Propuesta de mejora en la gestión de residuos sólidos inorgánicos mediante la aplicación de modelos de Machine Learning en la Municipalidad del Distrito de Yanahuara 2023
Cargando...
Fecha
2024-12-03
Autores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Católica de Santa María
Resumen
El presente estudio se centró en aplicar una herramienta del campo de la inteligencia
artificial, específicamente los modelos de Machine Learning, con el fin de mejorar la gestión
de residuos sólidos inorgánicos en la municipalidad del distrito de Yanahuara.
Primero se realizó una recopilación de información, sobre las cantidades de
kilogramos de residuos inorgánicos, tales como plástico, metal, cartón, papel y vidrio, que se
generaron durante los años del 2018 al 2022, seguidamente se dio un tratamiento a los datos
ya que se carecía de información de ciertos meses, por lo que fue necesario completar los
datos faltantes a través de imputación de datos con el método KNNimputer.
Luego de contar con los datos completos se procedió con la aplicación de los modelos
de Machine Learning, para esto fue necesario dividir los cinco conjunto de datos de residuos
sólidos inorgánicos (como plástico, metal, cartón, papel y vidrio), en dos grupos:
entrenamiento y prueba, donde al primer grupo se les aplico los diversos modelos de Machine
Lerning, usando en este estudio 8 modelos (Random Forest, Árbol de Decisiones, SVM,
Regresión Ridge, ARDRegression, K-vecinos próximos, Gradient Boost y LSTM), y las
prediciones obtenidas se compararon con los valores reales del conjunto de prueba.
Después se determinó que modelo arrojó mejores resultados de las predicciones para
cada tipo de residuo sólido inorgánico, y para esto se hizo comparaciones entre los resultados
de tres métricas: Error medio absoluto (MAE), Error de raíz cuadrad a media (RMSE) y Error
de porcentaje medio absoluto (MAPE), y el mejor modelo fue aquel que arrojase los menores
errores, donde el mejor modelo para los residuos de plástico y cartón fue Random Forest,
para el metal fue SVM, para el papel y vidrio fue K vecinos próximos.
Ya determinado el mejor modelo de Machine Learning para cada tipo de residuo
sólido inorgánico se procedió a realizar las predicciones sobre cuantos kilogramos de basura
se iban a generar durante el año 2023.
Con los kilogramos de residuos predichos para el año 2023, se hicieron propuestas
que mejoraran la gestión de los residuos sólidos inorgánicos, para contemplar la compra de
contenedores, donde se determinó que con 193 contendores serían necesarios para
recolectarlos.
Una vez determinada dicha cantidad de contenedores se procedió a elaborar una
distribución de estos a lo largo del distrito y de paso a elaborar posibles rutas de recolección
que sean más eficientes. Se pudo identificar que inicialmente las 17 rutas de recolección no
estaban bien definidas, en algunas de estas se realizaba un doble recorrido en las calles y no
había un orden de recolección de zonas por día, por lo que se ideó una propuesta de rutas
donde se logró reducir de 17 rutas a 12 rutas y por ende hubo una reducción de kilómetros
recorridos a la semana, pasando de 28.48 km a 22.12 km.
Con la implementación de rutas y contenedores, también el tiempo de recolección
disminuye pasando de 6 horas a 2.68 horas. Y de la misma manera es posible reducir gastos
en 5 años, pasando de S/. 2,197,500.25 a S/. 1,896,410.24.
Finalmente, con las propuestas realizadas se determinó que el Valor Actual
Descripción
Palabras clave
Residuos sólidos inorgánicos, Modelos de Machine Learning, Gestión de residuos