Uso y evaluación de redes neuronales convolucionales en quimiometría : aplicación al desarrollo de modelos de calibración multivariada

Autores
Colliard Schneider, Carlos David
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
tesis de maestría
Estado
versión aceptada
Colaborador/a o director/a de tesis
Chiappini, Fabricio Alejandro
Gutiérrez, María de los Milagros
Descripción
La quimiometría moderna requiere metodologías capaces de extraer información relevante de datos espectrales complejos, particularmente en contextos caracterizados por tamaños muestrales reducidos. Si bien la regresión por mínimos cuadrados parciales (PLS) constituye una herramienta de referencia para la calibración multivariada, su aplicación suele depender de etapas de preprocesamiento y decisiones metodológicas basadas en procedimientos empíricos. En este contexto, las redes neuronales convolucionales (CNN) representan una alternativa atractiva, debido a su capacidad para integrar la extracción automática de características y la predicción directamente a partir de las señales espectrales. El objetivo de esta tesis fue desarrollar y evaluar una metodología computacional sistemática, reproducible e implementada en Python para la construcción de modelos CNN-1D destinados a la calibración multivariada con datos espectrales de primer orden. Se diseñó una arquitectura de complejidad controlada y se incorporaron estrategias de regularización, monitoreo del entrenamiento, parada temprana, aumentación de datos y optimización de hiperparámetros mediante optimización bayesiana con Optuna, utilizando PyTorch como framework de desarrollo. La metodología fue evaluada sobre seis conjuntos de datos espectrales provenientes de la bibliografía, correspondientes a diferentes problemas analíticos y técnicas instrumentales, incluyendo espectroscopía NIR, MIR y Raman. Los resultados demostraron que, mediante un adecuado control de la complejidad y estrategias de entrenamiento y optimización apropiadas, las CNN pueden alcanzar un buen desempeño predictivo y capacidad de generalización incluso con tamaños muestrales reducidos. Globalmente, los modelos obtuvieron resultados comparables con enfoques tradicionales reportados en la literatura, con la ventaja de operar directamente sobre los datos espectrales, sin requerir preprocesamientos explícitos. Como contribución adicional, la metodología se integró en PYCAL, un prototipo de software orientado a facilitar la aplicación de métodos quimiométricos. En conjunto, el trabajo establece bases metodológicas para una incorporación más sistemática y fundamentada del aprendizaje profundo en la calibración multivariada espectral.
Fil: Colliard Schneider, Carlos David. Universidad Tecnológica Nacional. Facultad Regional Santa Fe; Argentina.
Materia
Datos espectrales
Preprocesamiento
Deep learning
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Attribution-NonCommercial-ShareAlike 2.5 Argentina
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/15430
Acceder
id RIAUTN_f2633cd1c8050d8767505f3fcf181809
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/15430
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Uso y evaluación de redes neuronales convolucionales en quimiometría : aplicación al desarrollo de modelos de calibración multivariadaColliard Schneider, Carlos DavidDatos espectralesPreprocesamientoDeep learningLa quimiometría moderna requiere metodologías capaces de extraer información relevante de datos espectrales complejos, particularmente en contextos caracterizados por tamaños muestrales reducidos. Si bien la regresión por mínimos cuadrados parciales (PLS) constituye una herramienta de referencia para la calibración multivariada, su aplicación suele depender de etapas de preprocesamiento y decisiones metodológicas basadas en procedimientos empíricos. En este contexto, las redes neuronales convolucionales (CNN) representan una alternativa atractiva, debido a su capacidad para integrar la extracción automática de características y la predicción directamente a partir de las señales espectrales. El objetivo de esta tesis fue desarrollar y evaluar una metodología computacional sistemática, reproducible e implementada en Python para la construcción de modelos CNN-1D destinados a la calibración multivariada con datos espectrales de primer orden. Se diseñó una arquitectura de complejidad controlada y se incorporaron estrategias de regularización, monitoreo del entrenamiento, parada temprana, aumentación de datos y optimización de hiperparámetros mediante optimización bayesiana con Optuna, utilizando PyTorch como framework de desarrollo. La metodología fue evaluada sobre seis conjuntos de datos espectrales provenientes de la bibliografía, correspondientes a diferentes problemas analíticos y técnicas instrumentales, incluyendo espectroscopía NIR, MIR y Raman. Los resultados demostraron que, mediante un adecuado control de la complejidad y estrategias de entrenamiento y optimización apropiadas, las CNN pueden alcanzar un buen desempeño predictivo y capacidad de generalización incluso con tamaños muestrales reducidos. Globalmente, los modelos obtuvieron resultados comparables con enfoques tradicionales reportados en la literatura, con la ventaja de operar directamente sobre los datos espectrales, sin requerir preprocesamientos explícitos. Como contribución adicional, la metodología se integró en PYCAL, un prototipo de software orientado a facilitar la aplicación de métodos quimiométricos. En conjunto, el trabajo establece bases metodológicas para una incorporación más sistemática y fundamentada del aprendizaje profundo en la calibración multivariada espectral.Fil: Colliard Schneider, Carlos David. Universidad Tecnológica Nacional. Facultad Regional Santa Fe; Argentina.Chiappini, Fabricio AlejandroGutiérrez, María de los Milagros2026-08-24T20:24:13Z2026info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_bdccinfo:ar-repo/semantics/tesisDeMaestriapdfapplication/pdfhttps://hdl.handle.net/20.500.12272/15430spainfo:eu-repo/semantics/openAccessAttribution-NonCommercial-ShareAlike 2.5 Argentinahttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Carlos David Colliard SchneiderCreativeCommonsreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:46:05Zoai:ria.utn.edu.ar:20.500.12272/15430instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:46:06.555Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Uso y evaluación de redes neuronales convolucionales en quimiometría : aplicación al desarrollo de modelos de calibración multivariada
title Uso y evaluación de redes neuronales convolucionales en quimiometría : aplicación al desarrollo de modelos de calibración multivariada
spellingShingle Uso y evaluación de redes neuronales convolucionales en quimiometría : aplicación al desarrollo de modelos de calibración multivariada
Colliard Schneider, Carlos David
Datos espectrales
Preprocesamiento
Deep learning
title_short Uso y evaluación de redes neuronales convolucionales en quimiometría : aplicación al desarrollo de modelos de calibración multivariada
title_full Uso y evaluación de redes neuronales convolucionales en quimiometría : aplicación al desarrollo de modelos de calibración multivariada
title_fullStr Uso y evaluación de redes neuronales convolucionales en quimiometría : aplicación al desarrollo de modelos de calibración multivariada
title_full_unstemmed Uso y evaluación de redes neuronales convolucionales en quimiometría : aplicación al desarrollo de modelos de calibración multivariada
title_sort Uso y evaluación de redes neuronales convolucionales en quimiometría : aplicación al desarrollo de modelos de calibración multivariada
dc.creator.none.fl_str_mv Colliard Schneider, Carlos David
author Colliard Schneider, Carlos David
author_facet Colliard Schneider, Carlos David
author_role author
dc.contributor.none.fl_str_mv Chiappini, Fabricio Alejandro
Gutiérrez, María de los Milagros
dc.subject.none.fl_str_mv Datos espectrales
Preprocesamiento
Deep learning
topic Datos espectrales
Preprocesamiento
Deep learning
dc.description.none.fl_txt_mv La quimiometría moderna requiere metodologías capaces de extraer información relevante de datos espectrales complejos, particularmente en contextos caracterizados por tamaños muestrales reducidos. Si bien la regresión por mínimos cuadrados parciales (PLS) constituye una herramienta de referencia para la calibración multivariada, su aplicación suele depender de etapas de preprocesamiento y decisiones metodológicas basadas en procedimientos empíricos. En este contexto, las redes neuronales convolucionales (CNN) representan una alternativa atractiva, debido a su capacidad para integrar la extracción automática de características y la predicción directamente a partir de las señales espectrales. El objetivo de esta tesis fue desarrollar y evaluar una metodología computacional sistemática, reproducible e implementada en Python para la construcción de modelos CNN-1D destinados a la calibración multivariada con datos espectrales de primer orden. Se diseñó una arquitectura de complejidad controlada y se incorporaron estrategias de regularización, monitoreo del entrenamiento, parada temprana, aumentación de datos y optimización de hiperparámetros mediante optimización bayesiana con Optuna, utilizando PyTorch como framework de desarrollo. La metodología fue evaluada sobre seis conjuntos de datos espectrales provenientes de la bibliografía, correspondientes a diferentes problemas analíticos y técnicas instrumentales, incluyendo espectroscopía NIR, MIR y Raman. Los resultados demostraron que, mediante un adecuado control de la complejidad y estrategias de entrenamiento y optimización apropiadas, las CNN pueden alcanzar un buen desempeño predictivo y capacidad de generalización incluso con tamaños muestrales reducidos. Globalmente, los modelos obtuvieron resultados comparables con enfoques tradicionales reportados en la literatura, con la ventaja de operar directamente sobre los datos espectrales, sin requerir preprocesamientos explícitos. Como contribución adicional, la metodología se integró en PYCAL, un prototipo de software orientado a facilitar la aplicación de métodos quimiométricos. En conjunto, el trabajo establece bases metodológicas para una incorporación más sistemática y fundamentada del aprendizaje profundo en la calibración multivariada espectral.
Fil: Colliard Schneider, Carlos David. Universidad Tecnológica Nacional. Facultad Regional Santa Fe; Argentina.
description La quimiometría moderna requiere metodologías capaces de extraer información relevante de datos espectrales complejos, particularmente en contextos caracterizados por tamaños muestrales reducidos. Si bien la regresión por mínimos cuadrados parciales (PLS) constituye una herramienta de referencia para la calibración multivariada, su aplicación suele depender de etapas de preprocesamiento y decisiones metodológicas basadas en procedimientos empíricos. En este contexto, las redes neuronales convolucionales (CNN) representan una alternativa atractiva, debido a su capacidad para integrar la extracción automática de características y la predicción directamente a partir de las señales espectrales. El objetivo de esta tesis fue desarrollar y evaluar una metodología computacional sistemática, reproducible e implementada en Python para la construcción de modelos CNN-1D destinados a la calibración multivariada con datos espectrales de primer orden. Se diseñó una arquitectura de complejidad controlada y se incorporaron estrategias de regularización, monitoreo del entrenamiento, parada temprana, aumentación de datos y optimización de hiperparámetros mediante optimización bayesiana con Optuna, utilizando PyTorch como framework de desarrollo. La metodología fue evaluada sobre seis conjuntos de datos espectrales provenientes de la bibliografía, correspondientes a diferentes problemas analíticos y técnicas instrumentales, incluyendo espectroscopía NIR, MIR y Raman. Los resultados demostraron que, mediante un adecuado control de la complejidad y estrategias de entrenamiento y optimización apropiadas, las CNN pueden alcanzar un buen desempeño predictivo y capacidad de generalización incluso con tamaños muestrales reducidos. Globalmente, los modelos obtuvieron resultados comparables con enfoques tradicionales reportados en la literatura, con la ventaja de operar directamente sobre los datos espectrales, sin requerir preprocesamientos explícitos. Como contribución adicional, la metodología se integró en PYCAL, un prototipo de software orientado a facilitar la aplicación de métodos quimiométricos. En conjunto, el trabajo establece bases metodológicas para una incorporación más sistemática y fundamentada del aprendizaje profundo en la calibración multivariada espectral.
publishDate 2026
dc.date.none.fl_str_mv 2026-08-24T20:24:13Z
2026
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_bdcc
info:ar-repo/semantics/tesisDeMaestria
format masterThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12272/15430
url https://hdl.handle.net/20.500.12272/15430
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Attribution-NonCommercial-ShareAlike 2.5 Argentina
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Carlos David Colliard Schneider
CreativeCommons
eu_rights_str_mv openAccess
rights_invalid_str_mv Attribution-NonCommercial-ShareAlike 2.5 Argentina
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Carlos David Colliard Schneider
CreativeCommons
dc.format.none.fl_str_mv pdf
application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230915564863488
score 13.265058

Publicaciones similares