Predicción de la radiación solar mediante modelos de forecasting estadísticos tradicionales y de machine learning con datos históricos de la planta solar del edificio Santo Domingo de la Universidad de los Andes
Este proyecto se desarrolla en busca de la implementación de métodos de forecasting de la radiación solar sobre el edificio Santo Domingo de la Universidad de los Andes basado en datos históricos registrados por la planta solar de este edificio. Por ello, se usaron métodos de estadísticos como la Me...
- Autores:
-
Rojas Sánchez, Diego Alejandro
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/68323
- Acceso en línea:
- http://hdl.handle.net/1992/68323
- Palabra clave:
- Machine learning
Redes neuronales
Forecasting
ARIMA
ARCH
Suavización exponencial
Radiación solar
Históricos
Ingeniería
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nd/4.0/
| id |
UNIANDES2_72b8027f716579c1896c40c6b8a872f8 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/68323 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Predicción de la radiación solar mediante modelos de forecasting estadísticos tradicionales y de machine learning con datos históricos de la planta solar del edificio Santo Domingo de la Universidad de los Andes |
| title |
Predicción de la radiación solar mediante modelos de forecasting estadísticos tradicionales y de machine learning con datos históricos de la planta solar del edificio Santo Domingo de la Universidad de los Andes |
| spellingShingle |
Predicción de la radiación solar mediante modelos de forecasting estadísticos tradicionales y de machine learning con datos históricos de la planta solar del edificio Santo Domingo de la Universidad de los Andes Machine learning Redes neuronales Forecasting ARIMA ARCH Suavización exponencial Radiación solar Históricos Ingeniería |
| title_short |
Predicción de la radiación solar mediante modelos de forecasting estadísticos tradicionales y de machine learning con datos históricos de la planta solar del edificio Santo Domingo de la Universidad de los Andes |
| title_full |
Predicción de la radiación solar mediante modelos de forecasting estadísticos tradicionales y de machine learning con datos históricos de la planta solar del edificio Santo Domingo de la Universidad de los Andes |
| title_fullStr |
Predicción de la radiación solar mediante modelos de forecasting estadísticos tradicionales y de machine learning con datos históricos de la planta solar del edificio Santo Domingo de la Universidad de los Andes |
| title_full_unstemmed |
Predicción de la radiación solar mediante modelos de forecasting estadísticos tradicionales y de machine learning con datos históricos de la planta solar del edificio Santo Domingo de la Universidad de los Andes |
| title_sort |
Predicción de la radiación solar mediante modelos de forecasting estadísticos tradicionales y de machine learning con datos históricos de la planta solar del edificio Santo Domingo de la Universidad de los Andes |
| dc.creator.fl_str_mv |
Rojas Sánchez, Diego Alejandro |
| dc.contributor.advisor.none.fl_str_mv |
González Mancera, Andrés Leónardo |
| dc.contributor.author.none.fl_str_mv |
Rojas Sánchez, Diego Alejandro |
| dc.subject.keyword.none.fl_str_mv |
Machine learning Redes neuronales Forecasting ARIMA ARCH Suavización exponencial Radiación solar Históricos |
| topic |
Machine learning Redes neuronales Forecasting ARIMA ARCH Suavización exponencial Radiación solar Históricos Ingeniería |
| dc.subject.themes.es_CO.fl_str_mv |
Ingeniería |
| description |
Este proyecto se desarrolla en busca de la implementación de métodos de forecasting de la radiación solar sobre el edificio Santo Domingo de la Universidad de los Andes basado en datos históricos registrados por la planta solar de este edificio. Por ello, se usaron métodos de estadísticos como la Media móvil integrada autorregresiva (ARIMA), la Suavización exponencial y el modelo heteroscedástico condicional autorregresivo (ARCH). Así mismo, se usaron modelos de machine learning para el forecasting de la radiación solar a partir de redes neuronales artificiales. De esta manera, generar una comparación de la calidad de cada uno de los modelos y observar sus posibles aplicaciones en el campo de la predicción meteorológica. |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-07-11T19:13:19Z |
| dc.date.available.none.fl_str_mv |
2023-07-11T19:13:19Z |
| dc.date.issued.none.fl_str_mv |
2023-05-24 |
| dc.type.es_CO.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.es_CO.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/68323 |
| dc.identifier.instname.es_CO.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.es_CO.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.es_CO.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
http://hdl.handle.net/1992/68323 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.es_CO.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.es_CO.fl_str_mv |
Naciones Unidas, «Energías renovables: energías para un futuro más seguro,» [En línea]. Available: https://www.un.org/es/climatechange/raising-ambition/renewable-energy#:~:text=Los%20combustibles%20f%C3%B3siles%20dan%20cuenta,de%20fuentes%20de%20energ%C3%ADa%20renovables.. [Último acceso: 22 05 2023]. UPME, «Balance energético colombiano,» UPME, [En línea]. Available: https://www1.upme.gov.co/DemandayEficiencia/Paginas/BECO.aspx. Solar Forecast Arbiter, «Solar Forecast Arbiter, A paradigm shift in forecast evaluation,» [En línea]. Available: https://forecastarbiter.epri.com/. [Último acceso: 22 05 2023]. T. T. e. I. Chernyakhovskiy, «PRONÓSTICO DE GENERACIÓN DE ENERGÍA EÓLICA Y SOLAR: MEJORANDO LA OPERACIÓN DEL SISTEMA,» Laboratorio Nacional de Energía Renovable, Estados Unidos, 2016. UPME, «Proyecciones de demanda,» UPME, [En línea]. Available: https://www1.upme.gov.co/DemandayEficiencia/Paginas/Proyecciones-de-demanda.aspx. [Último acceso: 22 05 2023]. H. Maïmouna Diagne, D. Mathieu , P. Lauret, J. Boland y N. Schmutz, «Review of solar irradiance forecasting methods and a proposition for small-scale insular grids,» HAL open science, Australia, 2013. «ARIMA Model - Complete Guide to Time Series Forecasting in Python,» Machine Learning Plus, [En línea]. Available: https://www.machinelearningplus.com/time-series/arima-model-time-series-forecasting-python/. [Último acceso: 22 05 2023]. N. Hoang, «ARIMA Autoregressive Integrated Moving Average model family,» Nhu Hoang, 26 01 2020. [En línea]. Available: https://geniusnhu.netlify.app/project/2020-01-26-arima-autoregressive-intergreated-moving-average/. [Último acceso: 22 05 2023]. V. Kotu, «Media móvil integrada autorregresiva, ARIMA es una de las técnicas de pronóstico más utilizadas en las empresas en la actualidad.,» Science direct, 2019. [En línea]. Available: https://www.sciencedirect.com/topics/mathematics/autoregressive-integrated-moving-average. J. Bean, «How to leverage the exponential smoothing formula for forecasting,» Zendesk Blog, 16 05 2022. [En línea]. Available: https://www.zendesk.com/blog/leverage-exponential-smoothing-formula-forecasting/. A. Novales, «Modelos ARCH univariantes y multivariantes,» Universidad Complutense de Madrid, 2013. [En línea]. Available: https://www.ucm.es/data/cont/media/www/pag-41460/Arch.pdf. National geographic, «Breve historia visual de la inteligencia artificial,» National geographic, 2020. [En línea]. Available: https://www.nationalgeographic.com.es/ciencia/breve-historia-visual-inteligencia-artificial_14419. C. E. Muñoz Domínguez y H. R. Casallas Ávila , «Diseño de una máquina para la clasificación de tomate chonto Lycopersicum esculentum mill,» Universidad de La Salle, Bogotá, 2020. V. Rodríguez, «Conceptos básicos sobre redes neuronales,» 30 10 2018. [En línea]. Available: https://vincentblog.xyz/posts/conceptos-basicos-sobre-redes-neuronales. IBM, «IBM Documentation,» IBM - Deutschland | IBM, s.f.. [En línea]. Available: https://www.ibm.com/docs/es/spss-modeler/saas?topic=nodes-neural-networks. E. Freire y S. Silva, «Redes neuronales,» Medium, 14 11 2019. [En línea]. Available: https://bootcampai.medium.com/redes-neuronales-13349dd1a5bb#:~:text=Funciones%20de%20activaci%C3%B3n,que%20permitir%C3%A1%2. D. Calvo, «Función de activación - Redes neuronales,» 7 12 2018. [En línea]. Available: https://www.diegocalvo.es/funcion-de-activacion-redes-neuronales/. I. Gavilán, «Catálogo de componentes de redes neuronales (III): funciones de pérdida,» [En línea]. Available: https://ignaciogavilan.com/catalogo-de-componentes-de-redes-neuronales-iii-funciones-de-perdida/. P. G. Juan Camilo , «Clasificación de la madurez del aguacate Hass para su cosecha,» UNIVERSIDAD DE LOS ANDES, Bogotá, Colombia, 2022. Fayrix, «Selección de métricas para los modelos de aprendizaje automático,» Fayrix | Offshore Custom Software Development Services, s.f.. [En línea]. Available: https://fayrix.com/machine-learning-metrics_es. [Último acceso: 23 05 2023]. M. Paulescu, E. Paulescu, P. Gravila y V. Badescu, Weather modeling and forecasting of PV systems operation, New York: Springer, 2013. J. A. A. TOSCANO, PREDICCIÓN DE LA ENERGÍA GENERADA POR UN PANEL SOLAR BASADO EN SU TEMPERATURA Y RADIACIÓN, Bogotá: Universidad de los Andes, 2019. P. Kumari y D. Toshniwal, «Deep learning models for solar irradiance forecasting: A comprehensive review,» Journal of Cleaner Production, vol. 1, nº 128566, p. 26, 2021. J. M. R. Rodríguez, «Modelo para predicción de potencia de paneles fotovoltaicos utilizando técnicas de clasificación no supervisada y redes neuronales artificiales.,» Universidad del Norte, Barranquilla, 2020. |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.es_CO.fl_str_mv |
34 |
| dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
| dc.publisher.es_CO.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.es_CO.fl_str_mv |
Ingeniería Mecánica |
| dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.es_CO.fl_str_mv |
Departamento de Ingeniería Mecánica |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/3d83a2e1-eef4-46b3-8740-666d62573e22/download https://repositorio.uniandes.edu.co/bitstreams/4959ff2e-6146-44db-a9ab-ebb07cad9a4e/download https://repositorio.uniandes.edu.co/bitstreams/770ffb19-053a-4927-8234-0c0fcd8ede76/download https://repositorio.uniandes.edu.co/bitstreams/c71e6126-fd2b-41cf-a524-966671edd015/download https://repositorio.uniandes.edu.co/bitstreams/569a1750-7a29-4657-86ad-91093ba0babc/download https://repositorio.uniandes.edu.co/bitstreams/1eb71676-93e1-463e-a13e-0b2f3497ff2d/download https://repositorio.uniandes.edu.co/bitstreams/1639cd7a-3f1d-40c4-8c72-40a7ac5a21b0/download https://repositorio.uniandes.edu.co/bitstreams/facae5ce-0337-4d23-b099-fa21d577c75e/download |
| bitstream.checksum.fl_str_mv |
28a413751e36d3f090924ec7a5b398d8 08b106dfeb12472e88207a069e15ba30 01e9a0df98e1a5dfebe63b9ac128cb57 fa6d00bdb0ce8f455eddf20689ac7cf3 5aa5c691a1ffe97abd12c2966efcb8d6 cff237abe88134a75013f2bec4e7f959 a0011619d5dcf9d0fdcfa8db1e9eedd9 f7d494f61e544413a13e6ba1da2089cd |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1808390474885496832 |
| spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autoreshttp://creativecommons.org/licenses/by-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2González Mancera, Andrés Leónardovirtual::15799-1Rojas Sánchez, Diego Alejandro95f88174-b6bf-495e-8e58-3c9699e0e0996002023-07-11T19:13:19Z2023-07-11T19:13:19Z2023-05-24http://hdl.handle.net/1992/68323instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Este proyecto se desarrolla en busca de la implementación de métodos de forecasting de la radiación solar sobre el edificio Santo Domingo de la Universidad de los Andes basado en datos históricos registrados por la planta solar de este edificio. Por ello, se usaron métodos de estadísticos como la Media móvil integrada autorregresiva (ARIMA), la Suavización exponencial y el modelo heteroscedástico condicional autorregresivo (ARCH). Así mismo, se usaron modelos de machine learning para el forecasting de la radiación solar a partir de redes neuronales artificiales. De esta manera, generar una comparación de la calidad de cada uno de los modelos y observar sus posibles aplicaciones en el campo de la predicción meteorológica.Ingeniero MecánicoPregrado34application/pdfspaUniversidad de los AndesIngeniería MecánicaFacultad de IngenieríaDepartamento de Ingeniería MecánicaPredicción de la radiación solar mediante modelos de forecasting estadísticos tradicionales y de machine learning con datos históricos de la planta solar del edificio Santo Domingo de la Universidad de los AndesTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPMachine learningRedes neuronalesForecastingARIMAARCHSuavización exponencialRadiación solarHistóricosIngenieríaNaciones Unidas, «Energías renovables: energías para un futuro más seguro,» [En línea]. Available: https://www.un.org/es/climatechange/raising-ambition/renewable-energy#:~:text=Los%20combustibles%20f%C3%B3siles%20dan%20cuenta,de%20fuentes%20de%20energ%C3%ADa%20renovables.. [Último acceso: 22 05 2023].UPME, «Balance energético colombiano,» UPME, [En línea]. Available: https://www1.upme.gov.co/DemandayEficiencia/Paginas/BECO.aspx.Solar Forecast Arbiter, «Solar Forecast Arbiter, A paradigm shift in forecast evaluation,» [En línea]. Available: https://forecastarbiter.epri.com/. [Último acceso: 22 05 2023].T. T. e. I. Chernyakhovskiy, «PRONÓSTICO DE GENERACIÓN DE ENERGÍA EÓLICA Y SOLAR: MEJORANDO LA OPERACIÓN DEL SISTEMA,» Laboratorio Nacional de Energía Renovable, Estados Unidos, 2016.UPME, «Proyecciones de demanda,» UPME, [En línea]. Available: https://www1.upme.gov.co/DemandayEficiencia/Paginas/Proyecciones-de-demanda.aspx. [Último acceso: 22 05 2023].H. Maïmouna Diagne, D. Mathieu , P. Lauret, J. Boland y N. Schmutz, «Review of solar irradiance forecasting methods and a proposition for small-scale insular grids,» HAL open science, Australia, 2013.«ARIMA Model - Complete Guide to Time Series Forecasting in Python,» Machine Learning Plus, [En línea]. Available: https://www.machinelearningplus.com/time-series/arima-model-time-series-forecasting-python/. [Último acceso: 22 05 2023].N. Hoang, «ARIMA Autoregressive Integrated Moving Average model family,» Nhu Hoang, 26 01 2020. [En línea]. Available: https://geniusnhu.netlify.app/project/2020-01-26-arima-autoregressive-intergreated-moving-average/. [Último acceso: 22 05 2023].V. Kotu, «Media móvil integrada autorregresiva, ARIMA es una de las técnicas de pronóstico más utilizadas en las empresas en la actualidad.,» Science direct, 2019. [En línea]. Available: https://www.sciencedirect.com/topics/mathematics/autoregressive-integrated-moving-average.J. Bean, «How to leverage the exponential smoothing formula for forecasting,» Zendesk Blog, 16 05 2022. [En línea]. Available: https://www.zendesk.com/blog/leverage-exponential-smoothing-formula-forecasting/.A. Novales, «Modelos ARCH univariantes y multivariantes,» Universidad Complutense de Madrid, 2013. [En línea]. Available: https://www.ucm.es/data/cont/media/www/pag-41460/Arch.pdf.National geographic, «Breve historia visual de la inteligencia artificial,» National geographic, 2020. [En línea]. Available: https://www.nationalgeographic.com.es/ciencia/breve-historia-visual-inteligencia-artificial_14419.C. E. Muñoz Domínguez y H. R. Casallas Ávila , «Diseño de una máquina para la clasificación de tomate chonto Lycopersicum esculentum mill,» Universidad de La Salle, Bogotá, 2020.V. Rodríguez, «Conceptos básicos sobre redes neuronales,» 30 10 2018. [En línea]. Available: https://vincentblog.xyz/posts/conceptos-basicos-sobre-redes-neuronales.IBM, «IBM Documentation,» IBM - Deutschland | IBM, s.f.. [En línea]. Available: https://www.ibm.com/docs/es/spss-modeler/saas?topic=nodes-neural-networks.E. Freire y S. Silva, «Redes neuronales,» Medium, 14 11 2019. [En línea]. Available: https://bootcampai.medium.com/redes-neuronales-13349dd1a5bb#:~:text=Funciones%20de%20activaci%C3%B3n,que%20permitir%C3%A1%2.D. Calvo, «Función de activación - Redes neuronales,» 7 12 2018. [En línea]. Available: https://www.diegocalvo.es/funcion-de-activacion-redes-neuronales/.I. Gavilán, «Catálogo de componentes de redes neuronales (III): funciones de pérdida,» [En línea]. Available: https://ignaciogavilan.com/catalogo-de-componentes-de-redes-neuronales-iii-funciones-de-perdida/.P. G. Juan Camilo , «Clasificación de la madurez del aguacate Hass para su cosecha,» UNIVERSIDAD DE LOS ANDES, Bogotá, Colombia, 2022.Fayrix, «Selección de métricas para los modelos de aprendizaje automático,» Fayrix | Offshore Custom Software Development Services, s.f.. [En línea]. Available: https://fayrix.com/machine-learning-metrics_es. [Último acceso: 23 05 2023].M. Paulescu, E. Paulescu, P. Gravila y V. Badescu, Weather modeling and forecasting of PV systems operation, New York: Springer, 2013.J. A. A. TOSCANO, PREDICCIÓN DE LA ENERGÍA GENERADA POR UN PANEL SOLAR BASADO EN SU TEMPERATURA Y RADIACIÓN, Bogotá: Universidad de los Andes, 2019.P. Kumari y D. Toshniwal, «Deep learning models for solar irradiance forecasting: A comprehensive review,» Journal of Cleaner Production, vol. 1, nº 128566, p. 26, 2021.J. M. R. Rodríguez, «Modelo para predicción de potencia de paneles fotovoltaicos utilizando técnicas de clasificación no supervisada y redes neuronales artificiales.,» Universidad del Norte, Barranquilla, 2020.201812307Publicationhttps://scholar.google.es/citations?user=6mPjKkQAAAAJvirtual::15799-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000215880virtual::15799-1dfb722df-f96b-4bfa-bfd9-49a4fc1b6a32virtual::15799-1dfb722df-f96b-4bfa-bfd9-49a4fc1b6a32virtual::15799-1TEXTDocumento_Proyecto_Individual_Diego_Rojas.pdf.txtDocumento_Proyecto_Individual_Diego_Rojas.pdf.txtExtracted texttext/plain90133https://repositorio.uniandes.edu.co/bitstreams/3d83a2e1-eef4-46b3-8740-666d62573e22/download28a413751e36d3f090924ec7a5b398d8MD56Autorizacion_y_entrega_de_tesis_IMEC.pdf.txtAutorizacion_y_entrega_de_tesis_IMEC.pdf.txtExtracted texttext/plain1161https://repositorio.uniandes.edu.co/bitstreams/4959ff2e-6146-44db-a9ab-ebb07cad9a4e/download08b106dfeb12472e88207a069e15ba30MD58ORIGINALDocumento_Proyecto_Individual_Diego_Rojas.pdfDocumento_Proyecto_Individual_Diego_Rojas.pdfTrabajo de gradoapplication/pdf1115682https://repositorio.uniandes.edu.co/bitstreams/770ffb19-053a-4927-8234-0c0fcd8ede76/download01e9a0df98e1a5dfebe63b9ac128cb57MD53Autorizacion_y_entrega_de_tesis_IMEC.pdfAutorizacion_y_entrega_de_tesis_IMEC.pdfHIDEapplication/pdf273803https://repositorio.uniandes.edu.co/bitstreams/c71e6126-fd2b-41cf-a524-966671edd015/downloadfa6d00bdb0ce8f455eddf20689ac7cf3MD54LICENSElicense.txtlicense.txttext/plain; charset=utf-81810https://repositorio.uniandes.edu.co/bitstreams/569a1750-7a29-4657-86ad-91093ba0babc/download5aa5c691a1ffe97abd12c2966efcb8d6MD51THUMBNAILDocumento_Proyecto_Individual_Diego_Rojas.pdf.jpgDocumento_Proyecto_Individual_Diego_Rojas.pdf.jpgIM Thumbnailimage/jpeg9126https://repositorio.uniandes.edu.co/bitstreams/1eb71676-93e1-463e-a13e-0b2f3497ff2d/downloadcff237abe88134a75013f2bec4e7f959MD57Autorizacion_y_entrega_de_tesis_IMEC.pdf.jpgAutorizacion_y_entrega_de_tesis_IMEC.pdf.jpgIM Thumbnailimage/jpeg15682https://repositorio.uniandes.edu.co/bitstreams/1639cd7a-3f1d-40c4-8c72-40a7ac5a21b0/downloada0011619d5dcf9d0fdcfa8db1e9eedd9MD59CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8799https://repositorio.uniandes.edu.co/bitstreams/facae5ce-0337-4d23-b099-fa21d577c75e/downloadf7d494f61e544413a13e6ba1da2089cdMD551992/68323oai:repositorio.uniandes.edu.co:1992/683232024-03-13 15:33:22.845http://creativecommons.org/licenses/by-nd/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |