Almonacid Hurtado, Paula María2023-03-062022http://hdl.handle.net/10784/32212Una de las grandes problemáticas que tiene cualquier ciudad en el mundo es la disposición y el tratamiento de los residuos generados por los hogares, comercios e industrias, y más aún cuando hay diferentes iniciativas a nivel mundial y Objetivos de Desarrollo Sostenible encaminadas a la protección del medio ambiente. El reto en torno a este tema es lograr que los diferentes usuarios del sistema separen adecuadamente los residuos inservibles, reciclables y orgánicos. Sin embargo, una vez logrado esto se tiene que buscar la disposición y el tratamiento independiente de estos tres. Alrededor del mundo se han desarrollado diferentes estrategias entorno al tratamiento del material reciclable y el uso de rellenos sanitarios para la disposición final de los residuos inservibles, pero aún son pocas las entidades territoriales que tienen un progreso significativo en el tratamiento de los residuos orgánicos. En la mayoría de los casos, estos últimos terminan en los rellenos sanitarios junto con todo el material inservible, generando una serie de líquidos lixiviados los cuales son sumamente nocivos para el medio ambiente, en especial para las fuentes hídricas. En este proyecto se utilizan técnicas de aprendizaje de máquinas para modelar y predecir la generación municipal de residuos orgánicos, que será la materia prima de una planta de residuos orgánicos. Al ser este un servicio público y operar con recursos públicos tiene la obligación de ser lo más eficiente posible, de tal manera que los recursos que se utilicen en la planta para tratar los residuos orgánicos, como mano de obra u otros insumos químicos u orgánicos, no sean excesivos y se malgaste el presupuesto; o por el contrario sean pocos y no se tenga la capacidad de tratar el 100% de los residuos orgánicos, y que estos terminen en el relleno sanitario generando un sinnúmero de complicaciones. El modelado y predicción de la generación de residuos orgánicos brinda información que permita la operación eficiente de una planta de este tipo. Como resultados, se analizaron las métricas de modelos lineales y no lineales, univariados y multivariados, donde el mejor ajuste lo logró el Modelo autorregresivo integrado de media móvil (ARIMA).spaTodos los derechos reservadosResiduos sólidos urbanosDepósito de basuraRelleno sanitarioAprendizaje automáticomasterThesisinfo:eu-repo/semantics/openAccessAPRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)RESIDUOS ORGÁNICOSCONTAMINACIÓN DEL AGUA POR SUSTANCIAS ORGÁNICASRESIDUOS SÓLIDOSOrganic WasteMunicipal Solid WasteWaste DisposalLandfillMachine LearningAcceso abierto2023-03-06Orrego Henao, Juan Luis658.567 O758