This paper provides a thorough exploration of the evolution and contemporary trends in electrical-distribution networks, with a focus on smart grids in the context of Industry 4.0. Beginning with the traditional components of electrical grids, the study highlights the transition towards sustainable energy sources and the integration of renewables. Key trends include economic operation, the application of distributed energy resources, and the significance of photovoltaic solar energy. The paper unfolds in seven sections, examining smart-electrical-network architecture, sustainable technology progression, energy efficiency, carbon-emission-reduction challenges, future perspectives, and concluding insights. Each section delves into specific layers and aspects, such as data management, electrical infrastructure, automation, and consumer interaction. The intricate role of smart meters and their impact on energy management is explored, providing a comprehensive overview of the current state and future directions of electrical-distribution networks.

The efficiency and dynamics of hybrid electric vehicles are inherently linked to effective energy management strategies. However, complexity is heightened due to uncertainty and variations in real driving conditions. This article introduces an innovative strategy for extended-range electric vehicles, grounded in the optimization of driving cycles, prediction of driving conditions, and predictive control through neural networks. First, the challenges of the energy management system are addressed by merging deep reinforcement learning with strongly convex objective optimization, giving rise to a pioneering method called DQL-AMSGrad. Subsequently, the DQL algorithm has been implemented, allowing temporal difference-based updates to adjust Q values to maximize the expected cumulative reward. The loss function is calculated as the mean squared error between the current estimate and the calculated target. The AMSGrad optimization method has been applied to efficiently adjust the weights of the artificial neural network. Hyperparameters such as the learning rate and discount factor have been tuned using data collected during real-world driving tests. This strategy tackles the “curse of dimensionality” and demonstrates a 30% improvement in adaptability to changing environmental conditions. With a 20%-faster convergence speed and a 15%-superior effectiveness in updating neural network weights compared to conventional approaches, it also highlights an 18% reduction in fuel consumption in a case study with the Nissan Xtrail e-POWER system, validating its practical applicability.

En la presente investigación se diseña y valida una geometría de suspensión tipo Rocker-Bogie basados en el análisis de grados de libertad para su futura implementación dentro del sector de la industria de exploración espacial. Ello tiene como finalidad principal la recolección, transporte de basura y desperdicios a sectores estratégicos dentro de las instalaciones, sorteando obstáculos de diferente nivel, aunque también podría aplicarse en el área industrial, agrícola y minera, en las que se requiera un sistema robusto y estable. Se parte estableciendo un factor de seguridad determinado a través de coeficientes que involucren seguridad y economía. Luego, se realiza el cálculo de las dimensiones y fuerzas a soportar por los elementos estructurales conocidos como Rocker y Bogie que son los encargados de transmitir el soporte al chasis, además de brindar soporte a las conexiones para los componentes de los ejes y motores para las ruedas. Del diseño y cálculo de estos elementos depende que el prototipo de robot sea capaz de movilizarse a través de campos irregulares sorteando obstáculos como: anomalías en la superficie, baches, rocas y bordillos. Para la validación del diseño del prototipo se realiza un análisis estático de los elementos estructurales (Rocker y Bogie) por medio del parámetro de Von Misses, obteniendo un nivel de seguridad elevado antes de la ruptura. Posteriormente, se ejecuta la simulación del prototipo en base a una pista creada en el software analizando parámetros de velocidad, aceleración y desplazamientos en los ejes X y Y. Finalmente, se comparan los resultados obtenidos de la simulación basándose, principalmente, en altura y longitud máxima entre eje frontal y posterior, siendo crucial el ángulo máximo de inclinación permisible.

La hormiga chacarera (Atta cephalotes) es uno de los principales factores de pérdida productiva en las plantaciones de cacao (Theobroma cacao L.) del litoral ecuatoriano. Los modelos depredador-presa de tipo Lotka-Volterra clá-sico asumen que el consumo del depredador crece de forma indefinida con la disponibilidad del recurso, supuesto poco realista cuando la capacidad de forrajeo de la colonia está limitada por el tamaño del nido y el tiempo de manipulación de cada hoja u fruto cortado. En este artículo se propone un modelo alternativo en el que el consumo de Atta cephalotes sobre el cacao se representa mediante una respuesta funcional de tipo Holling II, que satura a medida que aumenta la disponibilidad de fruto. El modelo se calibró con datos de campo de 36 semanas recolectados sobre n = 100 árboles en la parroquia San Jacinto del Búa (Santo Domingo de los Tsáchilas), usando el algoritmo de Levenberg-Marquardt para estimar siete parámetros: tasa de crecimiento del cacao, capacidad de carga, tasa máxima de consumo, constante de semisatu-ración, eficiencia de conversión, capacidad de carga de la colonia y mortalidad basal de la hormiga. El análisis de estabilidad mediante la matriz jacobiana identificó un punto de coexistencia localmente estable, alcanzado mediante os-cilaciones amortiguadas. El ajuste del modelo a los datos observados produjo R2 = 0,96 para el cacao y R2 = 0,93 para la hormiga, con errores RMSE de 0,46 y 1,38, respectivamente. La inclusión de saturación en el consumo reduce la sobreestimación del daño a altas densidades de fruto, mejorando la inter-pretabilidad biológica del modelo respecto a formulaciones de acción de masas simple