Aplicación de la inteligencia artificial en el desarrollo de energías renovables

El presente estudio analiza el papel de la inteligencia artificial (IA) en la optimización de la generación, gestión y distribución de energías renovables, con énfasis en el contexto colombiano y la región de Cúcuta. Ante los desafíos globales del cambio climático y la necesidad de descarbonización,...

Full description

Autores:
Godoy Godoy, Marjon Alexander
Tipo de recurso:
Fecha de publicación:
2025
Institución:
Universidad Simón Bolívar
Repositorio:
Repositorio Digital USB
Idioma:
spa
OAI Identifier:
oai:bonga.unisimon.edu.co:20.500.12442/16945
Acceso en línea:
https://hdl.handle.net/20.500.12442/16945
Palabra clave:
Inteligencia artificial
Energías renovables
Optimización energética
Predicción de demanda
Sostenibilidad
Artificial intelligence
Renewable energy
Energy optimization
Demand forecasting
Sustainability
Rights
restrictedAccess
License
Attribution-NonCommercial-NoDerivatives 4.0 International
id USIMONBOL2_317d324ab3c1741784157da24600fa99
oai_identifier_str oai:bonga.unisimon.edu.co:20.500.12442/16945
network_acronym_str USIMONBOL2
network_name_str Repositorio Digital USB
repository_id_str
dc.title.spa.fl_str_mv Aplicación de la inteligencia artificial en el desarrollo de energías renovables
title Aplicación de la inteligencia artificial en el desarrollo de energías renovables
spellingShingle Aplicación de la inteligencia artificial en el desarrollo de energías renovables
Inteligencia artificial
Energías renovables
Optimización energética
Predicción de demanda
Sostenibilidad
Artificial intelligence
Renewable energy
Energy optimization
Demand forecasting
Sustainability
title_short Aplicación de la inteligencia artificial en el desarrollo de energías renovables
title_full Aplicación de la inteligencia artificial en el desarrollo de energías renovables
title_fullStr Aplicación de la inteligencia artificial en el desarrollo de energías renovables
title_full_unstemmed Aplicación de la inteligencia artificial en el desarrollo de energías renovables
title_sort Aplicación de la inteligencia artificial en el desarrollo de energías renovables
dc.creator.fl_str_mv Godoy Godoy, Marjon Alexander
dc.contributor.advisor.none.fl_str_mv Rios Leon, Pablo Yazael
dc.contributor.author.none.fl_str_mv Godoy Godoy, Marjon Alexander
dc.subject.spa.fl_str_mv Inteligencia artificial
Energías renovables
Optimización energética
Predicción de demanda
Sostenibilidad
topic Inteligencia artificial
Energías renovables
Optimización energética
Predicción de demanda
Sostenibilidad
Artificial intelligence
Renewable energy
Energy optimization
Demand forecasting
Sustainability
dc.subject.keywords.eng.fl_str_mv Artificial intelligence
Renewable energy
Energy optimization
Demand forecasting
Sustainability
description El presente estudio analiza el papel de la inteligencia artificial (IA) en la optimización de la generación, gestión y distribución de energías renovables, con énfasis en el contexto colombiano y la región de Cúcuta. Ante los desafíos globales del cambio climático y la necesidad de descarbonización, las energías limpias como la solar y la eólica se consolidan como alternativas estratégicas. No obstante, su integración eficiente se ve limitada por la intermitencia en la generación, dificultades en el almacenamiento y deficiencias en la distribución. La investigación adopta un enfoque cualitativo, basado en revisión documental, análisis normativo y entrevistas semiestructuradas, complementado con un estudio de caso de aplicación de IA en diseño de plantas eólicas. Se identifican avances significativos en el uso de algoritmos de aprendizaje automático para predicción energética, mantenimiento predictivo y operación de redes inteligentes. Sin embargo, persisten obstáculos relacionados con la infraestructura tecnológica, la disponibilidad de datos, la formación profesional y vacíos normativos. A nivel regional, Cúcuta presenta un alto potencial para el aprovechamiento solar y una creciente adopción empresarial de tecnologías limpias, lo que abre oportunidades para integrar soluciones de IA en la planificación energética. Se concluye que la inteligencia artificial puede actuar como catalizador en la transición energética sostenible, siempre que se articulen esfuerzos institucionales, académicos y regulatorios para superar las barreras existentes.
publishDate 2025
dc.date.accessioned.none.fl_str_mv 2025-09-20T16:37:34Z
dc.date.available.none.fl_str_mv 2025-09-20T16:37:34Z
dc.date.issued.none.fl_str_mv 2025
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.spa.none.fl_str_mv Trabajo de grado - pregrado
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12442/16945
url https://hdl.handle.net/20.500.12442/16945
dc.language.iso.none.fl_str_mv spa
language spa
dc.rights.eng.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_16ec
dc.rights.uri.none.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/restrictedAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_16ec
eu_rights_str_mv restrictedAccess
dc.format.mimetype.none.fl_str_mv pdf
dc.publisher.spa.fl_str_mv Ediciones Universidad Simón Bolívar
Facultad de Ingenierías
institution Universidad Simón Bolívar
bitstream.url.fl_str_mv https://bonga.unisimon.edu.co/bitstreams/945a5c36-e137-4275-ba0b-5a2c3e7b9384/download
https://bonga.unisimon.edu.co/bitstreams/984c8bff-d559-47f2-8719-eeceffc64ec5/download
https://bonga.unisimon.edu.co/bitstreams/ee7f6054-1374-4f14-bd9f-f2247b89fa7c/download
https://bonga.unisimon.edu.co/bitstreams/eb6c0d25-1933-4e81-abe4-150005443ed3/download
https://bonga.unisimon.edu.co/bitstreams/ba9453ba-879b-4740-af9a-b67cbfa76d8a/download
https://bonga.unisimon.edu.co/bitstreams/1dfafc1f-1a9a-4fef-8b7a-9fea6e7ac0a1/download
https://bonga.unisimon.edu.co/bitstreams/2fd209dd-1d7d-4c6c-9881-cdc5f11b4526/download
https://bonga.unisimon.edu.co/bitstreams/990273f4-002c-4c0b-b241-09895e6426cf/download
bitstream.checksum.fl_str_mv 597bf887e4381067ba8584069934c23d
9224b5e0b28b9d6c4216f1c8686a258a
3b6ce8e9e36c89875e8cf39962fe8920
2a1661e5960a7bab4fd8dda692fb677c
9775f13d2d3d6599832eb76ef40cae87
09d805e5b470b653749d122ee9491bf4
7d3be6e96190538108bf3f8f11c143a3
57d6e11320faf6f8a101b0d45437fcba
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Digital Universidad Simón Bolívar
repository.mail.fl_str_mv repositorio.digital@unisimon.edu.co
_version_ 1858228182136651776
spelling Rios Leon, Pablo YazaelGodoy Godoy, Marjon Alexanderc2ba15af-7c29-4e0f-ab37-7a391e79a909-12025-09-20T16:37:34Z2025-09-20T16:37:34Z2025https://hdl.handle.net/20.500.12442/16945El presente estudio analiza el papel de la inteligencia artificial (IA) en la optimización de la generación, gestión y distribución de energías renovables, con énfasis en el contexto colombiano y la región de Cúcuta. Ante los desafíos globales del cambio climático y la necesidad de descarbonización, las energías limpias como la solar y la eólica se consolidan como alternativas estratégicas. No obstante, su integración eficiente se ve limitada por la intermitencia en la generación, dificultades en el almacenamiento y deficiencias en la distribución. La investigación adopta un enfoque cualitativo, basado en revisión documental, análisis normativo y entrevistas semiestructuradas, complementado con un estudio de caso de aplicación de IA en diseño de plantas eólicas. Se identifican avances significativos en el uso de algoritmos de aprendizaje automático para predicción energética, mantenimiento predictivo y operación de redes inteligentes. Sin embargo, persisten obstáculos relacionados con la infraestructura tecnológica, la disponibilidad de datos, la formación profesional y vacíos normativos. A nivel regional, Cúcuta presenta un alto potencial para el aprovechamiento solar y una creciente adopción empresarial de tecnologías limpias, lo que abre oportunidades para integrar soluciones de IA en la planificación energética. Se concluye que la inteligencia artificial puede actuar como catalizador en la transición energética sostenible, siempre que se articulen esfuerzos institucionales, académicos y regulatorios para superar las barreras existentes.The present study analyzes the role of artificial intelligence (AI) in the optimization of the generation, management, and distribution of renewable energies, with an emphasis on the Colombian context and the region of Cúcuta. In the face of global challenges such as climate change and the need for decarbonization, clean energies such as solar and wind power are being consolidated as strategic alternatives. However, their efficient integration is limited by intermittency in generation, difficulties in storage, and deficiencies in distribution. The research adopts a qualitative approach, based on documentary review, regulatory analysis, and semi-structured interviews, complemented by a case study on the application of AI in the design of wind farms. Significant advances are identified in the use of machine learning algorithms for energy forecasting, predictive maintenance, and the operation of smart grids. However, obstacles persist related to technological infrastructure, data availability, professional training, and regulatory gaps. At the regional level, Cúcuta presents high potential for solar energy exploitation and a growing business adoption of clean technologies, which opens opportunities to integrate AI solutions in energy planning. It is concluded that artificial intelligence can act as a catalyst in the sustainable energy transition, provided that institutional, academic, and regulatory efforts are articulated to overcome existing barriers.pdfspaEdiciones Universidad Simón BolívarFacultad de IngenieríasAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/restrictedAccesshttp://purl.org/coar/access_right/c_16ecInteligencia artificialEnergías renovablesOptimización energéticaPredicción de demandaSostenibilidadArtificial intelligenceRenewable energyEnergy optimizationDemand forecastingSustainabilityAplicación de la inteligencia artificial en el desarrollo de energías renovablesinfo:eu-repo/semantics/bachelorThesisTrabajo de grado - pregradohttp://purl.org/coar/resource_type/c_7a1fAbadi, M., et al. (2016). TensorFlow: Large-scale machine learning on heterogeneous systems. arXiv preprint arXiv:1603.04467.Agencia Internacional de Energía. (2020). World Energy Outlook 2020. https://www.iea.org/reports/world-energy-outlook-2020García, M., & Sánchez, L. (2023). Machine learning approaches for real-time solar power forecasting and distribution optimization. Renewable and Sustainable Energy Reviews, 170, 112952. https://doi.org/10.1016/j.rser.2023.112952Gielen, D., Boshell, F., Saygin, D., Bazilian, M. D., Wagner, N., & Gorini, R. (2019). The role of renewable energy in the global energy transformation. Energy Strategy Reviews, 24, 38–50. https://doi.org/10.1016/j.esr.2019.01.006Hossain, M., et al. (2021). Deep learning for solar power forecasting: A review. Renewable Energy, 164, 1077-1093International Renewable Energy Agency (IRENA). (2020). Innovation Outlook: Artificial Intelligence for the Power Sector. https://www.irena.org/publications/2020/Oct/InnovationOutlook-Artificial-IntelligenceInternational Renewable Energy Agency (IRENA). (2021). Artificial Intelligence and Big Data: Innovation landscape brief. https://www.irena.org/publications/2021International Renewable Energy Agency (IRENA). (2022). Renewable energy statistics 2022. https://www.irena.org/publications/2022/Jul/Renewable-energy-statistics-2022King, R. (2021, November 10). Using AI to reimagine the design of wind farms. Fast Company. https://www.fastcompany.com/90697239/using-ai-to-reimagine-the-design-of-windfarmsKumar, S., & Singh, R. (2019). Application of artificial intelligence techniques in wind energy systems: A review. Energy Conversion and Management, 180, 130–147. https://doi.org/10.1016/j.enconman.2018.10.047Li, J., et al. (2022). Explainable AI models for wind energy prediction. Energy Reports, 8, 1599–1609Liu, X., Wang, Y., & Zhang, Z. (2017). Machine learning approaches for solar power forecasting: A review. Renewable and Sustainable Energy Reviews, 79, 141–153. https://doi.org/10.1016/j.rser.2017.05.267Liu, X., Zhang, Y., & Wang, H. (2017). Deep neural networks for solar power generation forecasting: A data-driven approach. Renewable Energy, 105, 565–573. https://doi.org/10.1016/j.renene.2016.12.058Liu, Y., Chen, J., & Wang, X. (2017). Machine learning approaches for renewable energy forecasting: A review. Renewable Energy Journal, 105, 345–356. https://doi.org/10.1016/j.renene.2016.12.040López, A., & Martínez, J. (2020). Automation and remote supervision in renewable energy systems. Journal of Renewable Energy Technology, 15(3), 112–124.Martínez, F., Gómez, P., & Sánchez, D. (2021). Adaptive algorithms for microgrid energy management integrating solar and wind sources. Energy Reports, 7, 1022–1031. https://doi.org/10.1016/j.egyr.2021.03.018Martínez, J., Torres, P., & Delgado, R. (2021). Adaptive algorithms for smart grid and microgrid energy management. Journal of Energy Systems, 34(2), 112–130. https://doi.org/10.1016/j.jes.2020.11.005Martínez, R., Sánchez, P., & Gómez, L. (2021). Intelligent algorithms for the management of smart grids and energy storage systems. Energy Systems, 12(2), 265–282. https://doi.org/10.1007/s12667-020-00409-xMathWorks. (2023). MATLAB for renewable energy simulation. https://www.mathworks.comNational Renewable Energy Laboratory. (2021). NREL researchers use AI to improve wind plant performance. U.S. Department of Energy. https://www.nrel.gov/news/program/2021/nrel-researchers-use-ai-to-improve-wind-plantperformance.htmlPérez, L., Morales, J., & Torres, A. (2020). Hybrid AI-based models for renewable energy management and storage optimization. Journal of Energy Storage, 28, 101189. https://doi.org/10.1016/j.est.2019.101189Ramírez, M., Fernández, A., & Torres, J. (2020). Challenges and opportunities in the adoption of AI technologies for renewable energy systems. Sustainable Energy Reviews, 119, 109553. https://doi.org/10.1016/j.rser.2019.109553Thomas, J., King, R. N., Bakhshaii, A., & Quon, E. (2022). Graph neural networks for wind plant layout optimization. National Renewable Energy Laboratory (NREL). https://www.nrel.gov/docs/fy22osti/81724.pdfZhang, Q., & Wang, S. (2020). Application of SVM in wind speed forecasting. Energy Procedia, 158, 2257–2262.Zhang, Z., Qin, F., Liu, G., & Li, H. (2020). The role of AI in renewable energy transition: A systematic review and future research directions. Journal of Cleaner Production, 270, 122–135. https://doi.org/10.1016/j.jclepro.2020.122135Zou, P. X., Zhao, G., & Zhang, L. (2019). Artificial intelligence-based fault detection and diagnosis methods for building energy systems: A review. Renewable and Sustainable Energy Reviews, 110, 109–123. https://doi.org/10.1016/j.rser.2019.04.065García, M., & Sánchez, L. (2023). Aplicaciones de la inteligencia artificial en la optimización de energías renovables. Editorial Científica Energía Verde.Gómez, J., & Martínez, R. (2018). Aplicación de redes neuronales para la optimización de la generación energética solar en Santander. Revista Colombiana de Energías Renovables, 5(1), 45–54González, A., et al. (2023). Retos y oportunidades para la IA en energías renovables en Colombia. Revista Colombiana de Energías Renovables, 12(1), 45–61.González, A., et al. (2023). Retos y oportunidades para la IA en energías renovables en Colombia. Revista Colombiana de Energías Renovables, 12(1), 45–61.Jiménez, D., & Vargas, F. (2022). Optimización del consumo energético en edificios inteligentes mediante machine learning en Bogotá. Revista Colombiana de Tecnologías Sostenibles, 10(2), 78–89.López, R., & Martínez, F. (2020). Inteligencia artificial para la gestión eficiente de energías renovables. Universidad Tecnológica Nacional.Ministerio TIC. (2022). Informe sobre capacidades digitales y tecnológicas en Colombia. Bogotá: Gobierno de Colombia.Ocampo, R., & Sánchez, L. (2022). Gestión socio-técnica de energías renovables con inteligencia artificial. Revista Latinoamericana de Energía, 17(3), 90–105.Pérez, A., Gómez, S., & Herrera, V. (2020). Predicción de la generación energética renovable mediante análisis de datos meteorológicos. Revista Iberoamericana de Energías Renovables, 28(1), 58–73.Pérez, M., & Méndez, F. (2023). Costos y barreras tecnológicas en IA para energías renovables. Ingeniería y Tecnología, 45(2), 123–134Pérez, Y., & Ramos, J. (2021). Aplicaciones de la inteligencia artificial en energías renovables: una revisión crítica. Revista Iberoamericana de Energía, 17(2), 45–66. https://doi.org/10.5281/zenodo.4567891Ramírez, C., Fernández, J., & Ortiz, M. (2020). Desafíos y oportunidades de la inteligencia artificial en el sector energético renovable. Tecnología y Desarrollo Sustentable, 15(3), 85–98.Ramírez, J., & Castillo, P. (2021). Sistema híbrido de gestión energética con IA para microredes comunitarias en el Valle del Cauca. Revista de Ingeniería Electrónica y Energía, 16(3), 201–213Ramírez, J., & Torres, P. (2022). Calidad de datos en sistemas de energía solar. Journal of Renewable Data Science, 4(2), 33–47.Rodríguez, A., Pérez, M., & López, C. (2019). Sistema de monitoreo inteligente para parques eólicos en La Guajira usando aprendizaje automático. Ingeniería y Desarrollo, 37(2), 123–134.Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.Sánchez, L., & Gómez, A. (2021). Mantenimiento predictivo y control inteligente en plantas de energía renovable. Revista Latinoamericana de Ingeniería, 19(4), 200–214Sede CúcutaIngeniería MecánicaModelado, optimización y automatización de sistemas energéticos renovables mediante inteligencia artificialORIGINALPDF_Resumen.pdfPDF_Resumen.pdfapplication/pdf232964https://bonga.unisimon.edu.co/bitstreams/945a5c36-e137-4275-ba0b-5a2c3e7b9384/download597bf887e4381067ba8584069934c23dMD51PDF.pdfPDF.pdfapplication/pdf704837https://bonga.unisimon.edu.co/bitstreams/984c8bff-d559-47f2-8719-eeceffc64ec5/download9224b5e0b28b9d6c4216f1c8686a258aMD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8899https://bonga.unisimon.edu.co/bitstreams/ee7f6054-1374-4f14-bd9f-f2247b89fa7c/download3b6ce8e9e36c89875e8cf39962fe8920MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-83000https://bonga.unisimon.edu.co/bitstreams/eb6c0d25-1933-4e81-abe4-150005443ed3/download2a1661e5960a7bab4fd8dda692fb677cMD54TEXTPDF_Resumen.pdf.txtPDF_Resumen.pdf.txtExtracted texttext/plain18014https://bonga.unisimon.edu.co/bitstreams/ba9453ba-879b-4740-af9a-b67cbfa76d8a/download9775f13d2d3d6599832eb76ef40cae87MD55PDF.pdf.txtPDF.pdf.txtExtracted texttext/plain71271https://bonga.unisimon.edu.co/bitstreams/1dfafc1f-1a9a-4fef-8b7a-9fea6e7ac0a1/download09d805e5b470b653749d122ee9491bf4MD57THUMBNAILPDF_Resumen.pdf.jpgPDF_Resumen.pdf.jpgGenerated Thumbnailimage/jpeg5128https://bonga.unisimon.edu.co/bitstreams/2fd209dd-1d7d-4c6c-9881-cdc5f11b4526/download7d3be6e96190538108bf3f8f11c143a3MD56PDF.pdf.jpgPDF.pdf.jpgGenerated Thumbnailimage/jpeg3589https://bonga.unisimon.edu.co/bitstreams/990273f4-002c-4c0b-b241-09895e6426cf/download57d6e11320faf6f8a101b0d45437fcbaMD5820.500.12442/16945oai:bonga.unisimon.edu.co:20.500.12442/169452025-10-08 15:55:26.058http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalopen.accesshttps://bonga.unisimon.edu.coRepositorio Digital Universidad Simón Bolívarrepositorio.digital@unisimon.edu.coQXV0b3Jpem8gKGF1dG9yaXphbW9zKSAgYSBsYSBCaWJsaW90ZWNhIGRlIGxhIEluc3RpdHVjacOzbiBwYXJhIHF1ZSBpbmNsdXlhIHVuYSBjb3BpYSwgIGluZGV4ZSB5IGRpdnVsZ3VlIGVuIGVsIFJlcG9zaXRvcmlvIEluc3RpdHVjaW9uYWwgbGEgb2JyYSBtZW5jaW9uYWRhIGNvbiBlbCBmaW4gZGUgZmFjaWxpdGFyIGxvcyBwcm9jZXNvcyBkZSB2aXNpYmlsaWRhZCBlIGltcGFjdG8gZGUgbGEgbWlzbWEsIGNvbmZvcm1lIGEgbG9zIGRlcmVjaG9zIHBhdHJpbW9uaWFsZXMgcXVlIG1lKG5vcykgY29ycmVzcG9uZGUobikgeSBxdWUgaW5jbHV5ZW46IGxhIHJlcHJvZHVjY2nDs24sIGNvbXVuaWNhY2nDs24gcMO6YmxpY2EsIGRpc3RyaWJ1Y2nDs24gYWwgcMO6YmxpY28sIHRyYW5zZm9ybWFjacOzbiwgZW4gY29uZm9ybWlkYWQgY29uIGxhIG5vcm1hdGl2aWRhZCB2aWdlbnRlIHNvYnJlIGRlcmVjaG9zIGRlIGF1dG9yIHkgZGVyZWNob3MgY29uZXhvcyByZWZlcmlkb3MgZW4gYXJ0LiAyLCAxMiwgMzAgKG1vZGlmaWNhZG8gcG9yIGVsIGFydCA1IGRlIGxhIGxleSAxNTIwLzIwMTIpLCB5IDcyIGRlIGxhIGxleSAyMyBkZSBkZSAxOTgyLCBMZXkgNDQgZGUgMTk5MywgYXJ0LiA0IHkgMTEgRGVjaXNpw7NuIEFuZGluYSAzNTEgZGUgMTk5MyBhcnQuIDExLCBEZWNyZXRvIDQ2MCBkZSAxOTk1LCBDaXJjdWxhciBObyAwNi8yMDAyIGRlIGxhIERpcmVjY2nDs24gTmFjaW9uYWwgZGUgRGVyZWNob3MgZGUgQXV0b3IKcGFyYSBsYXMgSW5zdGl0dWNpb25lcyBkZSBFZHVjYWNpw7NuIFN1cGVyaW9yLCBhcnQuIDE1IExleSAxNTIwIGRlIDIwMTIgeSBkZW3DoXMgbm9ybWFzIGdlbmVyYWxlcyBlbiBsYSBtYXRlcmlhLi4KCkFsIHJlc3BlY3RvIGNvbW8gQXV0b3IoZXMpIG1hbmlmZXN0YW1vcyBjb25vY2VyIHF1ZToKCi0JTGEgYXV0b3JpemFjacOzbiBlcyBkZSBjYXLDoWN0ZXIgbm8gZXhjbHVzaXZhIHkgbGltaXRhZGEsIGVzdG8gaW1wbGljYSBxdWUgbGEgbGljZW5jaWEgdGllbmUgdW5hIHZpZ2VuY2lhLCBxdWUgbm8gZXMgcGVycGV0dWEgeSBxdWUgZWwgYXV0b3IgcHVlZGUgcHVibGljYXIgbyBkaWZ1bmRpciBzdSBvYnJhIGVuIGN1YWxxdWllciBvdHJvIG1lZGlvLCBhc8OtIGNvbW8gbGxldmFyIGEgY2FibyBjdWFscXVpZXIgdGlwbyBkZSBhY2Npw7NuIHNvYnJlIGVsIGRvY3VtZW50by4KIAotCUxhIGF1dG9yaXphY2nDs24gdGVuZHLDoSB1bmEgdmlnZW5jaWEgZGUgY2luY28gYcOxb3MgYSBwYXJ0aXIgZGVsIG1vbWVudG8gZGUgbGEgaW5jbHVzacOzbiBkZSBsYSBvYnJhIGVuIGVsIHJlcG9zaXRvcmlvLCBwcm9ycm9nYWJsZSBpbmRlZmluaWRhbWVudGUgcG9yIGVsIHRpZW1wbyBkZSBkdXJhY2nDs24gZGUgbG9zIGRlcmVjaG9zIHBhdHJpbW9uaWFsZXMgZGVsIGF1dG9yIHkgcG9kcsOhIGRhcnNlIHBvciB0ZXJtaW5hZGEgdW5hIHZleiBlbCBhdXRvciBsbyBtYW5pZmllc3RlIHBvciBlc2NyaXRvIGEgbGEgaW5zdGl0dWNpw7NuLCBjb24gbGEgc2FsdmVkYWQgZGUgcXVlIGxhIG9icmEgZXMgZGlmdW5kaWRhIGdsb2JhbG1lbnRlIHkgY29zZWNoYWRhIHBvciBkaWZlcmVudGVzIGJ1c2NhZG9yZXMgeS9vIHJlcG9zaXRvcmlvcyBlbiBJbnRlcm5ldCBsbyBxdWUgbm8gZ2FyYW50aXphIHF1ZSBsYSBvYnJhIHB1ZWRhIHNlciByZXRpcmFkYSBkZSBtYW5lcmEgaW5tZWRpYXRhIGRlIG90cm9zIHNpc3RlbWFzIGRlIGluZm9ybWFjacOzbiBlbiBsb3MgcXVlIHNlIGhheWEgaW5kZXhhZG8sICBkaWZlcmVudGVzIGFsIHJlcG9zaXRvcmlvIGluc3RpdHVjaW9uYWwgZGUgbGEgSW5zdGl0dWNpw7NuLgoKLQlMYSBhdXRvcml6YWNpw7NuIGRlIHB1YmxpY2FjacOzbiBjb21wcmVuZGUgZWwgZm9ybWF0byBvcmlnaW5hbCBkZSBsYSBvYnJhIHkgdG9kb3MgbG9zIGRlbcOhcyBxdWUgc2UgcmVxdWllcmEgcGFyYSBzdSBwdWJsaWNhY2nDs24gZW4gZWwgcmVwb3NpdG9yaW8uIElndWFsbWVudGUsIGxhIGF1dG9yaXphY2nDs24gcGVybWl0ZSBhIGxhIGluc3RpdHVjacOzbiBlbCBjYW1iaW8gZGUgc29wb3J0ZSBkZSBsYSBvYnJhIGNvbiBmaW5lcyBkZSBwcmVzZXJ2YWNpw7NuIChpbXByZXNvLCBlbGVjdHLDs25pY28sIGRpZ2l0YWwsIEludGVybmV0LCBpbnRyYW5ldCwgbyBjdWFscXVpZXIgb3RybyBmb3JtYXRvIGNvbm9jaWRvIG8gcG9yIGNvbm9jZXIpLgoKLQlMYSBhdXRvcml6YWNpw7NuIGVzIGdyYXR1aXRhIHkgc2UgcmVudW5jaWEgYSByZWNpYmlyIGN1YWxxdWllciByZW11bmVyYWNpw7NuIHBvciBsb3MgdXNvcyBkZSBsYSBvYnJhLCBkZSBhY3VlcmRvIGNvbiBsYSBsaWNlbmNpYSBlc3RhYmxlY2lkYSBlbiBlc3RhIGF1dG9yaXphY2nDs24uCgotCUFsIGZpcm1hciBlc3RhIGF1dG9yaXphY2nDs24sIHNlIG1hbmlmaWVzdGEgcXVlIGxhIG9icmEgZXMgb3JpZ2luYWwgeSBubyBleGlzdGUgZW4gZWxsYSBuaW5ndW5hIHZpb2xhY2nDs24gYSBsb3MgZGVyZWNob3MgZGUgYXV0b3IgZGUgdGVyY2Vyb3MuIEVuIGNhc28gZGUgcXVlIGVsIHRyYWJham8gaGF5YSBzaWRvIGZpbmFuY2lhZG8gcG9yIHRlcmNlcm9zIGVsIG8gbG9zIGF1dG9yZXMgYXN1bWVuIGxhIHJlc3BvbnNhYmlsaWRhZCBkZWwgY3VtcGxpbWllbnRvIGRlIGxvcyBhY3VlcmRvcyBlc3RhYmxlY2lkb3Mgc29icmUgbG9zIGRlcmVjaG9zIHBhdHJpbW9uaWFsZXMgZGUgbGEgb2JyYS4KCi0JRnJlbnRlIGEgY3VhbHF1aWVyIHJlY2xhbWFjacOzbiBwb3IgdGVyY2Vyb3MsIGVsIG8gbG9zIGF1dG9yZXMgc2Vyw6FuIHJlc3BvbnNhYmxlcywgZW4gbmluZ8O6biBjYXNvIGxhIHJlc3BvbnNhYmlsaWRhZCBzZXLDoSBhc3VtaWRhIHBvciBsYSBpbnN0aXR1Y2nDs24uCgotCUNvbiBsYSBhdXRvcml6YWNpw7NuLCBsYSBpbnN0aXR1Y2nDs24gcHVlZGUgZGlmdW5kaXIgbGEgb2JyYSBlbiDDrW5kaWNlcywgYnVzY2Fkb3JlcyB5IG90cm9zIHNpc3RlbWFzIGRlIGluZm9ybWFjacOzbiBxdWUgZmF2b3JlemNhbiBzdSB2aXNpYmlsaWRhZC4K

Publicaciones similares