Estimación de la medulación en fibra de alpaca Huacaya blanco, mediante algoritmos de Aprendizaje Automático

• Autor: Vargas Mamani, Carlos Alberto
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unap.edu.pe:20.500.14082/23694
• Enlace del recurso: https://repositorio.unap.edu.pe/handle/20.500.14082/23694
• Nivel de acceso: acceso abierto
• Materia: Alpaca; Algoritmo; Aprendizaje automático; Medulación; Predictores; https://purl.org/pe-repo/ocde/ford#4.03.01

La presencia de médula en la fibra de alpaca, impacta negativamente en dos propiedades fundamentales: una de ellas es el confort, debido a que las fibras meduladas presentan mayor rigidez y aspereza al contacto con la piel por su incrementado diámetro y menor flexibilidad; y la segunda es el teñido, donde la cavidad medular actúa como una barrera física que impide la penetración y distribución homogénea de los colorantes, resultando en teñidos irregulares que reducen significativamente el valor comercial del producto textil final. El objetivo principal de este estudio fue evaluar el desempeño de algoritmos de aprendizaje automático supervisado para estimar la tasa de medulación total en fibra de alpacas Huacaya blanco, tui mayor. Se analizaron 439 muestras de fibra obtenidas de la región del costillar medio, de las comunidades de Quelcaya, Chacaconiza y Chimboya del distrito de Corani, Carabaya, Puno, utilizando como variables predictoras el diámetro de fibra, desviación estándar del diámetro y el coeficiente de variación del diámetro, cuyos datos fueron obtenidos del Analizador Óptico del Diámetro de Fibra - OFDA2000, mientras que la variable objetivo, (tasa de medulación total), se midió con el equipo denominado Medulador Automático - FIBERMED®. Luego del preprocesamiento de datos, se evaluaron siete algoritmos de aprendizaje automático, mediante validación cruzada en el software Orange Data Mining v. 3.37.0, utilizando el coeficiente de determinación (R2), la media del error absoluto (MAE) y la Raíz del Error Cuadrático Medio (RMSE), como métricas principales de desempeño. Los resultados imputaron al modelo: Random Forest (R2=0.85, MAE=4.77 y RMSE=6.53) como el modelo más eficiente, logrando explicar el 85% de la variabilidad en la tasa de medulación total. Estos hallazgos sugieren que sí es posible estimar la medulación total en fibra de alpaca Huacaya de capa blanca utilizando herramientas de aprendizaje automático que permitiría el acceso a productores alpaqueros a un bajo costo.