Look-up in Google Scholar
Full metadata record
Quiroz Flores, Juan Carlos
Andia Ramirez, Carmen Cristina
Navarro Huanca, Nahomi Paola
2025-01-16T12:29:28Z
2025-01-16T12:29:28Z
2024
Andia Ramirez, C. C., & Navarro Huanca, N. P. (2024). Enhancing the composting process of organic waste through machine learning techniques: a comprehensive bibliometric analysis. [Tesis para optar el Título Profesional de Ingeniero Industrial, Universidad de Lima]. Repositorio Institucional de la Universidad de Lima. https://hdl.handle.net/20.500.12724/21865 (es_PE)
https://hdl.handle.net/20.500.12724/21865
The study explores the integration of machine learning techniques (ML) to improve the composting process of organic waste, amid the growing global challenge of waste management. A decade-long bibliometric analysis (2013-2022) using the Scopus database examined the evolution and impact of ML applications on composting. Their analysis identified important contributions to research and emerging trends, highlighting the fundamental role of ML in optimizing compost production, a critical solution for managing the growing volumes of organic waste generated worldwide. The study revealed how ML models, including artificial neural networks and genetic algorithms, revolutionized composting processes by predicting, improving, and monitoring various composting parameters. In addition, the paper delved into the geographical distribution of research efforts, highlighting the dominance of countries such as China, India and the United States in this area of research. Through the analysis of 180 articles, the study not only mapped out the current picture of ML in composting, but also identified gaps and opportunities for future research. The results defended the potential of the ML to significantly improve the efficiency and effectiveness of composting operations, thus contributing to more sustainable waste management practices. This work is a fundamental resource for both researchers and professionals, with the aim of harnessing the power of the ML in favour of the environment. (en_EN)
Este estudio explora la integración de técnicas de Machine Learning (ML) para mejorar el proceso de compostaje de residuos orgánicos, en medio del creciente desafío global de la gestión de residuos. Un análisis bibliométrico de una década (2013-2022) utilizando la base de datos Scopus examinó la evolución y el impacto de las aplicaciones de Machine Learning en el compostaje. Su análisis identificó importantes contribuciones a la investigación y las tendencias emergentes, destacando el papel fundamental del ML en la optimización de la producción de compost, una solución fundamental para gestionar los crecientes volúmenes de residuos orgánicos generados en todo el mundo. El estudio reveló cómo los modelos de ML, incluidas las redes neuronales artificiales y los algoritmos genéticos, revolucionaron los procesos de compostaje al predecir, mejorar y monitorear varios parámetros de compostaje. Además, el artículo profundizó en la distribución geográfica de los esfuerzos de investigación, destacando el dominio de países como China, India y Estados Unidos en esta área de investigación. A través del análisis de 180 artículos, el estudio no solo trazó el panorama actual del ML en el compostaje, sino que también identificó lagunas y oportunidades para futuras investigaciones. Los resultados defendieron el potencial del ML para mejorar significativamente la eficiencia y eficacia de las operaciones de compostaje, contribuyendo así a prácticas de gestión de residuos más sostenibles. Este trabajo es un recurso fundamental tanto para investigadores como para profesionales, con el objetivo de aprovechar el poder del ML a favor del medio ambiente. (es_PE)
application/pdf
eng
Universidad de Lima
info:eu-repo/semantics/restrictedAccess
Repositorio Institucional Ulima
Universidad de Lima
Pendiente (en_EN)
Pendiente (es_PE)
Enhancing the composting process of organic waste through machine learning techniques: a comprehensive bibliometric analysis (en_EN)
info:eu-repo/semantics/bachelorThesis
Universidad de Lima. Facultad de Ingeniería
Ingeniería Industrial
Titulo profesional
Ingeniero Industrial
PE
https://purl.org/pe-repo/ocde/ford#2.11.04
http://purl.org/pe-repo/renati/level#tituloProfesional
10300285
https://orcid.org/0000-0003-1858-4123
74500920
72323061
722026
Lizárraga Portugal, Carlos Augusto
Urbina Rivera, Carlos Medardo
Quiroz Flores, Juan Carlos
https://purl.org/pe-repo/renati/type#tesis
Privada asociativa



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.