Edit C:\dspace\solr\search\data\tlog\tlog.0000000000000003123
)SOLR_TLOGA'strings? ?C?$tq? 7handle:"123456789/1390" #?A??` J?? 7SolrIndexer.lastIndexed82026-04-24T12:48:21.735Z/search.uniqueid?2-5f5c9928-6263-400e-9230-cae19cb15a133search.resourcetype!21search.resourceid?5f5c9928-6263-400e-9230-cae19cb15a13&handle.123456789/1390(location??ma0934804-27e9-4386-bb79-53023e4cc66b?m0e86e95e-fa8c-4b33-a1f0-36da98159ec5?m58a1dd5d-c6ae-4d95-a8c4-d416c90f1d5f?l22682ca6-e66a-4964-99e6-d6cc2587af8b-location.comm??a0934804-27e9-4386-bb79-53023e4cc66b?0e86e95e-fa8c-4b33-a1f0-36da98159ec5?58a1dd5d-c6ae-4d95-a8c4-d416c90f1d5f-location.coll?22682ca6-e66a-4964-99e6-d6cc2587af8b(archived$true)withdrawn%false,discoverable$true,lastModified82026-04-24T12:48:21.719Z&author?6Kassem Moussa, Mohamad=Sanabria Gaona, Alexis Javier9Arrúa Ginés, Jorge Luis;Karin Moussa, Hussein Abdul.author_keyword?6Kassem Moussa, Mohamad=Sanabria Gaona, Alexis Javier9Arrúa Ginés, Jorge Luis;Karin Moussa, Hussein Abdul)author_ac??kassem moussa, mohamad ||| Kassem Moussa, Mohamad? sanabria gaona, alexis javier ||| Sanabria Gaona, Alexis Javier?arrúa ginés, jorge luis ||| Arrúa Ginés, Jorge Luis? karin moussa, hussein abdul ||| Karin Moussa, Hussein Abdul-author_filter??kassem moussa, mohamad ||| Kassem Moussa, Mohamad? sanabria gaona, alexis javier ||| Sanabria Gaona, Alexis Javier?arrúa ginés, jorge luis ||| Arrúa Ginés, Jorge Luis? karin moussa, hussein abdul ||| Karin Moussa, Hussein Abdul8dc.contributor.author_hl?6Kassem Moussa, Mohamad=Sanabria Gaona, Alexis Javier9Arrúa Ginés, Jorge Luis;Karin Moussa, Hussein Abdul9dc.contributor.author_mlt?6Kassem Moussa, Mohamad=Sanabria Gaona, Alexis Javier9Arrúa Ginés, Jorge Luis;Karin Moussa, Hussein Abdul5dc.contributor.author?6Kassem Moussa, Mohamad=Sanabria Gaona, Alexis Javier9Arrúa Ginés, Jorge Luis;Karin Moussa, Hussein Abdul<dc.contributor.author_stored??Kassem Moussa, Mohamad ||| null ||| null ||| null ||| null?"Sanabria Gaona, Alexis Javier ||| null ||| null ||| null ||| null? Arrúa Ginés, Jorge Luis ||| null ||| null ||| null ||| null? Karin Moussa, Hussein Abdul ||| null ||| null ||| null ||| null:dc.description.abstract_hl??La identificación tradicional de fases cristalinas mediante difracción de rayos x (DRX) requiere un análisis manual experto que consume entre 8 y 12 horas por muestra, presentando tasas de error del 15% al 30% en sistemas multifásicos. Para resolver esta problemática analítica y operativa, este trabajo presenta el desarrollo de un sistema basado en inteligencia artificial capaz de automatizar la identificación de materiales. La solución propuesta utiliza redes neuronales convolucionales (CNN) para reconocer patrones característicos en difractogramas, procesando y validando un conjunto de datos extraído principalmente de la Crystallography Open Database. La implementación del modelo logró reducir el tiempo de análisis de horas a minutos por muestra y alcanzó una precisión de identificación de 87.8% en los compuestos químicos estudiados y una precisión de 91.8% en los sistemas cristalinos estudiados. Se concluye que esta arquitectura neuronal optimiza significativamente los recursos del laboratorio, mitigando el error humano y acelerando el procesamiento de datos complejos.7dc.description.abstract??La identificación tradicional de fases cristalinas mediante difracción de rayos x (DRX) requiere un análisis manual experto que consume entre 8 y 12 horas por muestra, presentando tasas de error del 15% al 30% en sistemas multifásicos. Para resolver esta problemática analítica y operativa, este trabajo presenta el desarrollo de un sistema basado en inteligencia artificial capaz de automatizar la identificación de materiales. La solución propuesta utiliza redes neuronales convolucionales (CNN) para reconocer patrones característicos en difractogramas, procesando y validando un conjunto de datos extraído principalmente de la Crystallography Open Database. La implementación del modelo logró reducir el tiempo de análisis de horas a minutos por muestra y alcanzó una precisión de identificación de 87.8% en los compuestos químicos estudiados y una precisión de 91.8% en los sistemas cristalinos estudiados. Se concluye que esta arquitectura neuronal optimiza significativamente los recursos del laboratorio, mitigando el error humano y acelerando el procesamiento de datos complejos.=dc.description.abstract.es_ES??La identificación tradicional de fases cristalinas mediante difracción de rayos x (DRX) requiere un análisis manual experto que consume entre 8 y 12 horas por muestra, presentando tasas de error del 15% al 30% en sistemas multifásicos. Para resolver esta problemática analítica y operativa, este trabajo presenta el desarrollo de un sistema basado en inteligencia artificial capaz de automatizar la identificación de materiales. La solución propuesta utiliza redes neuronales convolucionales (CNN) para reconocer patrones característicos en difractogramas, procesando y validando un conjunto de datos extraído principalmente de la Crystallography Open Database. La implementación del modelo logró reducir el tiempo de análisis de horas a minutos por muestra y alcanzó una precisión de identificación de 87.8% en los compuestos químicos estudiados y una precisión de 91.8% en los sistemas cristalinos estudiados. Se concluye que esta arquitectura neuronal optimiza significativamente los recursos del laboratorio, mitigando el error humano y acelerando el procesamiento de datos complejos./dc.language.iso"es5dc.language.iso.es_ES"es,dc.publisher?Facultad Politécnica, Universidad Nacional del Este2dc.publisher.es_ES?Facultad Politécnica, Universidad Nacional del Este'subject?6difracción de rayos x?redes neuronales convolucionales4aprendizaje profundo=identificación de materiales/automatización/subject_keyword?6difracción de rayos x6difracción de rayos x?redes neuronales convolucionales?redes neuronales convolucionales4aprendizaje profundo4aprendizaje profundo=identificación de materiales=identificación de materiales/automatización/automatización*subject_ac??difracción de rayos x ||| difracción de rayos x?&redes neuronales convolucionales ||| redes neuronales convolucionales?aprendizaje profundo ||| aprendizaje profundo? identificación de materiales ||| identificación de materiales?automatización ||| automatización4subject_tax_0_filter??difracción de rayos x ||| difracción de rayos x?&redes neuronales convolucionales ||| redes neuronales convolucionales?aprendizaje profundo ||| aprendizaje profundo? identificación de materiales ||| identificación de materiales?automatización ||| automatización.subject_filter??difracción de rayos x ||| difracción de rayos x?&redes neuronales convolucionales ||| redes neuronales convolucionales?aprendizaje profundo ||| aprendizaje profundo? identificación de materiales ||| identificación de materiales?automatización ||| automatización.dc.subject_mlt?6difracción de rayos x?redes neuronales convolucionales4aprendizaje profundo=identificación de materiales/automatización*dc.subject?6difracción de rayos x?redes neuronales convolucionales4aprendizaje profundo=identificación de materiales/automatización0dc.subject.es_ES?6difracción de rayos x?redes neuronales convolucionales4aprendizaje profundo=identificación de materiales/automatización%title?6Uso de inteligencia artificial para identificar materiales por difracción de rayos x-title_keyword?6Uso de inteligencia artificial para identificar materiales por difracción de rayos x(title_ac??uso de inteligencia artificial para identificar materiales por difracción de rayos x ||| Uso de inteligencia artificial para identificar materiales por difracción de rayos x-dc.title_sort?6Uso de inteligencia artificial para identificar materiales por difracción de rayos x+dc.title_hl?6Uso de inteligencia artificial para identificar materiales por difracción de rayos x,dc.title_mlt?6Uso de inteligencia artificial para identificar materiales por difracción de rayos x(dc.title?6Uso de inteligencia artificial para identificar materiales por difracción de rayos x/dc.title_stored?[Uso de inteligencia artificial para identificar materiales por difracción de rayos x ||| null ||| null ||| null ||| es_ES.dc.title.es_ES?6Uso de inteligencia artificial para identificar materiales por difracción de rayos x'dc.type&Thesis-dc.type.es_ES&Thesis1dc.identifier.uri?http://localhost:8080/xmlui/handle/123456789/13906dc.date.accessioned_dt82026-04-24T12:48:11.000Z3dc.date.accessioned42026-04-24T12:48:11Z1dc.date.available42026-04-24T12:48:11Z*dateIssued*2026-01-012dateIssued_keyword?*2026-01-01$2026-dateIssued_ac?92026-01-01 ||| 2026-01-01$2026/dateIssued.year$20264dateIssued.year_sort$20261dc.date.issued_dt82026-01-01T00:00:00.000Z.dc.date.issued*2026-01-015dc.date.issued_stored?2026-01-01 ||| null ||| null ||| null ||| null/publication_grp.123456789/1390>has_content_in_original_bundle%false?has_content_in_original_bundle_keyword%false?has_content_in_original_bundle_filter%false/bi_2_dis_filter?? karin moussa, hussein abdul ||| Karin Moussa, Hussein Abdul?kassem moussa, mohamad ||| Kassem Moussa, Mohamad?arru?a gine?s, jorge luis ||| Arrúa Ginés, Jorge Luis? sanabria gaona, alexis javier ||| Sanabria Gaona, Alexis Javier0bi_2_dis_partial?=Sanabria Gaona, Alexis Javier9Arrúa Ginés, Jorge Luis;Karin Moussa, Hussein Abdul6Kassem Moussa, Mohamad5bi_2_dis_value_filter?=Sanabria Gaona, Alexis Javier9Arrúa Ginés, Jorge Luis;Karin Moussa, Hussein Abdul6Kassem Moussa, Mohamad/bi_4_dis_filter??automatizacio?n ||| automatización?!identificacio?n de materiales ||| identificación de materiales?aprendizaje profundo ||| aprendizaje profundo?&redes neuronales convolucionales ||| redes neuronales convolucionales?difraccio?n de rayos x ||| difracción de rayos x0bi_4_dis_partial?/automatización6difracción de rayos x4aprendizaje profundo?redes neuronales convolucionales=identificación de materiales5bi_4_dis_value_filter?/automatización6difracción de rayos x4aprendizaje profundo?redes neuronales convolucionales=identificación de materiales.bi_sort_1_sort?7uso de inteligencia artificial para identificar materiales por difraccio?n de rayos x.bi_sort_2_sort$2026.bi_sort_3_sort42026-04-24T12:48:11Z$read?g8f18a99c-4fd6-4787-bf2c-39ee4473d82a'a_spell?6Kassem Moussa, Mohamad=Sanabria Gaona, Alexis Javier9Arrúa Ginés, Jorge Luis;Karin Moussa, Hussein Abdul??La identificación tradicional de fases cristalinas mediante difracción de rayos x (DRX) requiere un análisis manual experto que consume entre 8 y 12 horas por muestra, presentando tasas de error del 15% al 30% en sistemas multifásicos. Para resolver esta problemática analítica y operativa, este trabajo presenta el desarrollo de un sistema basado en inteligencia artificial capaz de automatizar la identificación de materiales. La solución propuesta utiliza redes neuronales convolucionales (CNN) para reconocer patrones característicos en difractogramas, procesando y validando un conjunto de datos extraído principalmente de la Crystallography Open Database. La implementación del modelo logró reducir el tiempo de análisis de horas a minutos por muestra y alcanzó una precisión de identificación de 87.8% en los compuestos químicos estudiados y una precisión de 91.8% en los sistemas cristalinos estudiados. Se concluye que esta arquitectura neuronal optimiza significativamente los recursos del laboratorio, mitigando el error humano y acelerando el procesamiento de datos complejos."es?Facultad Politécnica, Universidad Nacional del Este6difracción de rayos x?redes neuronales convolucionales4aprendizaje profundo=identificación de materiales/automatización?6Uso de inteligencia artificial para identificar materiales por difracción de rayos x&Thesis?http://localhost:8080/xmlui/handle/123456789/139042026-04-24T12:48:11Z42026-04-24T12:48:11Z$2026)_version_??` .??D`-SOLR_TLOG_END
Ms-Dos/Windows
Unix
Write backup
jsp File Browser version 1.2 by
www.vonloesch.de