Plantilla Tesis UNSCH

Universidad Nacional de San
Cristóbal de Huamanga
Facultad de Ingeniería de Minas,
Geología y Civil
Escuela de Formación Profesional de Ingeniera
Civil
Borrador de Tesis Para Optar el Título de

Ingeniero Civil
Titulo de la tesis
PRESENTADO POR:
Nombre del Autor
ASESOR:
Nombre del Asesor
Ayacucho - Perú
2016
Titulo de la tesis
Nombre del Autor
Presentado a la Escuela de Formación Profesional de Ingeniería Civil en

cumplimiento parcial de los requerimientos para optar el título de:
Ingeniero Civil
Universidad Nacional de San Cristóbal de Huamanga
2016
Autor : Nombre del Autor
Recomendado : Nombre del Asesor

Asesor de Tesis
: —
Co asesor de Tesis
Aceptado por : —
Director de escuela
Escuela de Formación Profesional de Ingeniera Civil- UNSCH

c 2016; Universidad Nacional de San Cristóbal de Huamanga (UNSCH), todos los
derechos reservados. El autor de la investigación autoriza a la UNSCH - Escuela profesional
de Ingeniería Civil, la reproducción de la tesis en su totalidad o en partes.
ii
A mis padres quienes apostaron siempre en la edu-
cación y en mi formación personal para enfrentar las
adversidades con dignidad y respecto.
iii
Agradecimientos
Al Msc. Nombre del Asesor, asesor de la presente tesis, por la pasciencia,

apoyo incondicional, apreciaciones y buena disposición durante la formulación
del presente trabajo de investigación.
Universidad Nacional de San Cristóbal de Huamanga

Ayacucho, Octubre de 2016
Nombre del Autor
iv
Resumen
El objetivo de esta tesis es el desarrollo de nuevas herramientas cuantitativas
basadas en fluorescencia para el estudio de la estructura y la dinámica de ADN
y ARN en tres dimensiones. El trabajo se puede dividir en tres interconectados
sub-temas: 1) Desarrollo, 2) la caracterización, y 3) el uso de modificaciones del
ADN fluorescentes sintéticos. En Además, un objetivo continuo era desarrollar
metodologías generales para la cuantitativa evaluación de experimentos basados
en fluorescencia, incluyendo el desarrollo de software de interfaz de usuario.
Palabras clave : Sequía, índices climáticos, redes neuronales artificiales, algo-

ritmos genéticos, global climate index
Abstract
The goal of this thesis is to develop new quantitative fluorescence-based tools
for studying the three-dimensional structure and dynamics of DNA and RNA.
The work may be divided into three interconnected sub-topics: 1) Development,
2) characterization, and 3) use of synthetic fluorescent DNA modifications. In
addition, a continuous goal was to develop general methodologies for the quanti-
tative evaluation of fluorescence-based experiments, including the development
of user-interfaced software.
keywords : Drought, climate indices, artificial neural networks, genetics algo-

rithms
v
ÍNDICE GENERAL
Dedicatoria iii
Agradecimientos iv
Resumen v
Índice General vi
Índice de Cuadros ix
Índice de Figuras xi
I INTRODUCCIÓN 1
1.1 Antecedentes bibliográficos. . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Descripción de la realidad problemática. . . . . . . . . . . . . . . . . . . . 1
1.3 Formulación del problema. . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Problema principal. . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2 Problemas secundarios. . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Justificación de la investigación. . . . . . . . . . . . . . . . . . . . . . . . 2
1.5 Importancia de la investigación . . . . . . . . . . . . . . . . . . . . . . . 2
1.6 Objetivos de la investigación. . . . . . . . . . . . . . . . . . . . . . . . . 2
1.6.1 Objetivos Generales. . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.6.2 Objetivos Específicos. . . . . . . . . . . . . . . . . . . . . . . . . 3
1.7 Hipótesis de la investigación. . . . . . . . . . . . . . . . . . . . . . . . . 3
1.7.1 Hipótesis global. . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.7.2 Hipótesis secundarias. . . . . . . . . . . . . . . . . . . . . . . . . 3
1.8 Variables e indicadores. . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.8.1 Variables. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.8.2 Indicadores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.9 Unidad de análisis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.10 Tipo y nivel de investigación. . . . . . . . . . . . . . . . . . . . . . . . . 5
1.10.1 Tipo de investigación. . . . . . . . . . . . . . . . . . . . . . . . . 5
1.10.2 Nivel de investigación. . . . . . . . . . . . . . . . . . . . . . . . . 5
1.10.3 Diseño de investigación. . . . . . . . . . . . . . . . . . . . . . . . 5
1.11 Fuentes de información. . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
vi
Índice General
1.12 Instrumentos utilizados. . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.13 Técnicas de recolección. . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.14 Procesamiento de datos. . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
II MARCO TEÓRICO 7
2.1 Modelos constitutivos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1 Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.2 Modelos constitutivos . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.3 Aplicación en suelos . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 El método de elementos finitos . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.1 Las principales etapas del MEF . . . . . . . . . . . . . . . . . . . 7
2.2.2 El MEF aplicado a modelos constitutivos . . . . . . . . . . . . . . 7
2.3 Redes neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3.1 Aprendizaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3.2 Arquitectura de una RNA . . . . . . . . . . . . . . . . . . . . . . 8
2.3.3 Algoritmos de entrenamiento para modelos constitutivos . . . . . . 8
IIIMATERIALES Y MÉTODOS 9
3.1 Contexto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Ciudades de baja densidad. . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3 Procedimiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
IVRESULTADOS 19
4.1 Introducción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2 Análisis de la investigación. . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2.1 Enfoque. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.3 Probando paquetes de la plantilla . . . . . . . . . . . . . . . . . . . . . . 20
4.3.1 Cuadro 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.3.2 Tikz 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.3.3 Tcolorbox 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.3.4 Caja 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.3.5 Imagen 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.3.6 Código fuente . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
CONCLUSIONES Y RECOMENDACIONES 23
Conclusiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Recomendaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
REFERENCIAS BIBLIOGRÁFICAS 26
Contaminación acústica por tránsito vehicular . . . . . . . . . . . . . . . . . . 26
Estadística . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
vii
Índice General
A APÉNDICE 27
viii
ÍNDICE DE CUADROS
1.1 Variables e indicadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.1 Principales ciudades del Perú por población. . . . . . . . . . . . . . . . . 10

ix
Índice de Cuadros

4.1 Variables e indicadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
x
ÍNDICE DE FIGURAS
1.1 Diagrama de flujo Programa Elementos Finitos inteligentes . . . . . . . . 6
3.1 Figura modelo, plantilla tesis . . . . . . . . . . . . . . . . . . . . . . . . 11

xi
Índice de Figuras

4.1 Sobre MRU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

4.2 Diagrama de flujo Programa Elementos Finitos inteligentes . . . . . . . . 22
xii
„
El valor de una educación universitaria no es el
aprendizaje de muchos datos, sino el entrenamiento
de la mente para pensar.
— Albert Einstein
CAPÍTULO
INTRODUCCIÓN
En este capítulo se presentan las generalidades de este trabajo de tesis, describiendo los objetivos, la
justificación del mismo, así como el planteamiento del problema, lo cual conduce a una hipótesis sobre el
mismo. Finalmente, se presenta una sección que describe la metodología de investigación científica de esta
tesis.
1.1 Antecedentes bibliográficos.

Durante las últimas décadas, el uso de redes neuronales artificiales (ANN) se ha intro-
ducido como un enfoque alternativo a la modelización constitutiva de materiales(suelos), la
aplicación de ANN para modelar el comportamiento del hormigón se propuso por primera
vez por Ghaboussi et al. (1991). Ghaboussi y Sidarta (1998) presentaron una técnica
mejorada de ANN aproximación para aprender el comportamiento mecánico de la arena
drenada y no drenada, también se estudió mediante un número de otros investigadores
(Ellis et al, 1995;. Zhu et al, 1998;. Javadi et al, 2003; 2004; 2009). Estos trabajos indican
que los modelos constitutivos basado en el trabajo en redes neuronales pueden capturar el
comportamiento no lineal de material con una alta precisión.
En el año 2000 G. N. Pandey y H.S Shin han demostrado que se puede emplear elementos
finitos inteligente(incorporando redes neuronales artificiales en el proceso) para realizar
modelos constitutivos, también en el año 2004 M. A. Hashash al igual que A.A Javadi en
el año 2003, realizaron diferentes publicaciones sobre la incorporación del método de redes
neuronales al análisis de elementos finitos para relaciones constitutivas de materiales.
1.2 Descripción de la realidad problemática.
1
1.3 Formulación del problema. | Capitulo I
1.3 Formulación del problema.

1.3.1 Problema principal.
1. ¿ Es el método de Elementos Finitos basados en Redes Neuronales un buen sustituto
a los modelos constitutivos convencionales para suelos con fines de pavimentación?
1.3.2 Problemas secundarios.

1. ¿ Cómo influye en un modelo constitutivo de suelos con fines de pavimentación, la
integración de las redes neuronales artificiales?
2. ¿ Cuáles son los parámetros de ingreso a un modelo basado en redes neuronales para
la modelación constitutiva de suelos con fines de pavimentación ?
3. ¿ Cuál es la diferencia entre modelos constitutivos convencionales y modelos consti-
tutivos basados en redes neuronales del suelo con fines de pavimentación ?
1.4 Justificación de la investigación.

La investigación se justifica y es importante por las siguientes razones:
El método de elementos finitos basados en redes neuronal artificiales para realizar
una modelación constitutiva del suelo con fines de pavimentación, servirá para conocer
el comportamiento del suelo a nivel de esfuerzos y deformaciones con una alta precisión
teniendo en cuenta estratos y las propiedades mecánicas de los materiales que conforman
la masa de suelo.
La investigación contribuirá para poner analizar y conocer el comportamiento de los
materiales constituyentes del pavimento(base, sub-base y rasante) a nivel de esfuerzos y
deformación, que muy pocas veces se realiza en proyectos y obras publicas.
También será muy importante para conocer el proceso de las redes neuronales en
modelos constitutivos para los suelos con fines de pavimentación.La mayoría de estos
modelos implican la determinación de los parámetros de los materiales, muchos de los
cuales no tienen ningún significado físico.
Por lo tanto, una investigación sobre los modelos constitutivos con redes neuronales es
fundamental por que enfoca nuevas soluciones para encontrar y describir el comportamiento
de suelos con fines de pavimentación.
1.5 Importancia de la investigación

1.6 Objetivos de la investigación.
1.6.1 Objetivos Generales.
1. Incorporar el procedimiento inteligente de Redes Neuronales en el análisis de elementos
finitos como un sustituto a los modelos constitutivos convencionales de suelos con
fines de pavimentación.
2
1.7 Hipótesis de la investigación. | Capitulo I
1.6.2 Objetivos Específicos.

1. Estudiar la influencia de las redes neuronales artificiales en un modelo constitutivo
por medio del método de elementos finitos.
2. Determinar los parámetros de entrada para el modelo de redes neuronales a partir
del método de elementos finitos utilizando un software para distintos casos de cargas
impuestas.
3. Comparar los modelos constitutivos convencionales y los basados en redes neuronales
de suelos con fines de pavimentación.
1.7 Hipótesis de la investigación.

1.7.1 Hipótesis global.
1. En la mecánica de suelos los modelos constitutivos son muy difícil de definir; el análisis
de Elementos Finitos basado en redes neuronales nos permitirá implementar un nuevo
enfoque de modelación constitutiva para suelos con fines de pavimentación, como un
sustituto a los modelos convencionales.
1.7.2 Hipótesis secundarias.

1. Las redes neuronales artificiales es un método adecuado para resolver problemas
inversos; se tendrá que su influencia al integrarlo con el método de elementos finitos
dará resultados significativos para modelos constitutivos.
2. Las redes neuronales artificiales es un método adecuado para resolver un problema
inverso; se tendrá que su influencia al integrarlo con el método de elementos finitos
dará resultados significativos.
3. Durante las últimas décadas varios modelos constitutivos se han desarrollado para
los suelos, pero ninguno de los modelos constitutivos existentes puede describir
completamente el comportamiento real del suelo bajo diversas condiciones de carga,
el modelo constitutivo basado en redes neuronales a comparación con otros modelos
convencionales describe de mejor manera el comportamiento de los suelos.
1.8 Variables e indicadores.

Las variables tienen que cumplir con las exigencias de ser consistentes y estar concate-
nadas en las subhipótesis que las cruzan. Una variable como conjunto puede definirse por
extensión o por comprensión. Para una definición por extensión, tenemos:
• Lorem ipsum dolor sit amet, consectetuer adipiscing elit. Ut purus elit, vestibulum
ut, placerat ac, adipiscing vitae, felis. Curabitur dictum gravida mauris. Nam arcu
libero, nonummy eget, consectetuer id, vulputate a, magna. Donec vehicula augue eu
neque. Pellentesque habitant morbi tristique senectus et netus et malesuada fames
ac turpis egestas. Mauris ut leo. Cras viverra metus rhoncus sem. Nulla et lectus
3
1.8 Variables e indicadores. | Capitulo I
vestibulum urna fringilla ultrices. Phasellus eu tellus sit amet tortor gravida placerat.
Integer sapien est, iaculis in, pretium quis, viverra ac, nunc. Praesent eget sem vel
leo ultrices bibendum. Aenean faucibus. Morbi dolor nulla, malesuada eu, pulvinar
at, mollis ac, nulla. Curabitur auctor semper nulla. Donec varius orci eget risus. Duis
nibh mi, congue eu, accumsan eleifend, sagittis quis, diam. Duis eget orci sit amet
orci dignissim rutrum.
En nuestro caso, para una definición por comprensión, tenemos:
• Lorem ipsum dolor sit amet, consectetuer adipiscing elit. Ut purus elit, vestibulum
1.8.1 Variables.
Existen básicamente tres variables que participan de todo proceso de investigación:
Directas e indirectas.
Variables Directas. Aquellas que se consideran las causas. Se identifica siempre una
variable cuya magnitud o característica se relaciona con otra a la cual afecta. La
variable independiente objeto de estudio en la tesis son los esfuerzos y deformaciones
que generados por medio del método de elementos finitos inteligentes.
Variables Indirectas. Son aquellas que dependen de la acción (intensidad o característica)

de la variable directa. Las variables dependientes o indirectas son la carga asumido
para diferentes casos y el modulo de elasticidad.
1.8.2 Indicadores.
Indicador asociada a la variables directas. La variación de esfuerzos y deformaciones
en un modelo de elementos finitos inteligentes.
Indicador asociada a la variable indirectas. Valores de cargas impuestas para el mod-

elo de redes neuronales y el valor del módulo de elasticidad.
La Tabla siguiente muestra en resumen, la relación entre las variables e indicadores

identificados en la presente investigación.
4
1.9 Unidad de análisis. | Capitulo I
Cuadro No 1.1 :
Variables e indicadores
Variables Indicadores
Directas Directas
1 Esfuerzos y deformaciones La variación de esfuerzos y deformaciones
Indirectas Indirectas
1 Carga asumido Valores de cargas impuestas
2 Modulo de elasticidad Valor del módulo de elasticidad
Fuente:Elaboración propia
1.9 Unidad de análisis.

1.10 Tipo y nivel de investigación.
1.10.1 Tipo de investigación.
La investigación desarrollada está clasificada en un enfoque cuantitativo porque utiliza
la recolección de los datos para probar hipótesis, dichos datos se basa en una medición
numérica y utiliza el análisis estadístico(exploración de datos, estadística descriptiva y
estadística inferencial y la probabilidad) para probar modelos y teorías.
1.10.2 Nivel de investigación.

Investigación correlacional; pues se tiene como finalidad establecer el grado de relación
o asociación no causal existente entre dos o más variables. Se caracteriza porque primero
se miden las variables y luego, mediante pruebas de hipótesis correlacionales y la aplicación
de técnicas estadísticas, se estima la correlación.
1.10.3 Diseño de investigación.

En este documento se presentará un análisis de elementos finitos basado en redes
neuronales para modelar problemas de suelos con fines de pavimentación. La metodología
consiste en realizar un análisis por medio del método de elementos finitos a través del
software Ansys. En el siguiente diagrama de flujo se plasma esquema
En la siguiente figura se presenta un esquema de la metodología que se realizara en la
presente investigación.
5
1.11 Fuentes de información. | Capitulo I
Figura No 1.1:
Diagrama de flujo Programa Elementos Finitos inteligentes
Fuente:A. A. Javadi, T. P. Tan

Figure 1: Flow chart of the NeuroFE program
1.11 Fuentes de información. 3
1.12 Instrumentos utilizados.

1.13 Técnicas de recolección.
1.14 Procesamiento de datos.
6
„
— Albert Einstein
II
CAPÍTULO
MARCO TEÓRICO
Lorem ipsum dolor sit amet, consectetuer adipiscing elit. Ut purus elit, vestibulum ut, placerat ac, adipiscing
vitae, felis. Curabitur dictum gravida mauris. Nam arcu libero, nonummy eget, consectetuer id, vulputate
a, magna. Donec vehicula augue eu neque. Pellentesque habitant morbi tristique senectus et netus et
malesuada fames ac turpis egestas. Mauris ut leo. Cras viverra metus rhoncus sem. Nulla et lectus
vestibulum urna fringilla ultrices. Phasellus eu tellus sit amet tortor gravida placerat. Integer sapien est,
iaculis in, pretium quis, viverra ac, nunc. Praesent eget sem vel leo ultrices bibendum. Aenean faucibus.
Morbi dolor nulla, malesuada eu, pulvinar at, mollis ac, nulla. Curabitur auctor semper nulla. Donec varius
orci eget risus. Duis nibh mi, congue eu, accumsan eleifend, sagittis quis, diam. Duis eget orci sit amet
2.1 Modelos constitutivos.

2.1.1 Definición
2.1.2 Modelos constitutivos
2.1.3 Aplicación en suelos
2.2 El método de elementos finitos
2.2.1 Las principales etapas del MEF
2.2.2 El MEF aplicado a modelos constitutivos
2.3 Redes neuronales
2.3.1 Aprendizaje
7
2.3 Redes neuronales | Capitulo II
2.3.2 Arquitectura de una RNA

2.3.3 Algoritmos de entrenamiento para modelos constitutivos
8
„
— Albert Einstein
III
CAPÍTULO
MATERIALES Y MÉTODOS
3.1 Contexto.
Lorem ipsum dolor sit amet, consectetuer adipiscing elit. Ut purus elit, vestibulum ut,
placerat ac, adipiscing vitae, felis. Curabitur dictum gravida mauris. Nam arcu libero,
nonummy eget, consectetuer id, vulputate a, magna. Donec vehicula augue eu neque.
Pellentesque habitant morbi tristique senectus et netus et malesuada fames ac turpis
egestas. Mauris ut leo. Cras viverra metus rhoncus sem. Nulla et lectus vestibulum
urna fringilla ultrices. Phasellus eu tellus sit amet tortor gravida placerat. Integer sapien
est, iaculis in, pretium quis, viverra ac, nunc. Praesent eget sem vel leo ultrices bibendum.
Aenean faucibus. Morbi dolor nulla, malesuada eu, pulvinar at, mollis ac, nulla. Curabitur
auctor semper nulla. Donec varius orci eget risus. Duis nibh mi, congue eu, accumsan
eleifend, sagittis quis, diam. Duis eget orci sit amet orci dignissim rutrum.
9
3.2 Ciudades de baja densidad. | Capitulo III
3.2 Ciudades de baja densidad.

Cuadro No 3.1 :
Principales ciudades del Perú por población.
Puesto Ciudad Región Población 2014

Más de 500 000 habitantes
1 Lima-Callao Lima 9437493
2 Arequipa Arequipa 844407
3 Trujillo La Libertad 765495
4 Chiclayo Lambayeque 583159
Más de 300 000 habitantes
5 Iquitos Loreto 422055
6 Piura Piura 417892
7 Cusco Cuzco 405842
8 Chimbote Ancash 361291
9Fuente:INEI,
Huancayo2014 Junín 353535
3.3 Procedimiento.
10
3.3 Procedimiento. | Capitulo III
Figura No 3.1:
Figura modelo, plantilla tesis
A B C
Fuente:Elaboración Propia
Figura No 3.2:
Cuadro No 3.2 :
Figura No 3.3:
Cuadro No 3.3 :
Figura No 3.4:
Cuadro No 3.4 :
Figura No 3.5:
11
Cuadro No 3.5 :
Figura No 3.6:
Cuadro No 3.6 :
Figura No 3.7:
Cuadro No 3.7 :
Figura No 3.8:
Cuadro No 3.8 :
Figura No 3.9:
Cuadro No 3.9 :
Figura No 3.10:
Cuadro No 3.10 :
Figura No 3.11:
Cuadro No 3.11 :
12
Figura No 3.12:
Cuadro No 3.12 :
Figura No 3.13:
Cuadro No 3.13 :
Figura No 3.14:
Cuadro No 3.14 :
Figura No 3.15:
Cuadro No 3.15 :
Figura No 3.16:
Cuadro No 3.16 :
Figura No 3.17:
Cuadro No 3.17 :
Figura No 3.18:
13
Cuadro No 3.18 :
Figura No 3.19:
Cuadro No 3.19 :
Figura No 3.20:
Cuadro No 3.20 :
Figura No 3.21:
Cuadro No 3.21 :
Figura No 3.22:
Cuadro No 3.22 :
Figura No 3.23:
Cuadro No 3.23 :
Figura No 3.24:
Cuadro No 3.24 :
14
Figura No 3.25:
Cuadro No 3.25 :
Figura No 3.26:
Cuadro No 3.26 :
Figura No 3.27:
Cuadro No 3.27 :
Figura No 3.28:
Cuadro No 3.28 :
Figura No 3.29:
Cuadro No 3.29 :
Figura No 3.30:
Cuadro No 3.30 :
Figura No 3.31:
15
Cuadro No 3.31 :
Cuadro No 3.32 :
Figura No 3.32:
Cuadro No 3.33 :
Figura No 3.33:
Cuadro No 3.34 :
Figura No 3.34:
Cuadro No 3.35 :
Figura No 3.35:
Cuadro No 3.36 :
Figura No 3.36:
Cuadro No 3.37 :
Figura No 3.37:
16
Cuadro No 3.38 :
Figura No 3.38:
Cuadro No 3.39 :
Figura No 3.39:
Cuadro No 3.40 :
Figura No 3.40:
Cuadro No 3.41 :
Figura No 3.41:
Cuadro No 3.42 :
Figura No 3.42:
Cuadro No 3.43 :
Figura No 3.43:
Cuadro No 3.44 :
17
Figura No 3.44:
Cuadro No 3.45 :
Figura No 3.45:
Cuadro No 3.46 :
Figura No 3.46:
Cuadro No 3.47 :
Figura No 3.47:
Cuadro No 3.48 :
18
„
— Albert Einstein
IV
CAPÍTULO
RESULTADOS
4.1 Introducción.
4.2 Análisis de la investigación.
19
4.3 Probando paquetes de la plantilla | Capitulo IV
4.2.1 Enfoque.
4.3 Probando paquetes de la plantilla
4.3.1 Cuadro 1
Cuadro No 4.1 :
Variables e indicadores
VARIABLES INDICADORES
Directas Directas
1 Esfuerzos y deformaciones La variación de esfuerzos y deformaciones
Indirectas Indirectas
1 Carga asumido Valores de cargas impuestas
2 Modulo de elasticidad Valor del módulo de elasticidad
Fuente:Elaboración propia
R
4.3.2 Tikz 1
Web addresses in texts
Use only uppercase letters in the names of enumeration constants to make
these constants stand out in a program and to indicate that enumeration
constants are variables.
4.3.3 Tcolorbox 1
Definición: Quisque ullamcorper placerat ipsum. Cras nibh. Morbi vel justo vitae
lacus tincidunt ultrices. Lorem ipsum dolor sit amet, consectetuer adipiscing elit. In
hac habitasse platea dictumst. Integer tempus convallis augue. Etiam facilisis. Nunc
elementum fermentum wisi. Aenean placerat. Ut imperdiet, enim sed gravida sollicitudin,
felis odio placerat quam, ac pulvinar elit purus eget enim. Nunc vitae tortor. Proin
tempus nibh sit amet nisl. Vivamus quis tortor vitae risus porta vehicula.
4.3.4 Caja 1
4.3.5 Imagen 1
Las situaciones que se abordan en este tema representan una pequeña parte de la
realidad y en muchos casos simplificada, Galileo así lo entendió y con ello ofreció un modo
de actuar asumido por la Ciencia como forma de trabajo en el quehacer científico, el método
científico. Su aplicación permitió a Isaac Newton deducir las Leyes de la Dinámica y la
Ley de Gravitación Universal que gobiernan la mayoría de los movimientos cotidianos y
celestes respectivamente. Más tarde, estos conocimientos inspiraron a los químicos en las
20
teorías atómicas las cuales ofrecen una explicación de la estructura íntima de la materia.
Todo ello será abordado a lo largo del curso, pero, volvamos al principio y tratemos de
describir los . . . movimiento rectilíneos.
Figura No 4.1: Este movimiento generalmente o realizan algunos au-
Sobre MRU tomóviles en ciertas carreteras de gran longitud, donde
avanzan uniformemente; también lo hacen las maletas
sobre fajas transportadoras, algunos aviones, barcos, etc.
La distancia recorrida se calcula multiplicando la magni-
tud de la velocidad (rapidez) por el tiempo transcurrido.
Esta operación también puede ser utilizada si la trayec-
Fuente:Elaboración propia toria del cuerpo no es rectilínea, pero con la condición de
que la rapidez sea constante. Este movimiento generalmente o realizan algunos automóviles
en ciertas carreteras de gran longitud, donde avanzan uniformemente; también lo hacen las
maletas sobre fajas transportadoras, algunos aviones, barcos, etc. La distancia recorrida
se calcula multiplicando la magnitud de la velocidad (rapidez) por el tiempo transcurrido.
Esta operación también puede ser utilizada si la trayectoria del cuerpo no es rectilínea, pero
con la condición de que la rapidez sea constante.
4.3.6 Código fuente

El código siguiente sirve para configurar tablar(uitables) Programa Hola Mundo
HM.m
Código Fuente 4.1: Poniendo Imagenes

1 % configuracion de la tabla
2 tamano ={100 80 100 80 100};
3 edit =[ true true true true true ];
4 nombre ={ ’ Progresiva ’ , ’ Estacado ( q ) ’ , ’q ( acum ) ’ , ’ Delta ←-
’ , ’ Delta ( acum ) ’ , ’ Cuerda ’ };
5 set ( hObject , ’ ColumnName ’ , nombre ) ;
6 set ( hObject , ’ RowName ’ ,[]) ;
7 set ( hObject , ’ ColumnWidth ’ , tamano ) ;
8 set ( hObject , ’ ColumnEditable ’ , edit ) ;
21
Figura No 4.2:
Diagrama de flujo Programa Elementos Finitos inteligentes
Fuente:A. A. Javadi, T. P. Tan

Figure 1: Flow chart of the NeuroFE program
22
CONCLUSIONES Y RECOMENDACIONES
Conclusiones.
1. Lorem ipsum dolor sit amet, consectetuer adipiscing elit. Ut purus elit, vestibulum
23
Conclusiones y Recomendaciones
Recomendaciones.
24
CAPÍTULO
Bibliography
[1] Arau, H., Abc De La Acustica Arquitectonica; CEAC: 2007.

[2] Arbib, M., The handbook of brain theory and neural networks; MIT Press: Cambridge,
Mass, 2003.
[3] Bercelo, C.; Monterrey, P. Grupo de Contaminación Acústica 2003, 234–148.
[4] González, A. E. Departamento de Ingeniería Ambiental Facultad de Ingeniería UdelaR
Uruguay 2009.
[5] Graupe, D., Principles of Artificial Neural Networks (Advanced Series in Circuits and
Systems); World Scientific Publishing Company: 2007.
[6] Möser, M.; Barros, J. L., Ingeniería Acústica: Teoría y Aplicaciones (Spanish Edition);
Springer: 2009.
25
CAPÍTULO
REFERENCIAS BIBLIOGRÁFICAS
Contaminación acústica por tránsito vehicular

[3] Bercelo, C.; Monterrey, P. Grupo de Contaminación Acústica 2003, 234–148.
[4] González, A. E. Departamento de Ingeniería Ambiental Facultad de Ingeniería UdelaR
Uruguay 2009.
Estadística
[2] Arbib, M., The handbook of brain theory and neural networks; MIT Press: Cambridge,
Mass, 2003.
[5] Graupe, D., Principles of Artificial Neural Networks (Advanced Series in Circuits and
Systems); World Scientific Publishing Company: 2007.
26
„
— Albert Einstein
A
CAPÍTULO
APÉNDICE
27

Plantilla Tesis UNSCH

Cargado por

Copyright:

Formatos disponibles

Plantilla Tesis UNSCH

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Plantilla Tesis UNSCH

Cargado por

Copyright:

Formatos disponibles

Universidad Nacional de San

Borrador de Tesis Para Optar el Título de

Nombre del Autor

Presentado a la Escuela de Formación Profesional de Ingeniería Civil en

Autor : Nombre del Autor

Recomendado : Nombre del Asesor

Al Msc. Nombre del Asesor, asesor de la presente tesis, por la pasciencia,

Universidad Nacional de San Cristóbal de Huamanga

Nombre del Autor

Palabras clave : Sequía, índices climáticos, redes neuronales artificiales, algo-

keywords : Drought, climate indices, artificial neural networks, genetics algo-

1.12 Instrumentos utilizados. . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.1 Variables e indicadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

3.1 Principales ciudades del Perú por población. . . . . . . . . . . . . . . . . 10

3.32 Principales ciudades del Perú por población. . . . . . . . . . . . . . . . . 16

4.1 Variables e indicadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

1.1 Diagrama de flujo Programa Elementos Finitos inteligentes . . . . . . . . 6

3.1 Figura modelo, plantilla tesis . . . . . . . . . . . . . . . . . . . . . . . . 11

3.32 Figura modelo, plantilla tesis . . . . . . . . . . . . . . . . . . . . . . . . 16

4.1 Sobre MRU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

1.1 Antecedentes bibliográficos.

1.2 Descripción de la realidad problemática.

1.3 Formulación del problema.

1.3.2 Problemas secundarios.

1.4 Justificación de la investigación.

1.5 Importancia de la investigación

1.6.2 Objetivos Específicos.

1.7 Hipótesis de la investigación.

1.7.2 Hipótesis secundarias.

1.8 Variables e indicadores.

En nuestro caso, para una definición por comprensión, tenemos:

Variables Indirectas. Son aquellas que dependen de la acción (intensidad o característica)

Indicador asociada a la variable indirectas. Valores de cargas impuestas para el mod-

La Tabla siguiente muestra en resumen, la relación entre las variables e indicadores

1.9 Unidad de análisis.

1.10.2 Nivel de investigación.

1.10.3 Diseño de investigación.

Fuente:A. A. Javadi, T. P. Tan

1.11 Fuentes de información. 3

1.12 Instrumentos utilizados.

2.1 Modelos constitutivos.

2.3.2 Arquitectura de una RNA

3.2 Ciudades de baja densidad.

Puesto Ciudad Región Población 2014

4.2 Análisis de la investigación.

4.3.6 Código fuente

Código Fuente 4.1: Poniendo Imagenes

Fuente:A. A. Javadi, T. P. Tan

[1] Arau, H., Abc De La Acustica Arquitectonica; CEAC: 2007.

Contaminación acústica por tránsito vehicular

También podría gustarte