
)SOLR_TLOGA'strings€   ƒCæ$tq  7handle:"123456789/1390"   #ƒAÛø‹`  J?€  7SolrIndexer.lastIndexed82026-04-24T12:48:21.735Z/search.uniqueid?2-5f5c9928-6263-400e-9230-cae19cb15a133search.resourcetype!21search.resourceid?5f5c9928-6263-400e-9230-cae19cb15a13&handle.123456789/1390(location„?ma0934804-27e9-4386-bb79-53023e4cc66b?m0e86e95e-fa8c-4b33-a1f0-36da98159ec5?m58a1dd5d-c6ae-4d95-a8c4-d416c90f1d5f?l22682ca6-e66a-4964-99e6-d6cc2587af8b-location.commƒ?a0934804-27e9-4386-bb79-53023e4cc66b?0e86e95e-fa8c-4b33-a1f0-36da98159ec5?58a1dd5d-c6ae-4d95-a8c4-d416c90f1d5f-location.coll?22682ca6-e66a-4964-99e6-d6cc2587af8b(archived$true)withdrawn%false,discoverable$true,lastModified82026-04-24T12:48:21.719Z&author„6Kassem Moussa, Mohamad=Sanabria Gaona, Alexis Javier9ArrÃºa GinÃ©s, Jorge Luis;Karin Moussa, Hussein Abdul.author_keyword„6Kassem Moussa, Mohamad=Sanabria Gaona, Alexis Javier9ArrÃºa GinÃ©s, Jorge Luis;Karin Moussa, Hussein Abdul)author_ac„?kassem moussa, mohamad
|||
Kassem Moussa, Mohamad? sanabria gaona, alexis javier
|||
Sanabria Gaona, Alexis Javier?arrÃºa ginÃ©s, jorge luis
|||
ArrÃºa GinÃ©s, 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?arrÃºa ginÃ©s, jorge luis
|||
ArrÃºa GinÃ©s, Jorge Luis?karin moussa, hussein abdul
|||
Karin Moussa, Hussein Abdul8dc.contributor.author_hl„6Kassem Moussa, Mohamad=Sanabria Gaona, Alexis Javier9ArrÃºa GinÃ©s, Jorge Luis;Karin Moussa, Hussein Abdul9dc.contributor.author_mlt„6Kassem Moussa, Mohamad=Sanabria Gaona, Alexis Javier9ArrÃºa GinÃ©s, Jorge Luis;Karin Moussa, Hussein Abdul5dc.contributor.author„6Kassem Moussa, Mohamad=Sanabria Gaona, Alexis Javier9ArrÃºa GinÃ©s, 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?ArrÃºa GinÃ©s, Jorge Luis
|||
null
|||
null
|||
null
|||
null? Karin Moussa, Hussein Abdul
|||
null
|||
null
|||
null
|||
null:dc.description.abstract_hl?³La identificaciÃ³n tradicional de fases cristalinas mediante difracciÃ³n de rayos x (DRX) requiere un anÃ¡lisis manual experto que consume entre 8 y 12 horas por muestra, presentando tasas de error del 15% al 30% en sistemas multifÃ¡sicos. Para resolver esta problemÃ¡tica analÃ­tica y operativa, este trabajo presenta
el desarrollo de un sistema basado en inteligencia artificial capaz de automatizar la identificaciÃ³n de materiales. La soluciÃ³n propuesta utiliza redes neuronales convolucionales (CNN) para reconocer patrones caracterÃ­sticos en difractogramas, procesando y validando un conjunto de datos extraÃ­do principalmente de la Crystallography Open Database. La implementaciÃ³n del modelo logrÃ³ reducir el tiempo de anÃ¡lisis de horas a minutos por
muestra y alcanzÃ³ una precisiÃ³n de identificaciÃ³n de 87.8% en los compuestos quÃ­micos estudiados y una precisiÃ³n 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?³La identificaciÃ³n tradicional de fases cristalinas mediante difracciÃ³n de rayos x (DRX) requiere un anÃ¡lisis manual experto que consume entre 8 y 12 horas por muestra, presentando tasas de error del 15% al 30% en sistemas multifÃ¡sicos. Para resolver esta problemÃ¡tica analÃ­tica y operativa, este trabajo presenta
el desarrollo de un sistema basado en inteligencia artificial capaz de automatizar la identificaciÃ³n de materiales. La soluciÃ³n propuesta utiliza redes neuronales convolucionales (CNN) para reconocer patrones caracterÃ­sticos en difractogramas, procesando y validando un conjunto de datos extraÃ­do principalmente de la Crystallography Open Database. La implementaciÃ³n del modelo logrÃ³ reducir el tiempo de anÃ¡lisis de horas a minutos por
muestra y alcanzÃ³ una precisiÃ³n de identificaciÃ³n de 87.8% en los compuestos quÃ­micos estudiados y una precisiÃ³n 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?³La identificaciÃ³n tradicional de fases cristalinas mediante difracciÃ³n de rayos x (DRX) requiere un anÃ¡lisis manual experto que consume entre 8 y 12 horas por muestra, presentando tasas de error del 15% al 30% en sistemas multifÃ¡sicos. Para resolver esta problemÃ¡tica analÃ­tica y operativa, este trabajo presenta
el desarrollo de un sistema basado en inteligencia artificial capaz de automatizar la identificaciÃ³n de materiales. La soluciÃ³n propuesta utiliza redes neuronales convolucionales (CNN) para reconocer patrones caracterÃ­sticos en difractogramas, procesando y validando un conjunto de datos extraÃ­do principalmente de la Crystallography Open Database. La implementaciÃ³n del modelo logrÃ³ reducir el tiempo de anÃ¡lisis de horas a minutos por
muestra y alcanzÃ³ una precisiÃ³n de identificaciÃ³n de 87.8% en los compuestos quÃ­micos estudiados y una precisiÃ³n 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 PolitÃ©cnica, Universidad Nacional del Este2dc.publisher.es_ES?Facultad PolitÃ©cnica, Universidad Nacional del Este'subject…6difracciÃ³n de rayos x?redes neuronales convolucionales4aprendizaje profundo=identificaciÃ³n de materiales/automatizaciÃ³n/subject_keywordŠ6difracciÃ³n de rayos x6difracciÃ³n de rayos x?redes neuronales convolucionales?redes neuronales convolucionales4aprendizaje profundo4aprendizaje profundo=identificaciÃ³n de materiales=identificaciÃ³n de materiales/automatizaciÃ³n/automatizaciÃ³n*subject_ac…?difracciÃ³n de rayos x
|||
difracciÃ³n de rayos x?&redes neuronales convolucionales
|||
redes neuronales convolucionales?aprendizaje profundo
|||
aprendizaje profundo? identificaciÃ³n de materiales
|||
identificaciÃ³n de materiales?automatizaciÃ³n
|||
automatizaciÃ³n4subject_tax_0_filter…?difracciÃ³n de rayos x
|||
difracciÃ³n de rayos x?&redes neuronales convolucionales
|||
redes neuronales convolucionales?aprendizaje profundo
|||
aprendizaje profundo? identificaciÃ³n de materiales
|||
identificaciÃ³n de materiales?automatizaciÃ³n
|||
automatizaciÃ³n.subject_filter…?difracciÃ³n de rayos x
|||
difracciÃ³n de rayos x?&redes neuronales convolucionales
|||
redes neuronales convolucionales?aprendizaje profundo
|||
aprendizaje profundo? identificaciÃ³n de materiales
|||
identificaciÃ³n de materiales?automatizaciÃ³n
|||
automatizaciÃ³n.dc.subject_mlt…6difracciÃ³n de rayos x?redes neuronales convolucionales4aprendizaje profundo=identificaciÃ³n de materiales/automatizaciÃ³n*dc.subject…6difracciÃ³n de rayos x?redes neuronales convolucionales4aprendizaje profundo=identificaciÃ³n de materiales/automatizaciÃ³n0dc.subject.es_ES…6difracciÃ³n de rayos x?redes neuronales convolucionales4aprendizaje profundo=identificaciÃ³n de materiales/automatizaciÃ³n%title?6Uso de inteligencia artificial para identificar materiales por difracciÃ³n de rayos x-title_keyword?6Uso de inteligencia artificial para identificar materiales por difracciÃ³n de rayos x(title_ac?uso de inteligencia artificial para identificar materiales por difracciÃ³n de rayos x
|||
Uso de inteligencia artificial para identificar materiales por difracciÃ³n de rayos x-dc.title_sort?6Uso de inteligencia artificial para identificar materiales por difracciÃ³n de rayos x+dc.title_hl?6Uso de inteligencia artificial para identificar materiales por difracciÃ³n de rayos x,dc.title_mlt?6Uso de inteligencia artificial para identificar materiales por difracciÃ³n de rayos x(dc.title?6Uso de inteligencia artificial para identificar materiales por difracciÃ³n de rayos x/dc.title_stored?[Uso de inteligencia artificial para identificar materiales por difracciÃ³n de rayos x
|||
null
|||
null
|||
null
|||
es_ES.dc.title.es_ES?6Uso de inteligencia artificial para identificar materiales por difracciÃ³n 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?arruÌa gineÌs, jorge luis
|||
ArrÃºa GinÃ©s, Jorge Luis? sanabria gaona, alexis javier
|||
Sanabria Gaona, Alexis Javier0bi_2_dis_partial„=Sanabria Gaona, Alexis Javier9ArrÃºa GinÃ©s, Jorge Luis;Karin Moussa, Hussein Abdul6Kassem Moussa, Mohamad5bi_2_dis_value_filter„=Sanabria Gaona, Alexis Javier9ArrÃºa GinÃ©s, Jorge Luis;Karin Moussa, Hussein Abdul6Kassem Moussa, Mohamad/bi_4_dis_filter…?automatizacioÌn
|||
automatizaciÃ³n?!identificacioÌn de materiales
|||
identificaciÃ³n de materiales?aprendizaje profundo
|||
aprendizaje profundo?&redes neuronales convolucionales
|||
redes neuronales convolucionales?difraccioÌn de rayos x
|||
difracciÃ³n de rayos x0bi_4_dis_partial…/automatizaciÃ³n6difracciÃ³n de rayos x4aprendizaje profundo?redes neuronales convolucionales=identificaciÃ³n de materiales5bi_4_dis_value_filter…/automatizaciÃ³n6difracciÃ³n de rayos x4aprendizaje profundo?redes neuronales convolucionales=identificaciÃ³n de materiales.bi_sort_1_sort?7uso de inteligencia artificial para identificar materiales por difraccioÌ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 Javier9ArrÃºa GinÃ©s, Jorge Luis;Karin Moussa, Hussein Abdul?³La identificaciÃ³n tradicional de fases cristalinas mediante difracciÃ³n de rayos x (DRX) requiere un anÃ¡lisis manual experto que consume entre 8 y 12 horas por muestra, presentando tasas de error del 15% al 30% en sistemas multifÃ¡sicos. Para resolver esta problemÃ¡tica analÃ­tica y operativa, este trabajo presenta
el desarrollo de un sistema basado en inteligencia artificial capaz de automatizar la identificaciÃ³n de materiales. La soluciÃ³n propuesta utiliza redes neuronales convolucionales (CNN) para reconocer patrones caracterÃ­sticos en difractogramas, procesando y validando un conjunto de datos extraÃ­do principalmente de la Crystallography Open Database. La implementaciÃ³n del modelo logrÃ³ reducir el tiempo de anÃ¡lisis de horas a minutos por
muestra y alcanzÃ³ una precisiÃ³n de identificaciÃ³n de 87.8% en los compuestos quÃ­micos estudiados y una precisiÃ³n 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 PolitÃ©cnica, Universidad Nacional del Este6difracciÃ³n de rayos x?redes neuronales convolucionales4aprendizaje profundo=identificaciÃ³n de materiales/automatizaciÃ³n?6Uso de inteligencia artificial para identificar materiales por difracciÃ³n de rayos x&Thesis?http://localhost:8080/xmlui/handle/123456789/139042026-04-24T12:48:11Z42026-04-24T12:48:11Z$2026)_version_Ûø‹`    .®ƒD`-SOLR_TLOG_END   