The generation of energy through the transformation of polluting waste is a widely explored field and offers advances in green technologies. One of the promising technologies is Microbial Fuel Cells (MFCs). These cells can contain electroactive microorganisms that transform organic waste into electricity by transferring electrons from their metabolism. In this study, a new bacterium capable of producing electricity from the waste of the poultry sector and using copper electrodes, called Av_G1, was identified and isolated. It is phylogenetically related to Citrobacter freundii and Citrobacter Murlinae. This new strain was identified molecularly, biochemically, and phylogenetically; its physiological and morphological characteristics were also studied through a Scanning Electron Microscope (SEM). Biochemical determination was performed using Simmons Citrate Agar, Lysine Iron Medium (L.I.A.), Motility/Ornithine Test, Methyl Red indicator, Enzymes: oxidase and catalase, and Gram stain test. The phylogenetic inference was deduced by bioinformatics tools (MEGA X, JalView, Clustal Omega) and the genetic databases The Ribosomal Database Project—RDP and the National Center for Biotechnology Information (NCBI). A maximum current potential of 0.645 V, a maximum current density of 168.72 ± 14.07 mA/m², and a power density of 31.05 mW/m² were recorded. During the monitoring, the physicochemical parameters were taken: pH, Oxide Reduction Potential (ORP), Dissolved Oxygen (DO), conductivity, Total Solids (TDS), and average temperature were recorded. Therefore, the present study shows a new Gram-negative electrogenic bacterium, which can be used for electrochemical processes and applied in MFC with copper electrodes.

Se describe la aplicación de inteligencia artificial basada en el modelo de regresión lineal múltiple con gradiente descendiente estocástica con la finalidad de determinar la calidad de la fibra de alpaca Huacaya de color blanco. Se analizaron 1200 fibras correspondientes a seis muestras de alpaca. Las fibras se caracterizaron mediante microscopía óptica y con el equipo analizador óptico de diámetro de fibra (OFDA 100). Se consideraron como variables independientes al diámetro de fibra, diámetro de médula, porcentaje de medulación por volumen, factor de confort, fibras objetables y como variable de respuesta al factor “Soft”. Esta última variable resultante de la diferencia del factor de confort y fibras objetables sirvió para darle un ordenamiento lógico a la matriz de datos y obtener un modelo de predicción preciso. Los valores promedio fueron 26.80±6.95 para el diámetro de fibra, 14.10±5.92 en diámetro de medula, 24.75±13.20 μm para el porcentaje de medulación por volumen y 71.56± 13.04% para el factor de confort. El modelamiento de regresión lineal múltiple de machine learning se adaptó con gran precisión a un tamaño muestral pequeño, mostrando errores mínimos, y optimizado con el algoritmo de gradiente descendiente estocástico predijo un factor Soft muy cercano al factor Soft observado. Se concluye que la técnica de regresión lineal múltiple con el enfoque estocástico satisface la predicción del nuevo factor denominado “soft” y que representa el modelamiento adecuado para la predicción de calidad de fibras en la industria textil.