LUIS ALBERTO CASAVERDE

Dr. LUIS ALBERTO CASAVERDE

University of Piura, Piura, Peru
orcid

Research Focus & Metrics

Academic Career Length

6Years (2021-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
22 April 2022 in DYNA
Verified
Journal Article
Open access
PDF file
RRRedy Risco-Ramos
Redy Risco-Ramos
DADaniel Alexis Pérez Aguilar
Daniel Alexis Pérez Aguilar
LUIS ALBERTO CASAVERDELUIS ALBERTO CASAVERDE
LUIS ALBERTO CASAVERDE
EVEdilberto Vásquez-Díaz
Edilberto Vásquez-Díaz
This work shows a method based on Business Intelligence and its application for solving issues and problems in small and medium industries. In this matter, methodologies used by specialists were investigated: three methods were chosen and evaluated, and, of them, the CRISP-DM (Cross-Industry Standard Process for Data Mining) methodology was used as a reference. Making an unconventional use of a commercial BI platform, the methodology was applied to a real case study: an agro-industrial company. After the application of the methodology and the descriptive, diagnostic and prescriptive analyzes, information and knowledge were found that allowed to propose the deployment of corrective measures that will improve the management of the company's electricity supply. This showed that these tools not only have application in commercial matters but also in the management of the electricity supply and, therefore, in the organizational performance of the company.

29 June 2021 in INGENIUS
Verified
Journal Article
Open access
PDF file
DADaniel Alexis Pérez Aguilar
Daniel Alexis Pérez Aguilar
RRRedy Henry Risco-Ramos
Redy Henry Risco-Ramos
LUIS ALBERTO CASAVERDELUIS ALBERTO CASAVERDE
LUIS ALBERTO CASAVERDE
La clasificación de imágenes térmicas es un aspecto clave en el sector industrial, debido a que suele ser el punto de partida en la detección de fallos en equipos eléctricos. En algunos casos, esta tarea se automatiza mediante el uso de técnicas tradicionales de inteligencia artificial, mientras que en otros, es realizada de manera manual, lo cual puede traer consigo altas tasas de error humano. Este artículo presenta un análisis comparativo entre once arquitecturas de transfer learning (AlexNet, VGG16, VGG19, ResNet, DenseNet, MobileNet v2, GoogLeNet, ResNeXt, Wide ResNet, MNASNet y ShuffleNet) mediante el uso de fine-tuning, con la finalidad de realizar una clasificación binaria de imágenes térmicas en una red de distribución eléctrica. Para ello, se dispone de una base de datos con 815 imágenes, divididas mediante la técnica tipo hold-out 60-20-20 y validación cruzada con 5-folds, para finalmente analizar su rendimiento mediante el test de Friedman. Luego de los experimentos, se obtuvieron resultados satisfactorios con exactitudes superiores a 85 % en diez de las arquitecturas previamente entrenadas. Sin embargo, la arquitectura que no se entrenó previamente presentó una exactitud baja; concluyéndose que la aplicación de transfer learning mediante el uso de arquitecturas previamente entrenadas es un mecanismo adecuado en la clasificación de este tipo de imágenes, y representa una alternativa confiable frente a técnicas tradicionales de inteligencia artificial.

26 July 2022 in Foods
Verified
Journal Article
Open access
PDF file
LUIS ALBERTO CASAVERDELUIS ALBERTO CASAVERDE
LUIS ALBERTO CASAVERDE
CARMEN TELLEZ PEREZCARMEN TELLEZ PEREZ
CARMEN TELLEZ PEREZ
CBColette BESOMBES
Colette BESOMBES
Daniel Marcelo-AldanaDaniel Marcelo-Aldana
Daniel Marcelo-Aldana
Karim AllafKarim Allaf
Karim Allaf
EVEdilberto Horacio Vasquez-Díaz
Edilberto Horacio Vasquez-Díaz
Swell-Drying operation (SD) was applied on mangoes to evaluate its effect on drying kinetics: starting accessibility (δW), apparent drying coefficient (Dapp), and time to obtain a final moisture content of 20% d.b (tf = 20% d.b). Swell-drying consisted of (1) submitting fresh mangoes to a first pre-drying stage under Convective Air Drying (CAD) until a moisture content of 37% d.b; (2) applying Instant Controlled Pressure Drop (DIC) treatments on pre-dried mangoes by following a central composite rotatable design (steam pressure: 0.2–0.6 MPa and treatment time: 5 and 55 s); and (3) apply post-drying of mangoes under CAD. In both cases, CAD was performed at 60 °C and airflow of 1 m/s. Results showed that both the treatment time and the steam pressure impacted the Dapp and the δW. By comparing to the control, SD (0.54 MPa and 48 s) increased the Dapp and δW to 12.2 and 2.7 times, respectively. Moreover, SD triggers a significant reduction in post-drying time (tf = 20% d.b), being this of 2.4 h vs. 30.8 h. These results could be linked to the expansion of the internal pores of mangoes generated by the instant autovaporization of residual water triggered by DIC treatment.

1 December 2022 in Información tecnológica
Verified
Journal Article
Open access
PDF file
RRRedy Henry Risco
Redy Henry Risco
DADaniel Alexis Pérez Aguilar
Daniel Alexis Pérez Aguilar
LUIS ALBERTO CASAVERDELUIS ALBERTO CASAVERDE
LUIS ALBERTO CASAVERDE
GRGerson Rosa
Gerson Rosa
Este estudio aplica un modelo de referencia que implementa la minería de datos como parte de un entorno de inteligencia de negocios para analizar la operación de un turbogenerador hidráulico. Los datos analizados provienen del sistema de control y adquisición de datos de una central hidroeléctrica. Se genera un modelo utilizando análisis de componentes principales. Luego, se evalúa el modelo con nuevas observaciones utilizando los gráficos de control estadístico multivariante: cuadrado del error de predicción y T2 de Hotelling y finalmente se implementa el análisis conectando las tablas generadas con una herramienta convencional de inteligencia de negocios. El modelo se prueba en cinco muestras correspondientes a periodos previos a una parada del turbogenerador. Se concluye que el modelo de referencia utilizado puede ser aplicado al análisis de la operación de un turbogenerador hidráulico, que los gráficos de control son capaces de detectar comportamientos atípicos de operación y que es necesario el conocimiento del proceso a analizar para una adecuada interpretación de los resultados.

29 June 2021 in INGENIUS
Verified
Journal Article
Open access
PDF file
DADaniel Alexis Pérez Aguilar
Daniel Alexis Pérez Aguilar
RRRedy Henry Risco-Ramos
Redy Henry Risco-Ramos
LUIS ALBERTO CASAVERDELUIS ALBERTO CASAVERDE
LUIS ALBERTO CASAVERDE
La clasificación de imágenes térmicas es un aspecto clave en el sector industrial, debido a que suele ser el punto de partida en la detección de fallos en equipos eléctricos. En algunos casos, esta tarea se automatiza mediante el uso de técnicas tradicionales de inteligencia artificial, mientras que en otros, es realizada de manera manual, lo cual puede traer consigo altas tasas de error humano. Este artículo presenta un análisis comparativo entre once arquitecturas de transfer learning (AlexNet, VGG16, VGG19, ResNet, DenseNet, MobileNet v2, GoogLeNet, ResNeXt, Wide ResNet, MNASNet y ShuffleNet) mediante el uso de fine-tuning, con la finalidad de realizar una clasificación binaria de imágenes térmicas en una red de distribución eléctrica. Para ello, se dispone de una base de datos con 815 imágenes, divididas mediante la técnica tipo hold-out 60-20-20 y validación cruzada con 5-folds, para finalmente analizar su rendimiento mediante el test de Friedman. Luego de los experimentos, se obtuvieron resultados satisfactorios con exactitudes superiores a 85 % en diez de las arquitecturas previamente entrenadas. Sin embargo, la arquitectura que no se entrenó previamente presentó una exactitud baja; concluyéndose que la aplicación de transfer learning mediante el uso de arquitecturas previamente entrenadas es un mecanismo adecuado en la clasificación de este tipo de imágenes, y representa una alternativa confiable frente a técnicas tradicionales de inteligencia artificial.