Mostrar el registro sencillo del ítem

Tres arquitecturas neuronales implementadas en la detección y categorización de anomalías en paneles fotovoltaicos

dc.contributor.authorSánchez C., Kevin S.spa
dc.contributor.authorReyes G., Carlos A.
dc.date2022-12-30
dc.date.accessioned2023-07-28T19:29:01Z
dc.date.available2023-07-28T19:29:01Z
dc.identifierhttps://revistas.udistrital.edu.co/index.php/tekhne/article/view/20362/version/19169
dc.identifier.citation19
dc.identifier.urihttp://test.repositoriodigital.com:8080/handle/123456789/44101
dc.description.abstractLos paneles solares son herramientas útiles y eficientes. Necesitan mantenerse en excelente estado de funcionamiento, pero a medida que pasa el tiempo, sufren fallos por externos manifestados en el ambiente. Por lo tanto, se resalta la necesidad de hacer un seguimiento efectivo de dichos sistemas. Los modelos neuronales son candidatos perfectos para realizar el reconocimiento de los daños físicos. En este caso, se compara el desempeño de tres redes neuronales artificiales, el perceptrón multicapa, la red neuronal densamente conectada y la red ResNet-50 en este problema de identificación. Lo que se pretende obtener de este método es la demostración práctica del uso de las redes neuronales para solucionar problemas reales.
dc.formatPDF
dc.format.extent35-44
dc.format.mimetypeapplication/pdf
dc.publisherUniversidad Distrital Franciasco Jose de Caldas
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectAnomalíasspa
dc.subjectaprendizajespa
dc.subjectdiagnósticospa
dc.subjectentrenamientospa
dc.subjectinspección visualspa
dc.subjectpaneles solaresspa
dc.subjectred neuronalspa
dc.titleTres arquitecturas neuronales implementadas en la detección y categorización de anomalías en paneles fotovoltaicos
dc.title.englishThree neural architectures implemented in photovoltaic panel anomaly detection and categorization
dc.description.abstractenglishSolar panels are useful and efficient tools. They need to be kept in excellent working condition, but as time goes by, they suffer from external failures manifested in the environment. Therefore, the need for effective monitoring of such systems is highlighted. Neural models are perfect candidates to perform physical damage recognition. In this case, we compare the performance of three artificial neural networks, the multilayer perceptron, the densely connected neural network, and the ResNet-50 network in this identification problem. What is intended to be obtained from this method is the practical demonstration of the use of neural networks to solve real problems.
dc.citations2
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.licenceAttribution-NonCommercial-NoDerivatives 4.0 International
dc.subject.keywordAnomalieseng
dc.subject.keyworddiagnosiseng
dc.subject.keywordlearningeng
dc.subject.keywordneural networkeng
dc.subject.keywordsolar panelseng
dc.subject.keywordtrainingeng
dc.subject.keywordvisual inspectioneng
dc.type.coarhttp://purl.org/coar/resource_type/c_6501
dc.type.hasversioninfo:eu-repo/semantics/article
dc.type.localArtículo
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.type.driverinfo:eu-repo/semantics/article


Ficheros en el ítem

FicherosTamañoFormatoVer

No hay ficheros asociados a este ítem.

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

Mostrar el registro sencillo del ítem

https://creativecommons.org/licenses/by-nc-nd/4.0/
Excepto si se señala otra cosa, la licencia del ítem se describe como https://creativecommons.org/licenses/by-nc-nd/4.0/