Red neuronal artificial para clasificación de aguas subterráneas basado en el exceso de carbonato en suelos alcalinos, San Martín 2024

• Autores: Chui Aspajo, Sandro Josimar, Chuquilin Aranda, Ludmir Jamber
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/164542
• Enlace del recurso: https://hdl.handle.net/20.500.12692/164542
• Nivel de acceso: acceso abierto
• Materia: Red neuronal artificial; Aguas subterráneas; Carbonato; Suelos alcalinos; https://purl.org/pe-repo/ocde/ford#2.01.01

La presente investigación denominada “Red neuronal artificial para clasificación de aguas subterráneas basado en el exceso de carbonato en suelos alcalinos, San Martín 2024” está alineado a la ODS N° 6 agua y saneamiento, se ha tenido como objetivo principal la clasificación de aguas subterráneas, basado en el exceso de carbonato en suelos alcalinos, mediante el uso de un modelo de red neuronal artificial. La investigación fue de tipo aplicada, con un enfoque cuantitativo y diseño experimental, porque se buscó clasificar los tipos de agua subterránea en base al exceso de carbonatos en suelos alcalinos aplicando inteligencia artificial, específicamente un modelo de aprendizaje automático denominado red neuronal artificial. Se usó una base de datos de 168 muestras de aguas subterráneas, cada una con 16 características que permitieron clasificar el tipo de agua subterránea como “seguro” cuando la concentración de exceso de carbonato en suelos alcalinos es menor de 1,25 miliequivalentes por litro (meq/L), “marginal” cuando la concentración está entre 1,25 y 2,50 miliequivalentes por litro (meq/L), e “inseguro” cuando la concentración es mayor a 2,50 miliequivalentes por litro (meq/L). Se desarrolló un modelo de red neuronal artificial utilizando el software RapidMiner Studio, empleando la versión gratuita más reciente disponible en 2024. Los resultados alcanzados con este modelo fueron satisfactorios, logrando una precisión del 83,33% en la clasificación de los tipos de aguas subterráneas.