PROYECTO MATEMÁTICAS ESPECIALES – DIEGO GÓMEZ

- Debe entregarse un script de Python (jupyter o colab) detallando

la forma teórica de cada una de las técnicas asignadas y su
respectiva referenciación en normas APA.
- Se da libertad de bajar una o varias bases de datos a las cuales se
deben aplicar las técnicas asignadas.
- Cada técnica debe tener su programación y respectiva
interpretación de los resultados encontrados.
- Se debe realizar una comparación ́entre cada una de las técnicas
asignadas, haciendo ́énfasis en las ventajas y desventajas de cada
una de ellas

Ideas para la aplicación de las técnicas asignadas:

 CSV curva de empuje motores Candy Volta
 Análisis de vibraciones en el vuelo del cohete
 Análisis trayectoria de vuelo cohete 3km Volta
 Flutter aletas – Puede servir directamente para el paper!!!!
Transformada de Laplace:
Análisis de sistemas dinámicos y solución de ecuaciones diferenciales.
Transforma una función de tiempo f(s) a una función de variable
compleja o f(s) que representa una frecuencia compleja. Es bueno para
el análisis y la solución de sistemas lineales.
- Explicación de la transformada de Laplace:

La transformada de Laplace es esencialmente un método de

solución a problemas reales para ecuaciones diferenciales
ordinarias o parciales. Es muy útil en el mundo ingenieril dado que
se encarga de facilitar la solución a dichos problemas que pueden
concebirse como complejos, transformando dicha ecuación
diferencial a otra ecuación más sencilla para luego aplicar la
transformada inversa de esa ecuación menos compleja y así
obtener un resultado respecto a la ecuación original. Lo anterior
puede verse reflejado en el siguiente diagrama de flujo.

Imagen tomada de https://www.dmae.upct.es/~fperiago/apuntes_docencia/tema8.pdf

La transformada de Laplace permite transformar:

o Derivadas a polinomios
o Ecuaciones diferenciales ordinarias a ecuaciones algebraicas
dado lo anterior
La transformada de Laplace tiene características inyectivas
(significa que cada elemento del recorrido es imagen de solo un
elemento del dominio). Pero ¿por qué es esto importante? La
inyectividad que ofrece la transformada de Laplace tiene las
siguientes características útiles para el análisis de resultados en
un problema aplicado.
o Unicidad de la Solución en Ecuaciones Diferenciales:
En el análisis y solución de ecuaciones diferenciales, la
inyectividad garantiza que cualquier solución en el dominio
de “s” corresponde a una única solución en el dominio del
tiempo. Esto es fundamental para la estabilidad y el control
de sistemas, donde necesitamos una solución específica sin
ambigüedades.

o Transformada Inversa Única:

Gracias a la inyectividad, al aplicar la transformada inversa
de Laplace a F(s), siempre se obtiene la función “f(t)”
original, y no otra. Esto significa que la relación entre el
dominio del tiempo y el de la frecuencia es totalmente
reversible y sin pérdida de información.

o Integridad del Análisis de Sistemas:

En ingeniería y física, muchos modelos usan la transformada
de Laplace para analizar la dinámica de sistemas (como
sistemas eléctricos o mecánicos). La inyectividad asegura
que los modelos matemáticos representen fielmente el
comportamiento real del sistema y que la respuesta en el
dominio de “s” se pueda mapear de vuelta sin ambigüedad.
La definición matemática de la transformada de Laplace se
expresa de la siguiente manera:
 Tomado de: realmente chatgpt pero digamos que
https://cms.dm.uba.ar/academico/materias/1ercuat2023/matematica4/tdl2000.pdf

Propiedades de la transformada de Laplace.

- Wñiufvuibf
- Akdlkfbqwrkb
- Bkaebjqe
- Kjfbw
Transformada de Laplace discreta o transformada numérica.
(Uso en conjunto de datos).
Ahora, describiendo la transformada de Laplace en un sentido discreto.
La transformada de Laplace solo es un operador de dominio continuo, es
decir, a diferencia del análisis de Fourier tiene un sentido discreto la de
Laplace. A pesar de lo anterior existen modelos que permiten la
aplicación de dicho concepto para un conjunto CSV de datos tomados
experimentalmente.
Explicación de cambiar la integral común para la transformada de
Laplace por una sumatoria para datos discretos.
Transformada Z
https://www.dmae.upct.es/~fperiago/apuntes_docencia/tema8.pdf
https://es.wikipedia.org/wiki/Transformada_de_Laplace
http://netlizama.usach.cl/tesis%20final
%202006%2007%2026%20version%20para%20pdf.pdf
https://www.dmae.upct.es/~jose/varcomp/ctrans.pdf
https://www.youtube.com/watch?v=McSN9g7DbYA
https://www.revista-educacion-matematica.org.mx/descargas/
Vol13/07Gonzalez.pdf

- Aplicación a esta técnica:

o Modelado de Sistemas de Propulsión. En sistemas de
propulsión, como los motores de cohetes, es importante
controlar el flujo de combustible y las reacciones de
combustión. Estos procesos a menudo se describen
mediante ecuaciones diferenciales de flujo de masas y de
reacciones químicas. La transformada de Laplace facilita el
análisis de estas dinámicas, permitiendo un diseño más
 eficaz de los sistemas de control de empuje y estabilidad en
motores.

OBJETIVO: Analizar la estabilidad y el comportamiento

transitorio del empuje del motor. Entender cómo responde el
motor a los cambios en el tiempo (por ejemplo, cómo pasa
de estar apagado a alcanzar el empuje máximo y
estabilizarse).

CONCLUSIÓN POSIBLE: Deducir si el empuje se estabiliza

rápidamente o si exhibe oscilaciones antes de alcanzar un
valor estable. Esto es útil para caracterizar el desempeño del
motor, ya que un empuje que fluctúa mucho podría indicar
problemas de control o eficiencia.

o Aplicación al análisis del comportamiento de 6 motores

Candy tipo ##
 Introducción a los motores tipo Candy
 Estructura carcasa (casin): PVC
 Tobera y dimensiones: Arandela de tanto, por
tanto
 Propelente
o Nitrato de potasio: Porcentajes
o Y la otra cosa: Porcentajes
o Método de manufactura
 Muestra de motor LEGACY para dar visaje
Se tiene el archivo CSV de un conjunto de motores tipo
Candy testeados en el semillero Volta. Dado la cantidad de
ruido en el comportamiento de motor se decide aplicar un
filtro adecuado visto para interpolar el comportamiento de
cada motor y llegar a resultados más limpios para su
implementación en la transformada de Laplace discreta.
 - Referencias generales:
https://www.google.com/url?sa=i&url=https%3A%2F
%2Fwww.sanfrancisco.utn.edu.ar%2Fdocumentos%2Farchivos
%2Fingreso%2FCap%25C3%25ADtulo%25204_Funciones-1ra
%2520parte.pdf&psig=AOvVaw0TYshN1KgEKi6SYQl_MbGz&ust=1730
854138815000&source=images&cd=vfe&opi=89978449&ved=0CAY
QrpoMahcKEwj4t_aA_cOJAxUAAAAAHQAAAAAQBA

Análisis de Causalidad de Granger:

La causalidad de Granger se basa en la idea de que, si una variable X
causa a otra variable Y, entonces las observaciones pasadas de X
deberían aportar información útil para predecir los valores futuros de Y,
más allá de la información que ya proveen los valores pasados de Y por
sí mismos. Este es un concepto estadístico de causalidad basado en una
predicción.
Su formulación matemática es basada en un modelo de regresión lineal.

Definición de series temporales.

https://revistas.urosario.edu.co/xml/5095/509552907004/index.html
https://www.analyticslane.com/2019/11/18/test-de-causalidad-de-wiener-
granger/
https://es.scribd.com/document/735965525/Prueba-de-causalidad-de-
Granger
https://repositorio.unal.edu.co/bitstream/handle/unal/
84489/1094949022.2023.pdf?sequence=2&isAllowed=y#:~:text=La
%20idea%20de%20Granger%20se,no%20posee%20por%20s%C3%AD
%20misma.
https://c-vladimir-rodriguez-caballero.weebly.com/uploads/
6/6/5/9/66590417/master2.pdf
https://journals.sagepub.com/doi/10.1177/1536867X221106403
https://www.annualreviews.org/content/journals/10.1146/annurev-
statistics-040120-010930
https://elephant.readthedocs.io/en/latest/tutorials/granger_causality.html
http://www.scholarpedia.org/article/Granger_causality

Aplicación a esta técnica:

 Análisis de vibraciones. Las estructuras de aviones, cohetes y
satélites están sujetas a vibraciones debido a fuerzas
aerodinámicas, turbulencias, y movimientos de despegue o
aterrizaje. La transformada de Laplace permite estudiar las
respuestas a vibraciones y analizar frecuencias naturales y modos
de resonancia, lo cual es fundamental para el diseño estructural
seguro. Al modelar estas vibraciones mediante ecuaciones
diferenciales, la transformada convierte el problema en un sistema
algebraico, facilitando el cálculo de desplazamientos y tensiones.

Predicción de daños o relación entre interacciones durante el vuelo

del cohete LEGACY 3km. Componentes tentativos a estudiar y
predecir su daño:
o Fuselaje
o Aletas
o Disco de transmisión de empuje
Posibles interacciones:
o Relación vibración – temperatura
o Relación velocidad – temperatura
o Relación bending – tiempo
Análisis de la relación entre la altitud y el empuje del cohete 3km
de la misión Legacy del equipo de cohetería Volta. Un data sheet
de un archivo de OpenRocket:
 De este diseño se obtuvo una simulación, donde una toma de
datos inicial del comportamiento del motor en función de la altitud
a lo largo del tiempo partiendo del despegue del cohete hasta su
posterior aterrizaje.
Procedimiento para el análisis del sistema de datos:

o Definición de variables
 En este caso inicial se tomará en cuenta solo los datos
de altitud y de empuje a lo largo del tiempo
o Procesamiento de datos: Dados los datos poco pulcros de la
data sheet.
 Alinear los datos a lo largo del tiempo
 Filtro de Kalman para eliminar el ruido de los datos
 Conversión de la serie de tiempo a estacionaria
 Construcción del modelo VAR
Redes Neuronales Recurrentes (RNN):

https://masteres.ugr.es/estadistica-aplicada/sites/master/moea/public/
inline-files/TFM_FernAndez%20SalgueroRicardo%20Alonzo.pdf
https://www.aprendemachinelearning.com/pronostico-de-series-
temporales-con-redes-neuronales-en-python/
https://www.ibm.com/es-es/topics/recurrent-neural-networks
https://aws.amazon.com/es/what-is/recurrent-neural-network/
https://ucema.edu.ar/publicaciones/download/documentos/797.pdf
https://static.googleusercontent.com/media/research.google.com/en//
pubs/archive/43266.pdf
https://papers.nips.cc/paper/5346-sequence-to-sequence-learning-with-
neural-networks.pdf
https://papers.nips.cc/paper/3449-offline-handwriting-recognition-with-
multidimensional-recurrent-neural-networks
http://dl.acm.org/citation.cfm?id=1778066.1778092

Aplicación a esta técnica:

Código para esto último:
import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
# Cargar los datos
data = pd.read_csv('tu_datos.csv') # Asegúrate de reemplazar
'tu_datos.csv' con el nombre real del archivo
empuje = data['empuje'].values.reshape(-1, 1) # Reemplaza 'empuje'
con el nombre de la columna de empuje

# Normalizar los datos

scaler = MinMaxScaler(feature_range=(0, 1))
empuje_normalizado = scaler.fit_transform(empuje)

# Preparar los datos para la RNN

X = []
y = []
window_size = 10 # Tamaño de ventana, ajusta según la cantidad de
datos
for i in range(window_size, len(empuje_normalizado)):
X.append(empuje_normalizado[i-window_size:i, 0])
y.append(empuje_normalizado[i, 0])

X, y = np.array(X), np.array(y)
X = np.reshape(X, (X.shape[0], X.shape[1], 1))

# Crear el modelo RNN

model = Sequential()
model.add(LSTM(units=50, return_sequences=True,
input_shape=(X.shape[1], 1)))
model.add(LSTM(units=50))
model.add(Dense(units=1))

# Compilar y entrenar el modelo

model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(X, y, epochs=20, batch_size=32)

# Hacer predicciones
predicciones = model.predict(X)
predicciones_inversas = scaler.inverse_transform(predicciones)

Comparación entre técnicas:

- Ventajas
- Desventajas
- Diferencias entre resultados