Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/2459
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorEdgar Alejandro Rivas Araizaes_ES
dc.creatorAlma Eliza Guerrero Sánchezes_ES
dc.date2020-11-02-
dc.date.accessioned2020-12-04T20:31:46Z-
dc.date.available2020-12-04T20:31:46Z-
dc.date.issued2020-11-02-
dc.identifierHeating, ventilating and Air conditioninges_ES
dc.identifierInteligencia Artificiales_ES
dc.identifierConfort Térmicoes_ES
dc.identifierAprendizaje Automáticoes_ES
dc.identifierAprendizaje Profundoes_ES
dc.identifier.urihttp://ri-ng.uaq.mx/handle/123456789/2459-
dc.descriptionEl uso de un modelo de control predictivo para sistemas de gestión de energía se está volviendo más popular. Estos sistemas controlan el rendimiento del edificio basándose en un pronóstico del control basado en un modelo de edificio. Las incertidumbres en la operación del edificio son un problema importante en el uso del modelo de control predictivo, ya que disminuyen la precisión del pronóstico. Esto incluye los requisitos térmicos variables del usuario. El objetivo de esta tesis es desarrollar un predictor de temperatura de confort para sistemas HVAC controlables individualmente en función de las condiciones climáticas utilizando técnicas de inteligencia artificial. Para este propósito, se presentan los fundamentos del confort interior y el aprendizaje automático y aprendizaje profundo. Se revisan las tendencias recientes en la investigación sobre inteligencia artificial en edificios. Se explica la metodología para desarrollar y probar el predictor de temperatura de confort. Posteriormente se describen los resultados de pronosticar la temperatura de confort y el impacto energético del predictor. Los resultados muestran que las herramientas de regresión de aprendizaje automático y aprendizaje profundo pueden predecir las temperaturas de confort en función de las condiciones climáticas con suficiente precisión, mejor que los puntos de ajuste de temperatura comunes actualmente. La tesis se cierra con una revisión de la herramienta, una perspectiva hacia sus mejoras y aplicaciones, y el impacto general del aprendizaje automático y aprendizaje profundo en el sector de la construcción.es_ES
dc.formatAdobe PDFes_ES
dc.language.isoEspañoles_ES
dc.relation.requiresSies_ES
dc.rightsAcceso Abiertoes_ES
dc.subjectINGENIERÍA Y TECNOLOGÍAes_ES
dc.subjectCIENCIAS TECNOLÓGICASes_ES
dc.subjectCIENCIA DE LOS ORDENADORESes_ES
dc.titleOptimización de la operación de un sistema HVAC para ahorro energético, mediante estrategias de Inteligencia Artificiales_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidClave CV CONACyTes_ES
dc.contributor.tidcurpes_ES
dc.creator.identificador927987es_ES
dc.contributor.identificadorRIAE791127HQTVRD03es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ciencias en Inteligencia Artificiales_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
Aparece en las colecciones: Maestría en Ciencias en Inteligencia Artificial

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI005519.pdf3.26 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.