En este artículo se presenta la caracterización de los estilos de aprendizaje de los estudiantes de la asignatura Control: Entrada-Salida, según el modelo de estilos de aprendizaje de Felder y Silverman. Para ello, se solicitó a un grupo de estudiantes que diligenciaran un instrumento de diagnóstico de estilos de aprendizaje propuesto por Felder y Silverman. Con el objetivo de validar la premisa de Felder y Silverman acerca de los estilos de aprendizaje para los ingenieros, el primer análisis se realizó independiente del nivel de preferencia de cada estilo. Se realizaron pruebas de Chi-Cuadrado para validar si existía una diferencia de porción entre los estilos. Luego, para los estilos en los cuales sí existió esa diferencia, se realizó una prueba de una porción para conocer hacia qué estilo se tiene la tendencia. Un segundo análisis se realizó según el nivel de preferencia de cada estilo de aprendizaje, teniendo en cuenta la escala del modelo, ya fuera leve, moderada o fuerte. El estudio se realizó durante tres periodos académicos y a través de los análisis realizados se validó la premisa de Felder y Silverman sólo para dos estilos de aprendizaje. Los resultados fueron utilizados para diseñar un laboratorio de control en el cual se obtuvo la realimentación de los estudiantes a través de una encuesta.
The transport of fine particles is one of the major causes of permeability reduction in porous media. A number of mathematical models have been suggested in the literature to simulate and quantify this reduction. Simple models include analytical solutions of the equations that describe the phenomenon, while more complex models are solved by numerical methods. In this study, an Artificial Neural Network (ANN) and a Fuzzy Model (FM) were developed to predict the permeability reduction by external particle invasion in non-consolidated porous media. For the training process, the results of 42 laboratory experiments were employed. The input data covered a wide range of porosity, permeability, injection rates, and fines concentrations. The developed FM and ANN were tested with eight sets of experiments that were not used in the training. The results show that the ANN can match and predict, with high precision, the permeability reduction as a function of pore volumes of fine suspensions injected. The FM predicts the permeability reduction with moderate precision. Introduction The transport of fine particles in formations followed by plugging has been recognized as the major cause of formation damage. According to Liu et al(1), the fine particles that cause permeability reduction can be classified according to their origin as externally injected, chemically generated, and mobilized particles. External particles are the result of injection processes with fluids containing particulate material, including solids, emulsions, and bacteria. A number of mathematical models have been developed to predict formation damage, Civan(2) presents an evaluation and comparison of six of them. In general, analytical and numerical models involve phenomenological constants that need to be determined for formation damage prediction; for example, the numerical model developed by Civan et al(2, 3) requires the determination of 11 phenomenological constants to predict formation damage caused by externally injected, chemically generated, and mobilized particles. These constants generate uncertainty, in addition to high computational efforts, in the numerical models developed to predict permeability reduction. Artificial Neural Networks, Fuzzy Models and Fuzzy-Neural- Networks have been increasingly used for prediction of complex non-linear systems with good results(4–7). ANN and FM are artificial tools developed to provide machines with man-styled logical procedures. Although there are differences in their structure and operation, their range of application is similar: modelling, forecasting, estimating, etc. The main difference between ANN and FM comes from their basis. While ANN imitates the human brain in its structural configuration, FM imitates the human brain in its operational performance. As a first approach, it could be said that ANN (especially Feed-Forward Networks) have their optimum performance when pattern recognition tasks are required. FM (especially Takagi-Sugeno Fuzzy Models) are suitable for function approximation, given that prior knowledge of the problem is provided. There has been a growing interest in the development of Neuro-Fuzzy systems. Neuro-Fuzzy systems take advantage of both ANN and FM models to enlarge the range of application of the resulting model.
Este artículo describe una aplicación de visión artificial para la automatización del proceso de calificación de exámenes escritos del tipo de selección múltiple. Una cámara digital es usada para capturar fotografías de las hojas de respuesta, que luego son adecuadas y procesadas con el fin de determinar la nota del estudiante. La adecuación de las imágenes se hace por medio de algoritmos heurísticos de filtrado y redimensionamiento de baja complejidad, con miras a portar la aplicación a una plataforma móvil en el futuro. Los resultados obtenidos son prometedores, con una tasa de aciertos de alrededor del 97 %, y con buena tolerancia a condiciones cambiantes de iluminación y orientación en la toma de las fotografías.
El Centro de Estudios Aeronáuticos (CEA) de la Aeronáutica Civil (UAEAC) ubicado en la ciudad de Bogotá, Colombia, cuenta con un túnel de viento subsónico denominado ELD 402B tipo Eiffel para el desarrollo de prácticas de aerodinámica. Esto le permite al Grupo de Investigación Aeronáutica (G.IN.A) de la institución contar con una herramienta para realizar labores en investigación y docencia. Por lo cual se propone como objetivo desarrollar un sistema de adquisición de datos aerodinámicos y la interfaz del usuario del túnel de viento subsónico. Con el fin de ampliar las capacidades de este túnel de viento, se desarrolló e implementó un sistema que permite adquirir las señales de los sensores de la balanza aerodinámica, ubicados en la sección de pruebas del túnel de viento. La adquisición y procesamiento se realizó con la herramienta de software LabVIEW, con la cual se implementó una interfaz gráfica que permite visualizar las variables entregadas por los sensores, las fuerzas aerodinámicas principales en el perfil alar de prueba, coeficientes aerodinámicos y velocidad relativa del flujo de aire al momento del experimento. En este documento se presentan los resultados de las pruebas de funcionamiento y el proceso de diseño e implementación del sistema que permite hacer mediciones de las variables aerodinámicas, como son los coeficientes de sustentación y arrastre para el modelo que se encuentre en la sección de pruebas del túnel de viento en tiempo real.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.