Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/14181Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | CORTES ISLAS, LUNA K. | - |
| dc.creator | CORTES ISLAS, LUNA K.%1348125 | - |
| dc.date.accessioned | 2026-10-16T18:29:51Z | - |
| dc.date.available | 2026-10-16T18:29:51Z | - |
| dc.date.issued | 2026-05-01 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/14181 | - |
| dc.description | La producción acuícola de tilapia enfrenta desafíos significativos relacionados con la gestión eficiente de la calidad del agua y el control de los costos operativos, debido a la interacción compleja de variables fisicoquímicas como temperatura, oxígeno disuelto, pH y compuestos nitrogenados. Estas condiciones influyen directamente en el crecimiento, salud y productividad de los organismos, lo que dificulta la toma de decisiones en sistemas de cultivo. En este contexto, la presente investigación tiene como objetivo desarrollar un modelo integral de predicción y optimización de la calidad del agua en la producción de tilapia mediante el uso de herramientas de inteligencia artificial. La metodología propuesta integra redes neuronales artificiales (RNA) para la modelación matemática del sistema y algoritmos genéticos multiobjetivo (AGMO) para la optimización simultánea de la calidad del agua y los costos operativos. Para la construcción del modelo, se consideraron diez variables fisicoquímicas relevantes, a partir de las cuales se generó una base de datos mediante simulación utilizando el software SIMNET II®. Posteriormente, se diseñaron, entrenaron y validaron redes neuronales tipo perceptrón multicapa (MLP) en MATLAB®, obteniendo modelos predictivos con alto nivel de precisión, alcanzando valores de correlación cercanos a R = 1 entre los datos simulados y los valores estimados. En una segunda etapa, se implementó un algoritmo genético multiobjetivo que permitió optimizar las funciones de calidad del agua y costo total, generando un conjunto de soluciones no dominadas representadas a través del frente de Pareto. Este enfoque facilitó la identificación de configuraciones óptimas del sistema acuícola, permitiendo equilibrar la mejora de la calidad del agua con la minimización de costos. Los resultados demuestran que la integración de redes neuronales artificiales y algoritmos genéticos multiobjetivo constituye una herramienta eficaz para el apoyo a la toma de decisiones en sistemas acuícolas, contribuyendo a mejorar la eficiencia operativa, la sostenibilidad y la resiliencia del cultivo de tilapia. No obstante, el modelo se basa en datos simulados, por lo que futuras investigaciones podrían incorporar datos en tiempo real para fortalecer su aplicabilidad en entornos reales. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | Tecnológico Nacional de México | es_MX |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
| dc.subject | info:eu-repo/classification/cti/7 | es_MX |
| dc.title | PREDICCION Y OPTIMIZACION DE LA CALIDAD DEL AGUA EN LA PRODUCCION DE TILAPIA, MEDIANTE EL USO DE LA INTELIGENCIA ARTIFICIAL | es_MX |
| dc.type | info:eu-repo/semantics/masterThesis | es_MX |
| dc.contributor.director | BAEZ SENTIES, OSCAR%65451 | - |
| dc.contributor.director | GURRUCHAGA RODRIGUEZ, MARIA E.%203792 | - |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Instituto Tecnológico de Orizaba | es_MX |
| Appears in Collections: | Maestría en Ingeniería Industrial | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| CESION DE DERECHOS_CVU_1348125_LUNA KARINA CORTES ISLAS.pdf | 213.27 kB | Adobe PDF | View/Open | |
| TESIS_LUNA KARINA CORTES ISLAS.pdf | 1.38 MB | Adobe PDF | View/Open |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
