Luis Casaverde-Pacherrez
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Luis Casaverde-Pacherrez has a total of 10 co-authors. Here are the top co-authors by number of shared publications:
- Daniel Alexis Pérez-Aguilar
Universidad de Piura
4 shared publications - Redy Henry Risco-Ramos
Universidad de Piura
3 shared publications - Carmen Téllez-Pérez
Institut Littoral Urbain Durable Intelligent. Laboratory of Engineering Science for Environment LaSIE-UMR-CNRS 7356, Eco-Intensification of Agro-Industrial Eco-Processes, La Rochelle University, La Rochelle, France
1 shared publication - Colette Besombes
Laboratory of Engineering Science for Environment LaSIE-UMR-CNRS 7356, Eco-Intensification of Agro-Industrial Eco-Processes, La Rochelle University, 17042 La Rochelle, France
1 shared publication - Daniel Marcelo-Aldana
Facultad de Ingeniería, Universidad de Piura, Av. Ramon Mugica 131, Piura 20009, Peru
1 shared publication - Edilberto Vasquez
Universidad de Piura,Engineering Faculty,Piura,Peru
1 shared publication
Latest Publications
- Open Access
- 1 December 2022
- Published by SciELO Agencia Nacional de Investigacion y Desarrollo (ANID) in Información tecnológica
- Vol. 33 (6) , 31-44
Aplicación de técnicas de minería de datos para determinar un modelo de operación de un turbogenerador hidráulico
Este estudio aplica un modelo de referencia que implementa la minería de datos como parte de un entorno de inteligencia de negocios para analizar la operación de un turbogenerador hidráulico. Los datos analizados provienen del sistema de control y adquisición de datos de una central hidroeléctrica. Se genera un modelo utilizando análisis de componentes principales. Luego, se evalúa el modelo con nuevas observaciones utilizando los gráficos de control estadístico multivariante: cuadrado del error de predicción y T2 de Hotelling y finalmente se implementa el análisis conectando las tablas generadas con una herramienta convencional de inteligencia de negocios. El modelo se prueba en cinco muestras correspondientes a periodos previos a una parada del turbogenerador. Se concluye que el modelo de referencia utilizado puede ser aplicado al análisis de la operación de un turbogenerador hidráulico, que los gráficos de control son capaces de detectar comportamientos atípicos de operación y que es necesario el conocimiento del proceso a analizar para una adecuada interpretación de los resultados.
- 1 December 2022
- Published by SciELO Agencia Nacional de Investigacion y Desarrollo (ANID) in Información tecnológica
- Vol. 33 (6) , 31-44
Open AccessAplicación de técnicas de minería de datos para determinar un modelo de operación de un turbogenerador hidráulico
Este estudio aplica un modelo de referencia que implementa la minería de datos como parte de un entorno de inteligencia de negocios para analizar la operación de un turbogenerador hidráulico. Los datos analizados provienen del sistema de control y adquisición de datos de una central hidroeléctrica. Se genera un modelo utilizando análisis de componentes principales. Luego, se evalúa el modelo con nuevas observaciones utilizando los gráficos de control estadístico multivariante: cuadrado del error de predicción y T2 de Hotelling y finalmente se implementa el análisis conectando las tablas generadas con una herramienta convencional de inteligencia de negocios. El modelo se prueba en cinco muestras correspondientes a periodos previos a una parada del turbogenerador. Se concluye que el modelo de referencia utilizado puede ser aplicado al análisis de la operación de un turbogenerador hidráulico, que los gráficos de control son capaces de detectar comportamientos atípicos de operación y que es necesario el conocimiento del proceso a analizar para una adecuada interpretación de los resultados.
- Open Access
Effect of Swell-Drying on Mango (Mangifera indica) Drying Kinetics
Swell-Drying operation (SD) was applied on mangoes to evaluate its effect on drying kinetics: starting accessibility (δW), apparent drying coefficient (Dapp), and time to obtain a final moisture content of 20% d.b (tf = 20% d.b). Swell-drying consisted of (1) submitting fresh mangoes to a first pre-drying stage under Convective Air Drying (CAD) until a moisture content of 37% d.b; (2) applying Instant Controlled Pressure Drop (DIC) treatments on pre-dried mangoes by following a central composite rotatable design (steam pressure: 0.2–0.6 MPa and treatment time: 5 and 55 s); and (3) apply post-drying of mangoes under CAD. In both cases, CAD was performed at 60 °C and airflow of 1 m/s. Results showed that both the treatment time and the steam pressure impacted the Dapp and the δW. By comparing to the control, SD (0.54 MPa and 48 s) increased the Dapp and δW to 12.2 and 2.7 times, respectively. Moreover, SD triggers a significant reduction in post-drying time (tf = 20% d.b), being this of 2.4 h vs. 30.8 h. These results could be linked to the expansion of the internal pores of mangoes generated by the instant autovaporization of residual water triggered by DIC treatment.
Open AccessEffect of Swell-Drying on Mango (Mangifera indica) Drying Kinetics
Swell-Drying operation (SD) was applied on mangoes to evaluate its effect on drying kinetics: starting accessibility (δW), apparent drying coefficient (Dapp), and time to obtain a final moisture content of 20% d.b (tf = 20% d.b). Swell-drying consisted of (1) submitting fresh mangoes to a first pre-drying stage under Convective Air Drying (CAD) until a moisture content of 37% d.b; (2) applying Instant Controlled Pressure Drop (DIC) treatments on pre-dried mangoes by following a central composite rotatable design (steam pressure: 0.2–0.6 MPa and treatment time: 5 and 55 s); and (3) apply post-drying of mangoes under CAD. In both cases, CAD was performed at 60 °C and airflow of 1 m/s. Results showed that both the treatment time and the steam pressure impacted the Dapp and the δW. By comparing to the control, SD (0.54 MPa and 48 s) increased the Dapp and δW to 12.2 and 2.7 times, respectively. Moreover, SD triggers a significant reduction in post-drying time (tf = 20% d.b), being this of 2.4 h vs. 30.8 h. These results could be linked to the expansion of the internal pores of mangoes generated by the instant autovaporization of residual water triggered by DIC treatment.
- Open Access
- 22 April 2022
- Published by Universidad Nacional de Colombia in DYNA
- Vol. 89 (221) , 31-40
Use of a business intelligence framework in the management of the quality of the electricity supply in small and medium-sized companies
This work shows a method based on Business Intelligence and its application for solving issues and problems in small and medium industries. In this matter, methodologies used by specialists were investigated: three methods were chosen and evaluated, and, of them, the CRISP-DM (Cross-Industry Standard Process for Data Mining) methodology was used as a reference. Making an unconventional use of a commercial BI platform, the methodology was applied to a real case study: an agro-industrial company. After the application of the methodology and the descriptive, diagnostic and prescriptive analyzes, information and knowledge were found that allowed to propose the deployment of corrective measures that will improve the management of the company's electricity supply. This showed that these tools not only have application in commercial matters but also in the management of the electricity supply and, therefore, in the organizational performance of the company.
- 22 April 2022
- Published by Universidad Nacional de Colombia in DYNA
- Vol. 89 (221) , 31-40
Open AccessUse of a business intelligence framework in the management of the quality of the electricity supply in small and medium-sized companies
This work shows a method based on Business Intelligence and its application for solving issues and problems in small and medium industries. In this matter, methodologies used by specialists were investigated: three methods were chosen and evaluated, and, of them, the CRISP-DM (Cross-Industry Standard Process for Data Mining) methodology was used as a reference. Making an unconventional use of a commercial BI platform, the methodology was applied to a real case study: an agro-industrial company. After the application of the methodology and the descriptive, diagnostic and prescriptive analyzes, information and knowledge were found that allowed to propose the deployment of corrective measures that will improve the management of the company's electricity supply. This showed that these tools not only have application in commercial matters but also in the management of the electricity supply and, therefore, in the organizational performance of the company.
- Open Access
- 29 June 2021
- Published by Salesian Polytechnic University of Ecuador in INGENIUS
- No. 26,p. 71-86
Transfer learning en la clasificación binaria de imágenes térmicas
La clasificación de imágenes térmicas es un aspecto clave en el sector industrial, debido a que suele ser el punto de partida en la detección de fallos en equipos eléctricos. En algunos casos, esta tarea se automatiza mediante el uso de técnicas tradicionales de inteligencia artificial, mientras que en otros, es realizada de manera manual, lo cual puede traer consigo altas tasas de error humano. Este artículo presenta un análisis comparativo entre once arquitecturas de transfer learning (AlexNet, VGG16, VGG19, ResNet, DenseNet, MobileNet v2, GoogLeNet, ResNeXt, Wide ResNet, MNASNet y ShuffleNet) mediante el uso de fine-tuning, con la finalidad de realizar una clasificación binaria de imágenes térmicas en una red de distribución eléctrica. Para ello, se dispone de una base de datos con 815 imágenes, divididas mediante la técnica tipo hold-out 60-20-20 y validación cruzada con 5-folds, para finalmente analizar su rendimiento mediante el test de Friedman. Luego de los experimentos, se obtuvieron resultados satisfactorios con exactitudes superiores a 85 % en diez de las arquitecturas previamente entrenadas. Sin embargo, la arquitectura que no se entrenó previamente presentó una exactitud baja; concluyéndose que la aplicación de transfer learning mediante el uso de arquitecturas previamente entrenadas es un mecanismo adecuado en la clasificación de este tipo de imágenes, y representa una alternativa confiable frente a técnicas tradicionales de inteligencia artificial.
- 29 June 2021
- Published by Salesian Polytechnic University of Ecuador in INGENIUS
- No. 26,p. 71-86
Open AccessTransfer learning en la clasificación binaria de imágenes térmicas
La clasificación de imágenes térmicas es un aspecto clave en el sector industrial, debido a que suele ser el punto de partida en la detección de fallos en equipos eléctricos. En algunos casos, esta tarea se automatiza mediante el uso de técnicas tradicionales de inteligencia artificial, mientras que en otros, es realizada de manera manual, lo cual puede traer consigo altas tasas de error humano. Este artículo presenta un análisis comparativo entre once arquitecturas de transfer learning (AlexNet, VGG16, VGG19, ResNet, DenseNet, MobileNet v2, GoogLeNet, ResNeXt, Wide ResNet, MNASNet y ShuffleNet) mediante el uso de fine-tuning, con la finalidad de realizar una clasificación binaria de imágenes térmicas en una red de distribución eléctrica. Para ello, se dispone de una base de datos con 815 imágenes, divididas mediante la técnica tipo hold-out 60-20-20 y validación cruzada con 5-folds, para finalmente analizar su rendimiento mediante el test de Friedman. Luego de los experimentos, se obtuvieron resultados satisfactorios con exactitudes superiores a 85 % en diez de las arquitecturas previamente entrenadas. Sin embargo, la arquitectura que no se entrenó previamente presentó una exactitud baja; concluyéndose que la aplicación de transfer learning mediante el uso de arquitecturas previamente entrenadas es un mecanismo adecuado en la clasificación de este tipo de imágenes, y representa una alternativa confiable frente a técnicas tradicionales de inteligencia artificial.
- Open Access
- 29 June 2021
- Published by Salesian Polytechnic University of Ecuador in INGENIUS
- No. 26,p. 71-86
Transfer learning en la clasificación binaria de imágenes térmicas
La clasificación de imágenes térmicas es un aspecto clave en el sector industrial, debido a que suele ser el punto de partida en la detección de fallos en equipos eléctricos. En algunos casos, esta tarea se automatiza mediante el uso de técnicas tradicionales de inteligencia artificial, mientras que en otros, es realizada de manera manual, lo cual puede traer consigo altas tasas de error humano. Este artículo presenta un análisis comparativo entre once arquitecturas de transfer learning (AlexNet, VGG16, VGG19, ResNet, DenseNet, MobileNet v2, GoogLeNet, ResNeXt, Wide ResNet, MNASNet y ShuffleNet) mediante el uso de fine-tuning, con la finalidad de realizar una clasificación binaria de imágenes térmicas en una red de distribución eléctrica. Para ello, se dispone de una base de datos con 815 imágenes, divididas mediante la técnica tipo hold-out 60-20-20 y validación cruzada con 5-folds, para finalmente analizar su rendimiento mediante el test de Friedman. Luego de los experimentos, se obtuvieron resultados satisfactorios con exactitudes superiores a 85 % en diez de las arquitecturas previamente entrenadas. Sin embargo, la arquitectura que no se entrenó previamente presentó una exactitud baja; concluyéndose que la aplicación de transfer learning mediante el uso de arquitecturas previamente entrenadas es un mecanismo adecuado en la clasificación de este tipo de imágenes, y representa una alternativa confiable frente a técnicas tradicionales de inteligencia artificial.
- 29 June 2021
- Published by Salesian Polytechnic University of Ecuador in INGENIUS
- No. 26,p. 71-86
Open AccessTransfer learning en la clasificación binaria de imágenes térmicas
La clasificación de imágenes térmicas es un aspecto clave en el sector industrial, debido a que suele ser el punto de partida en la detección de fallos en equipos eléctricos. En algunos casos, esta tarea se automatiza mediante el uso de técnicas tradicionales de inteligencia artificial, mientras que en otros, es realizada de manera manual, lo cual puede traer consigo altas tasas de error humano. Este artículo presenta un análisis comparativo entre once arquitecturas de transfer learning (AlexNet, VGG16, VGG19, ResNet, DenseNet, MobileNet v2, GoogLeNet, ResNeXt, Wide ResNet, MNASNet y ShuffleNet) mediante el uso de fine-tuning, con la finalidad de realizar una clasificación binaria de imágenes térmicas en una red de distribución eléctrica. Para ello, se dispone de una base de datos con 815 imágenes, divididas mediante la técnica tipo hold-out 60-20-20 y validación cruzada con 5-folds, para finalmente analizar su rendimiento mediante el test de Friedman. Luego de los experimentos, se obtuvieron resultados satisfactorios con exactitudes superiores a 85 % en diez de las arquitecturas previamente entrenadas. Sin embargo, la arquitectura que no se entrenó previamente presentó una exactitud baja; concluyéndose que la aplicación de transfer learning mediante el uso de arquitecturas previamente entrenadas es un mecanismo adecuado en la clasificación de este tipo de imágenes, y representa una alternativa confiable frente a técnicas tradicionales de inteligencia artificial.