Inteligencia Artificial para energías renovables
El curso de Inteligencia Artificial para energías renovables tiene como objetivo que los participantes adquieran los conocimientos teóricos y prácticos para aplicar los conceptos de Inteligencia Artificial en el campo de la Hidrología y las Energías Renovables. Comenzando con una introducción a los conceptos principales de programación en Python, los participantes aprenderán los conceptos básicos de los algoritmos de Machine Learning y Deep Learning. Analizarán series de tiempo relacionadas a los patrones de consumo de agua y recursos energéticos, la estimación de recursos energéticos asociados a la energía solar, eólica, geotermal, y el uso de imágenes satelitales a través de redes neuronales para la clasificación de la superficie terrestre.
Debido al creciente interés del Gobierno Colombiano de incrementar la producción energética a partir de fuentes energéticas renovables, el principal factor diferenciador de este curso es que el contenido que cubre gira en torno al espectro de energías renovables que actualmente el país quiere como lo son: energía eólica, solar, y geotérmica, así como la utilización de sensores remotos para su análisis e interpretación.
Se requiere:
Conocimientos básicos de programación (no se requiere ser experto en programación).
Acceso a una conexión estable a internet.
Dirigido a
Estudiantes y Profesionales dedicados a los sectores de Geología, Geofísica, Ingeniera de Petróleos, Exploración de Recursos Minerales, Energías Renovables, Ingenieros Ambientales interesados en fortalecer conocimientos en programación en Python, los principios básicos en Inteligencia Artificial (Machine Learning y Deep Learning), y su aplicación en las energías renovables.
Objetivos
Al finalizar el curso, el estudiante estará en capacidad de:
• Aprender a utilizar las principales funcionalidades de Python 3, así como los paquetes seleccionados más importantes de este lenguaje (Numpy / SciPy / Pandas / Matplotlib), a través de un proyecto en Jupyter Notebook y Google Colab.
• Conocer y aplicar los conceptos básicos de Inteligencia Artificial, así como principales algoritmos de Machine Learning y Deep Learning, aplicados a datos de recursos hídricos y energía verdes.
• Aplicar técnicas de análisis y visualización de datos geocientíficos utilizando las librerías de Python.
• Interpretar la salida obtenida por los modelos de predicción.
• Aprender a utilizar las principales librerías de Machine Learning en la actualidad (Scikit- Learn), y de Deep Learning (Keras, TensorFlow y PyTorch).
Metodología
La metodología en la que se basa este curso es una combinación entre teoría y ejercicios prácticos en Python. Los participantes podrán aplicar los conceptos aprendidos en su carrera profesional y contarán con una serie de sesiones donde el instructor cubre conceptos básicos del material.
Contenido
MÓDULO I: Conceptos Básicos en Python
- Introducción a Programación en Python
- Exploratory Data Analysis (EDA).
- Machine Learning.
- Deep Learning.
MÓDULO II: Consumo de energía y recursos hídricos
- Pronóstico de series de tiempo para estimar consumo de energía con redes neuronales.
- Exploración de datos (hidro-)geológicos
- Visualización de datos de lluvia.
- Análisis estadístico de datos de precipitación.
- Predicción de la calidad del agua con ML
- Completar datos de precipitación faltantes con Deep Learning.
MÓDULO III: Energía Solar y Energía Eólica
Energía Solar
- Detección de paneles solares en imágenes satelitales.
- Predecir la eficiencia de las células solares.
- Producción de energía solar.
Energía Eólica
- Visualizar los datos del viento.
- Pronosticar de la potencia de salida de una turbina eólica, mediante el aprendizaje profundo para pronosticar la potencia de salida de una turbina eólica.
MÓDULO IV: Energía Geotermal y Sensores remotos
Energía Geotermal
- Carga de datos desde el GDR (Geothermal Data Repository).
- Exploración de recursos geotermales.
- Simulación de Flujo en un Reservorio Geotérmico.
Sensores remotos
- Procesar imágenes satelitales de Sentinel2.
- Análisis de zonas de deforestación a través de imágenes satelitales.
- Segmentación de Imágenes para Clasificación de Tierras.
- Calcule el índice de vegetación de diferencia normalizada (NDVI).
Profesores
Condiciones
Eventualmente la Universidad puede verse obligada, por causas de fuerza mayor a cambiar sus profesores o cancelar el programa. En este caso el participante podrá optar por la devolución de su dinero o reinvertirlo en otro curso de Educación Continua que se ofrezca en ese momento, asumiendo la diferencia si la hubiere.
La apertura y desarrollo del programa estará sujeto al número de inscritos. El Departamento/Facultad (Unidad académica que ofrece el curso) de la Universidad de los Andes se reserva el derecho de admisión dependiendo del perfil académico de los aspirantes.
