Buscar


Mostrar el registro sencillo del ítem

dc.rights.license http://creativecommons.org/licenses/by-nc-nd/4.0 es_ES
dc.contributor Edgar Alejandro Rivas Araiza es_ES
dc.creator Alma Eliza Guerrero Sánchez es_ES
dc.date 2020-11-02
dc.date.accessioned 2020-12-04T20:31:46Z
dc.date.available 2020-12-04T20:31:46Z
dc.date.issued 2020-11-02
dc.identifier.uri http://ri-ng.uaq.mx/handle/123456789/2459
dc.description El 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.format Adobe PDF es_ES
dc.language.iso Español es_ES
dc.relation.requires Si es_ES
dc.rights Acceso Abierto es_ES
dc.subject Heating, ventilating and Air conditioning es_ES
dc.subject Inteligencia Artificial es_ES
dc.subject Confort Térmico es_ES
dc.subject Aprendizaje Automático es_ES
dc.subject Aprendizaje Profundo es_ES
dc.subject.classification INGENIERÍA Y TECNOLOGÍA es_ES
dc.title Optimización de la operación de un sistema HVAC para ahorro energético, mediante estrategias de Inteligencia Artificial es_ES
dc.type Tesis de maestría es_ES
dc.creator.tid Clave CV CONACyT es_ES
dc.contributor.tid curp es_ES
dc.creator.identificador 927987 es_ES
dc.contributor.identificador RIAE791127HQTVRD03 es_ES
dc.contributor.role Director es_ES
dc.degree.name Maestría en Ciencias en Inteligencia Artificial es_ES
dc.degree.department Facultad de Ingeniería es_ES
dc.degree.level Maestría es_ES


Ficheros en el ítem

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem