictivo que se base en la condición de sus motores eléctricos, sean monofásicos o trifásicos. Al utilizarlo, se puede diagnosticar de forma acertada la condición en la que se encuentra un motor, y en base a ello, poder dictaminar un plan de mantenimiento que cumpla con todos los estándares y normas establecidas para que, de esta manera, se pueda tener un equipo que opere a su máximo rendimiento, alargando su tiempo de vida útil. Se debe mencionar que los parámetros principales para lograr esta medición corresponden a las vibraciones emitidas por el motor del equipo junto con la temperatura del mismo, logrando de esta manera brindar un análisis completo y acertado sobre el estado de la maquinaría. Para este proyecto, se midieron dichos parámetros de unos motores eléctricos de una mueblería de Arequipa, debido a que esta no cuenta con un proceso de mantención adecuado que se aplique a estos equipos, al igual que sucede en muchas otras empresas de este tipo. Asimismo, se debe considerar que este proyecto está enfocado en las PYMES del país, debido a los bajos recursos con los que cuentan, junto con la escasa cultura que presentan en relación a la gestión del mantenimiento. Es por ello que, se realizó el diseño de la tarjeta lectora capaz de interpretar las vibraciones provenientes de los motores, para luego realizar los análisis correspondientes, con el objetivo de determinar el estado en que se encuentran. Por último, se planteó una propuesta de plan de mantenimiento, mediante el método del análisis de criticidad, para brindarle a estos motores un mayor control.; The following research work arises as a result of the constant problem in the maintenance management used by small and medium-sized enterprises (PYMES), specifically in that production sector that uses industrial machinery with electric motors as a power source. In order to solve this problem, a vibration and temperature signal analyzer has been designed with its respective software, in order to be able to implement a predictive maintenance plan that is based on the condition of its electric motors, whether single-phase or three-phase. By using it, the condition in which an engine is located can be correctly diagnosed, and based on this, be able to dictate a maintenance plan that complies with all the established standards and norms so that, in this way, it can be a team that operates at its maximum performance, extending its useful life. It should be mentioned that the main parameters to achieve this measurement correspond to the vibrations emitted by the equipment's engine together with its temperature, thus achieving a complete and accurate analysis of the state of the machinery. For this project, these parameters of some electric motors of a furniture store in Arequipa were measured, because it does not have an adequate maintenance process that is applied to this equipment, as it happens in many other companies of this type. Likewise, it should be considered that this project is focused on SMEs in the country, due to the low resources they have, together with the low culture they present in relation to maintenance management. This is the reason the design of the reader card capable of interpreting the vibrations coming from the motors was carried out, to then carry out the corresponding analysis, with the objective of determining the state in which they are. Finally, a maintenance plan proposal was raised, through the criticality analysis method, to provide these electric motors with greater control during their operation.2024-01-01T00:00:00ZMonitoreo en tiempo real de casos de dengue en la región lima usando arquitectura de microserviciosMorales Alcalde, Piero Angelohttps://hdl.handle.net/20.500.12815/3562024-03-01T01:10:08Z2024-01-01T00:00:00ZTitle: Monitoreo en tiempo real de casos de dengue en la región lima usando arquitectura de microservicios
Authors: Morales Alcalde, Piero Angelo
Abstract: El preocupante aumento de casos de dengue en Perú, especialmente en Lima, ha generado alarma, con un asombroso incremento del 323.5 % de 63,168 casos en 2022 a 268,660 casos hasta la semana 43 de 2023. Lima experimento un drástico aumento del 3,190.6 %, pasando de 938 casos en 2022 a 30,946 hasta la semana 43 de 2023. Esta situación plantea riesgos significativos para la salud en Lima, con una población densamente poblada de aproximadamente 9,674,755 habitantes, y la posibilidad de tensionar su sistema de salud debido a la falta de experiencia con el dengue, cuyos primeros casos autóctonos se reportaron en febrero de 2022. Para abordar este desafío, se propone un proyecto que visualiza informes de casos de dengue en tiempo real, permitiendo intervenciones inmediatas. La falta de control en áreas infectadas podría llevar a la saturación del sistema de salud, especialmente con el aumento de ingresos a UCI relacionados con COVID-19. La justificación radica en la necesidad de monitoreo en tiempo real para respuestas rápidas, como fumigaciones específicas y tratamiento oportuno. El proyecto busca implementar una herramienta de monitoreo para controlar mejor las zonas infectadas con dengue, mitigando la propagación de la enfermedad y evitando la sobrecarga del sistema de salud. El objetivo es construir un sistema de software capaz de manejar 5,538 solicitudes diarias basadas en los casos de 2022, garantizando actualizaciones en tiempo real y mejorando la precisión de los informes con coordenadas georreferenciadas. Finalmente, se desarrolló un backend basado en microservicios, demostrando mejoras en disponibilidad y tiempos de respuesta en comparación con una arquitectura monolítica. Una arquitectura híbrida supero a los microservicios, manteniendo un tiempo de respuesta de menos de 1.5 segundos a 4,000 solicitudes por segundo. Y por otro lado, el algoritmo de clusterizacion facilita un análisis temporal detallado de los registros de dengue, mejorando la identificación de patrones para intervenciones más específicas.; The worrying increase in dengue cases in Peru, especially in Lima, has generated alarm, with a staggering increase of 323.5 % from 63,168 cases in 2022 to 268,660 cases through week 43 of 2023. Lima experienced a drastic increase of 3,190.6 % , going from 938 cases in 2022 to 30,946 until week 43 of 2023. This situation poses significant health risks in Lima, with a densely populated population of approximately 9,674,755 inhabitants, and the possibility of straining its health system due to the lack of experience with dengue, whose first indigenous cases were reported in February 2022. To address this challenge, a project is proposed that visualizes dengue case reports in real time, allowing immediate interventions. Lack of control in infected areas could lead to saturation of the health system, especially with the increase in ICU admissions related to COVID-19. The rationale lies in the need for real-time monitoring for rapid responses, such as targeted fumigations and timely treatment. The project seeks to implement a monitoring tool to better control areas infected with dengue, mitigating the spread of the disease and avoiding overloading the health system. The goal is to build a software system capable of handling 5,538 daily requests based on 2022 cases, ensuring real-time updates and improving the accuracy of reports with georeferenced coordinates. Finally, a microservices-based backend was developed, demonstrating improvements in availability and response times compared to a monolithic architecture. A hybrid architecture outperformed microservices, maintaining a response time of less than 1.5 seconds at 4,000 requests per second. And on the other hand, the clustering algorithm facilitates a detailed temporal analysis of dengue records, improving the identification of patterns for more specific interventions.2024-01-01T00:00:00ZMachine learning en linux kernel: implementacion de un predictor de migraciones forzadas en schedulers multicorePinto Larrea, Mauricio Jorgehttps://hdl.handle.net/20.500.12815/3552024-02-27T17:09:32Z2024-01-01T00:00:00ZTitle: Machine learning en linux kernel: implementacion de un predictor de migraciones forzadas en schedulers multicore
Authors: Pinto Larrea, Mauricio Jorge
Abstract: Si bien el Completely Fair Scheduler (CFS) de Linux es capaz de proporcionar equidad entre procesos y de manejar la ubicación y migración de estos a través de un load balancer, existen trabajos previos que proponen la integración de Machine Learning (ML) como una herramienta potencial para refinar las decisiones del kernel. En este trabajo, se analiza un caso específico de migración de tareas, donde algunas son migradas forzosamente entre cores. Este escenario es subóptimo especialmente cuando, por condiciones específicas, se migra una tarea que se encuentra “caliente” en cache. Como solución a este problema proponemos el uso de ML de manera similar al trabajo [1] con el fin de predecir incidencias de migraciones forzadas. Para esto implementamos un sistema capaz de recolectar datos de migraciones en llamadas a la función can_migrate_task () y utilizamos estos datos para (i) entrenar modelos de ML, (ii) realizar inferencias en espacio de kernel y (iii) configurar el modelo en tiempo real a través de LibML, una librería que permite hacer uso de redes neuronales de manera híbrida (espacio de usuario y kernel). Los experimentos realizados con modelos entrenados para la predicción de migraciones forzadas muestran que es posible predecir este escenario en espacio de kernel con alta precisión alcanzando alrededor del 97 % de exactitud en promedio para todas las cargas de trabajo utilizadas. Adicionalmente, esta implementación no impacta significativamente el performance del kernel, teniendo el kernel modificado un promedio de tiempos de ejecución 2.3 % menor al del original.; Although Linux’s Completely Fair Scheduler (CFS) is capable of achieving fairness and managing task allocation and migration among cores through a load balancer, recent studies have proposed the use of low level Machine Learning (ML) for optimizing kernel decisions. In this work, a specific case of scheduling decisions is studied, where tasks are migrated aggressively between cores, either due to being cache-cold, having different NUMA node affinities or having too many failed balance attempts. This is sub-optimal especially when cache-hot tasks are forcefully migrated due to the latter condition being true. In order to solve this problem, this work proposes the use of ML in a way similar to [1] in order to predict incidences of forced migrations. For this, we implemented a system capable of collecting migration related data from calls to the can_migrate_task () function and using these to (i) train ML models, (ii) make inferences in kernel space, (iii) configure models in real time through LibML, a library that allows the use of neural networks in kernel and user space in a hybrid manner. Experiment results where neural networks were trained in userspace with collected migration datasets show that it is possible to predict the occurrence of aggressive migrations with a high precision, reaching accuracy values above 95 % in general terms when running in kernelspace. Additionally, these inferences don’t seem to impact performance significantly, as the modified kernel’s average runtime for all benchmarks is 2.3 % lower than the original.2024-01-01T00:00:00Z