Modelado y validación de un prototipo de laboratorio para simular la detección de impacto de proyectiles considerando efectos medioambientales

Abstract

Esta Tesis se enfoca en los entrenamientos de tiro de 300 metros con francotiradores. Actualmente, se dispone de dispositivos para estimar la ubicación del impacto de un proyectil en un blanco de tiro, optimizando así el tiempo en los entrenamientos libres. Sin embargo, estos dispositivos no poseen una precisión y exactitud óptimas, debido a que su diseño está basado en un modelamiento ideal, utilizando un valor constante de 343 m/s para la velocidad del sonido, lo cual es inexacto. Según estudios realizados, la velocidad del sonido depende principalmente de variables medioambientales como la temperatura y la humedad relativa. Por ello, en esta Tesis se realizó el modelamiento de un sistema de detección de impacto de proyectiles basado en el análisis de datos, utilizando los métodos de modelamiento RCAPE (Regresion Causal Asociativa Ponderada Exponencialmente), regresión backfitting y redes neuronales. Además, se modeló el sistema en estudio usando modelamiento por triangulación para obtener un modelo basado en condiciones ideales. Para obtener datos experimentales y realizar la validación experimental en laboratorio, se construyó un prototipo equipado con sensores de sonido, temperatura, humedad relativa y un posicionador XY, que mueve un emisor de sonido en distintos puntos del blanco de tiro para emular impactos de proyectil en diferentes condiciones ambientales. Al realizar el modelamiento con los cuatro métodos, se observó que el método de redes neuronales realizo una estimación más exacta de la ubicación del impacto de proyectil emulado, con un error de estimación de 2 mm. Los resultados de los modelamientos por RCAPE, regresión backfitting y triangulación presentaron errores de estimación de 20 mm, 32 mm y 27 mm, respectivamente. Estos resultados demuestran que el modelamiento por redes neuronales fue el más adecuado para modelar el sistema en estudio.

This Thesis focuses on 300-meter shooting training with snipers. Currently, there are devices available to estimate the location of a projectile’s impact on a shooting target, thus optimizing time in free training sessions. However, these devices do not possess optimal precision and accuracy, due to their design being based on ideal modeling, using a constant value of 343 m/s for the speed of sound, which is inaccurate. According to studies, the speed of sound mainly depends on environmental variables such as temperature and relative humidity. This Thesis modeling of a projectile impact detection system was carried out based on data analysis, using RCAPE (acronym in Spanish) modeling methods, backfitting, and neural networks. Furthermore, the system under study was modeled using triangulation modeling to obtain a model based on ideal conditions. To obtain experimental data and perform experimental validation in the laboratory, a prototype equipped with sound, temperature, relative humidity sensors, and an XY positioner was constructed, which moves a sound emitter at different points of the shooting target to emulate projectile impacts under different environmental conditions. When performing modeling with the four methods, it was observed that the neural network method made a more accurate estimation of the emulated projectile impact location, with an estimation error of 2 mm. The results of the modeling by RCAPE, backfitting, and triangulation showed estimation errors of 20 mm, 32 mm, and 27 mm, respectively. The results show that projectile impact estimation can be improved using computational modeling methods.