Análisis de calidad del vino por medio de técnicas de inteligencia artificial

Galeano-Arias, Luisa F.; Aguirre, Sergio G.; Castrillón-Gómez, Omar D.

doi:10.4067/s0718-07642021000100017

Cited by 3 publications

(2 citation statements)

References 23 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…La anterior estructuración, permite definir la metodología que será aplicada. Esta metodología se hace de forma similar a otras metodologías previamente desarrolladas por los autores de este trabajo de investigación (Galeano et al, 2021). Esta metodología consta de los siguientes pasos: a) Paso 1.…”

Section: Materiales Y Metodosunclassified

Las variables más influyentes en la obesidad: un análisis desde la minería de datos

Castrillón

2021

Inf. tecnol.

View full text Add to dashboard Cite

show abstract

Section: Materiales Y Metodosunclassified

Las variables más influyentes en la obesidad: un análisis desde la minería de datos

Castrillón

2021

Inf. tecnol.

View full text Add to dashboard Cite

show abstract

“…The approach in the present paper focuses on the fining agents and a wide dosage range that can predict a more comprehensive turbidity range. Other study objectives can be found in the article by Galeano-Arias, Aguirre and Castrillón-Gómez [22], who aimed to determine the most influential variables in wine's sensory quality through artificial intelligence techniques. The study focuses on transforming a subjective method of determining the sensory quality of wine into an objective one using data mining techniques.…”

Section: Introductionmentioning

confidence: 99%

An Artificial Intelligence Approach for Estimating the Turbidity of Artisanal Wine and Dosage of Clarifying Agents

De La Cruz Rojas,

Nuñez-Pérez,

Lara-Fiallos

et al. 2024

Applied Sciences

View full text Add to dashboard Cite

Red wine is a beverage consumed worldwide and contains suspended solids that cause turbidity. The study’s purpose was to mathematically model estimated turbidity in artisanal wines concerning the dosage and types of fining agents based on previous studies presenting positive results. Burgundy grape wine (Vitis lambrusca) was made and clarified with ‘yausabara’ (Pavonia sepium) and bentonite at different concentrations. The system was modelled using several machine learning models, including MATLAB’s Neural Net Fitting and Regression Learner applications. The results showed that the validation of the neural network trained with the Levenberg–Marquardt algorithm obtained significant statistical indicators, such as the coefficient of determination (R2) of 0.985, mean square error (MSE) of 0.004, normalized root mean square error (NRSME) of 6.01 and Akaike information criterion (AIC) of −160.12, selecting it as the representative model of the system. It presents an objective and simple alternative for measuring wine turbidity that is useful for artisanal winemakers who can improve quality and consistency.

show abstract

Machine Learning Application and Cloud Computing-based Monitoring for Production Management in the IPC 200 Industrial Process Simulator

Torres,

Vaca,

Torres

et al. 2024

espoch

View full text Add to dashboard Cite

Industry 4.0 has revolutionized the way industrial processes are managed, introducing concepts such as advanced automation, the Internet of Things (IoT), and machine learning into production and process management. This article presents the successful incorporation of two Industry 4.0 enablers into the IPC 200 Industrial Process Simulator, a key tool in the training of students in the Electronics and Automation program at the Escuela Superior Politécnica de Chimborazo (ESPOCH). To achieve this integration, the SCRUM methodology, known for its effectiveness in managing technological projects, was employed to oversee and facilitate the implementation of the enablers, which were machine learning and cloud computing. Machine learning implementation was carried out using the Q-Learning algorithm for process optimization and data-driven decision-making, while for cloud computing, the IoT platform Ubidots was used. This allowed for greater efficiency and flexibility in managing the simulated processes in the IPC 200. The integration of these enablers opened the doors of innovation to the individuals using the simulator, allowing them to acquire new competencies in industrial process management, and preparing them to face the challenges of Industry 4.0. Furthermore, this improvement in the simulator provided a more advanced and realistic learning platform, resulting in more robust and applicable training for modern industrial environments. Keywords: Industry 4.0, Industrial Process Simulator, Node-RED, Ubidots, Q-Learning, SCRUM. Resumen La Industria 4.0 ha revolucionado la manera en que se gestionan los procesos industriales, introduciendo conceptos como la automatización avanzada, el Internet de las Cosas (IoT) y el aprendizaje automático en la producción y la gestión de procesos. En este artículo, presentamos la exitosa incorporación de dos habilitadores de la Industria 4.0 en el Simulador de Procesos Industriales IPC 200, una herramienta clave en la formación de estudiantes de la carrera de Electrónica y Automatización en la Escuela Superior Politécnica de Chimborazo (ESPOCH). Para lograr esta integración, se empleó la metodología SCRUM, conocida por su eficacia en la gestión de proyectos tecnológicos, para supervisar y facilitar la instalación de los habilitadores, los cuales fueron aprendizaje automático y computación en la nube. La implementación de aprendizaje automático se incorporó con el algoritmo de Q-Learning para la optimización de procesos y la toma de decisiones basada en datos y para la computación en la nube se utilizó la plataforma IoT Ubidots, esto permitió una mayor eficiencia y flexibilidad en la gestión de los procesos simulados en el IPC 200. La integración de estos habilitadores abrió las puertas de la innovación a las personas quienes usan el simulador, permitiendo adquirir nuevas competencias en la gestión de procesos industriales, preparándolos para enfrentar los desafíos de la Industria 4.0. Además, esta mejora en el simulador brindó una plataforma de aprendizaje más avanzada y realista, lo que resulta en una formación más sólida y aplicable a entornos industriales modernos. Palabras Clave: Industria 4.0, Simulador de Procesos Industriales, Node Red, Ubidots, Q-Learning, SCRUM.

show abstract

Análisis de calidad del vino por medio de técnicas de inteligencia artificial

Cited by 3 publications

References 23 publications

Las variables más influyentes en la obesidad: un análisis desde la minería de datos

Las variables más influyentes en la obesidad: un análisis desde la minería de datos

An Artificial Intelligence Approach for Estimating the Turbidity of Artisanal Wine and Dosage of Clarifying Agents

Machine Learning Application and Cloud Computing-based Monitoring for Production Management in the IPC 200 Industrial Process Simulator

Contact Info

Product

Resources

About