REVISTA DE INGENIERIA DYNA

Palabras clave:

red neuronal híbrida; entornos marítimos;predicción de la concentración de CO2; buques de entrenamiento; validación y generalización de modelos; hybrid neural network; maritime environments; prediction of CO? concentration; training vessels; model validation and generalisation

Tipo de artículo:

ARTICULO DE INVESTIGACION / RESEARCH ARTICLE

Sección:

ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

Este estudio presenta una arquitectura de red neuronal híbrida que incorpora capas LSTM, CNN y MLP para predecir las concentraciones de CO2 en entornos marinos. La arquitectura propuesta utiliza 96 variables de entrada y genera 48 variables de salida, lo que le permite capturar de manera eficiente los patrones temporales y espaciales en los datos analizados. Se implementó una validación cruzada con cinco pliegues para evaluar la generalizabilidad del modelo validado previamente. Además, se incorporaron nuevos datos de series temporales de cuatro ubicaciones diferentes en tres buques de entrenamiento de la Armada que operaban en la misma zona para probar el rendimiento del modelo en condiciones reales. Las técnicas estadísticas aplicadas demostraron ser eficaces y precisas. En condiciones de entrenamiento, el modelo alcanzó un MAE de 8,5-12,5 ppm y un MAPE de 2-3 %, lo que demuestra su eficacia en la monitorización medioambiental en buques de entrenamiento.