Thesis: Desarrollo de un Sistema Predictivo de descargas eléctricas atmosféricas Nube-Tierra Utilizando Técnicas de Inteligencia Artificial
| datacite.subject.fos | Engineering and technology | |
| dc.contributor.correferente | Otro | |
| dc.contributor.department | Departamento de Electricidad | |
| dc.contributor.guia | Montaña Chaparro, Johny Hernan | |
| dc.coverage.spatial | Campus Casa Central Valparaíso | |
| dc.creator | Zumarán Rivera, Sergio | |
| dc.date.accessioned | 2025-11-24T16:34:06Z | |
| dc.date.available | 2025-11-24T16:34:06Z | |
| dc.date.issued | 2025-11-26 | |
| dc.description.abstract | Las descargas eléctricas atmosféricas representan una amenaza significativa tanto para la seguridad humana como para la infraestructura crítica, ocasionando pérdidas económicas y afectando sectores estratégicos como la minería, la aeronáutica y la gestión de emergencias. La detección temprana de estos eventos es clave para implementar medidas preventivas y fortalecer sistemas como el Sistema de Alerta de Emergencia (SAE). Este trabajo desarrolla un sistema experto offline para la predicción de descargas eléctricas atmosféricas en Chile, integrando variables meteorológicas convencionales (temperatura, humedad, presión, viento y radiación) y, en los casos disponibles, el campo eléctrico ambiental como variable crítica. Se entrenaron y evaluaron modelos basados en redes neuronales, incluyendo arquitecturas LSTM y Conv1D, utilizando datos históricos de Chile, Argentina y Perú. El conjunto de Perú, que incluyó mediciones de campo eléctrico de alta resolución, permitió alcanzar resultados sobresalientes: el mejor modelo logró un F1-score de 0.76 para el horizonte de 1 hora, mientras que los horizontes de 5, 10, 15 y 24 horas obtuvieron F1-scores de 0.74, 0.74, 0.71 y 0.66 respectivamente, demostrando que la dinámica del campo eléctrico es fundamental para capturar la secuencia previa a una descarga. En contraste, los modelos entrenados solo con variables meteorológicas en Chile no superaron el 10 % de F1, confirmando la limitada correlación horaria entre estas variables y la ocurrencia de rayos. Argentina mostró resultados intermedios: para GLM el mejor modelo LSTM alcanzó un F1 de 0.53, mientras que en WWLLN cayó a 0.23, reflejando la alta variabilidad y ruido en los datos de campo eléctrico y la sensibilidad a falsos negativos. Los resultados validan la premisa central de la hipótesis: la inclusión del campo eléctrico ambiental como variable de entrada es determinante para lograr un sistema de predicción efectivo. El F1-score de 0.76, alcanzado en el escenario con datos de campo eléctrico, demuestra un alto poder predictivo que contrasta drásticamente con el rendimiento inferior al 10 % obtenido en su ausencia. Esta brecha confirma que, si bien el umbral del 85 % no fue alcanzado, la señal eléctrica es el componente más crítico. El estudio revela que, en escenarios donde esta variable no está disponible, la capacidad de predicción es severamente limitada. Estos hallazgos refuerzan la necesidad de desplegar sensores de campo eléctrico en redes de monitoreo y consolidan la relevancia de las arquitecturas secuenciales para modelar la naturaleza dinámica de las descargas eléctricas atmosféricas. | es |
| dc.description.abstract | Atmospheric lightning strikes pose a significant threat to human safety and critical infrastructure, generating economic losses and impacting strategic sectors such as mining, aviation, and emergency management. Early detection of these events is crucial to implement preventive measures and strengthen systems such as the Emergency Alert System (SAE). This study develops an offline expert system for predicting cloud-to-ground lightning strikes in Chile, integrating conventional meteorological variables (temperature, humidity, pressure, wind, and solar radiation) and, where available, environmental electric field measurements as a critical input. Neural network models, including LSTM and Conv1D architectures, were trained and evaluated using historical datasets from Chile, Argentina, and Peru. The Peruvian dataset, which included high-resolution electric field measurements, yielded outstanding results: the best model achieved an F1-score of 0.76 for a 1-hour forecasting horizon, while 5, 10, 15, and 24-hour horizons achieved F1-scores of 0.64, 0.59, 0.57, and 0.42 respectively, demonstrating the electric field’s key role in capturing the pre-discharge dynamics. In contrast, models trained exclusively on meteorological variables in Chile failed to exceed 10% F1, confirming the weak hourly correlation between these variables and lightning occurrence. Argentina produced intermediate results: for GLM data, the best LSTM achieved an F1 of 0.53, while for WWLLN it dropped to 0.23, highlighting the high variability and noise in electric field measurements and the models’ sensitivity to false negatives. The findings confirm the initial hypothesis: incorporating the environmental electric field as an input variable is critical to achieving prediction accuracy levels approaching 85% for lightning events. Furthermore, the study demonstrates that in scenarios without electric field data, predictive capability based solely on meteorological variables is severely limited, particularly for short-term horizons. These results emphasize the need to deploy electric field sensors in monitoring networks and highlight the importance of sequential architectures to model the dynamic nature of atmospheric electrical discharges. | en_US |
| dc.description.degree | Magíster en Ciencias de la Ingeniería Eléctrica | |
| dc.driver | info:eu-repo/semantics/masterThesis | |
| dc.format.extent | 98 páginas | |
| dc.identifier.doi | 10.71959/vd4x-tx42 | |
| dc.identifier.uri | https://cris.usm.cl/handle/123456789/4210 | |
| dc.identifier.uri | https://doi.org/10.71959/vd4x-tx42 | |
| dc.language.iso | es | |
| dc.publisher | Universidad Técnica Federico Santa María | |
| dc.rights | Attribution 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Predicción de rayos | |
| dc.subject | IA | |
| dc.subject | Machine Learning | |
| dc.subject | Neural Network | |
| dc.subject.ods | 9 Industria, innovación e infraestructura | |
| dc.title | Desarrollo de un Sistema Predictivo de descargas eléctricas atmosféricas Nube-Tierra Utilizando Técnicas de Inteligencia Artificial | |
| dspace.entity.type | Tesis |
Política de Privacidad 
