City_Logistics

Prof. Ricardo R. Palma (PhD)
Diciembre de 2017

Seminario Las cadenas de suministro de las ciudades inteligentes

Universidad Nacional de Cuyo

Material

Sigue este link

link

Agenda

  • 1. Repaso General del Estado de la Infraestructura
  • Restricciones ambientales, Ciudades Inteligentes,
  • Principales Referentes a Nivel Internacional y Nacional
  • Marcos Teóricos Formales
  • Soluciones Tecnológicas Disponibles
  • R Server
  • Serious Game

Sección 1

Estado de Infraestructura

1- Repaso General del Estado de la Infraestructura en América Latina y su comparación con el resto del mundo.

  • La generación del 80
  • La maldición de los recursos naturales
  • ¿Cómo enfrentar el futuro con esta infraestructura?
  • Los compromisos de París
  • ¿ Y si probamos la inteligencia?

2030.jpg

2. Restricciones

  • Restricciones ambientales
  • Perspectivas históricas
  • La necesidad de Ciudades Inteligentes
  • Sistemas de Producción Inteligentes
  • Sistemas de Energía
  • Transporte Inteligentes

2.1 Restricciones Ambientales

CO2.jpg

2.1.1 Intensidad Energética del País

  • La intensidad energética se define como la cantidad de Mega Toneladas Equivalentes de Petróleo necesaria para incrementar un punto el PDG (PBI per cápita) de la economía de un país.

  • Al igual que ocurrió con la primera revolución industrial, en la que la base del crecimieto del PBI era directamente proporcional a el territorio, hoy se piensa que existe relación con la cantidad de energía y esto no es así.

Eficiencia_PBI.jpg Eficiencia_2.jpg

Intensidad Inergética (2 - USA)

Eficiencia_PBI.jpg

KPI

¿Cuáles son los indicadores clave de desempeño?

\[ CO_2 = POB_t * (\frac {PIB}{POB} )_t * (\frac {Energ}{PIB} )_t * (\frac {CO_2}{Energ} )_t \]

¿Dónde Economizar? Dóne más CO2 mitiguemos

Sector: Mitigación: Impacto Multiplicador:
Industria Alta Medio
Hogar Baja Muy Alta
Ilumin. Muy Alta Bajo
Transporte Muy Alta Muy Bajo / Urbano Alto
Calefac. Alta Media / Alta
Cocinar Alta Alta

CEPAL

Quién tiene la palabra en Energía

  • El Pato Donald?

  • Los más pobres?

  • Podemos aprender algo de ellos?

Los Chinos Dicen … *El Hombre inteligente a prende de los errores …

  • El sabio, de los errores de otro.

energy

El pasado siempre vuelve

Kondratieff.jpg

  • ¿Conoces a esta persona ?

  • Hablaremos de los referentes

  • ¿Conoces la madicion de Casandra?

  • Ejercicio:

    • Icaro
    • Sisyphus
    • Marte
    • Casandra

    • ¿Cuarta o Quinta Revolución Industrial?

    Kondratief

    Un buen ejemplo de Big Data

    Kondratief

    Estos son los desafios

    Kondratief

    Nuestra Infaestrucura

    Eficiencia_PBI.jpg

    Infraestructura Eléctrica

    • 1- Samrt Grid
    • 2- Auto Eléctrico (Porblema o Solución)
    • 3- Energías Alternativas
    • 4- Acumulación de Energía (el litio)

    El Concepto de Smart Grid

    Toshiba Siemens

    • Smart Meter
    • Gobernanza Eléctrica
    • Tarifa Dinámica
    • Equidad energética
    • Hacia la eficiencia energética

    Paradigmas y mitos

    Los paradigmas suelen ser Mentiras disfrazadas con smoking de verdad.

    • El caso My Flower
    • La mano invisible
    • La Tragedia de los Comunes
    • La precepción y los juegos
    • El Pensamiento de Elinor Ostrom (Governace)

    Elinor

    • Los bienes públicos privados
    • La gobernanza del agua
    • Logística en el ártico y
    • Aventura Naviera

    ¿Cómo enfrentar un futuro con tan pocas certezas?

    • Disciplina
    • Honestidad
    • Filantropia (cambio “yo” por nosotros)
    • Comunidades y territorios inteligentes

    Nourrirla planete:

    Bruno LE MAIRE

    Generamos comida como para alimentar 16 veces la población actual.

    Sin embargo hay niños muriendo de hambre hoy en siglo XXI.

    Mientras el resto de los niños 8 años en la ciudades pacede de sobrepeso y niveles de colesterol que sus abuelos alcanzaban a los 60 años

    La Planette

    Ciudades Inteligetes:

    Casper Herzverg LE MAIRE

    • IoT Internet de las Cosas.

    • La propiedad de los medios de transporte.

    • El refrigerador Electrolux

    • El sistema stell frame

    Smart City

    Manufactura Inteligente

    • Qué ocurrió con internet y el vendedor ?
    • Qué pasa con Huber?
    • Qué pasará con la manufactura?
    • Fab Labs

    • Google y los innovadores

    Cloud Manufacturing

    Transporte Sustentable

    • Veremos migraciones como no ha visto jamás la historia de la humanidad

    • En 2030 el 85% de la población del paneta será urbana

    • Nuevos retos, nuevos problemas, nuevas leyes

    • La equidad como condición para el financiamiento

    Transport

    Eliminará la IA a los abogados?

    • El juguete en 1900

    • Campos disciplinares emergentes

    • La Infranómica te dejará sin trabajo?

    Infranomics Sustainability, Design, Engineering and Governance

    infranomics

    Tecnologías para auxiliarnos

    Cloud_Manufacturing

    Sección 2

    Ejemplos de Inteligencia Artificial

    Predecir e inferir el clima Se requiere el paquete partykit install.packages(“partykit”)

    library(partykit)

    Cargando set datos certeros

    Entrenaremos el arbor de decisión así:

    #data("WeatherPlay", package = "partykit")
#WeatherPlay
Mis_Guias <- read.table("~/Uspallata.csv", sep=",")
Mi_dataframe <- data.frame(Mis_Guias)

    Resumen datos patrones

    Mis_Guias

       Apariencia temp.hs.2 humedad ventoso   Puerto
1     soleado        85      85   false    Tarde
2     soleado        80      90    true    Tarde
3    overcast        83      86   false A_tiempo
4       zonda        70      96   false A_tiempo
5       zonda        68      80   false A_tiempo
6       zonda        65      70    true    Tarde
7    overcast        64      65    true A_tiempo
8     soleado        72      95   false    Tarde
9     soleado        69      70   false A_tiempo
10      zonda        75      80   false A_tiempo
11    soleado        75      70    true A_tiempo
12   overcast        72      90    true A_tiempo
13   overcast        81      75   false A_tiempo
14      zonda        71      91    true    Tarde

    Estadisticas datos patrones

    summary(Mis_Guias)

        Apariencia   temp.hs.2        humedad       ventoso       Puerto 
 overcast:4    Min.   :64.00   Min.   :65.00   false:8   A_tiempo:9  
 soleado :5    1st Qu.:69.25   1st Qu.:71.25   true :6   Tarde   :5  
 zonda   :5    Median :72.00   Median :82.50                         
               Mean   :73.57   Mean   :81.64                         
               3rd Qu.:78.75   3rd Qu.:90.00                         
               Max.   :85.00   Max.   :96.00

    Generando Particiones

    sp_o <- partysplit(1L, index = 1:3)
sp_h <- partysplit(3L, breaks = 75)
sp_w <- partysplit(4L, index = 1:2)

    Armando Inferencias de Particiones

    pn <- partynode(1L, split = sp_o, kids = list(
      partynode(2L, split = sp_h, kids = list(
          partynode(3L, info = "yes"),
          partynode(4L, info = "no"))),
      partynode(5L, info = "yes"),
      partynode(6L, split = sp_w, kids = list(
          partynode(7L, info = "yes"),
          partynode(8L, info = "no")))))

    Veamos que ha aprendido el sistema

    pn

    [1] root
|   [2] V1 in (-Inf,1]
|   |   [3] V3 <= 75 *
|   |   [4] V3 > 75 *
|   [5] V1 in (1,2] *
|   [6] V1 in (2, Inf]
|   |   [7] V4 <= 1 *
|   |   [8] V4 > 1 *

    Interpretación gráfica del conocimiento

     py <- party(pn, Mis_Guias)

    plot(py)

    plot of chunk unnamed-chunk-9

    First Slide

    For more details on authoring R presentations please visit https://support.rstudio.com/hc/en-us/articles/200486468.

    • Bullet 1
    • Bullet 2
    • Bullet 3

    Slide With Code

    summary(cars)

         speed           dist       
 Min.   : 4.0   Min.   :  2.00  
 1st Qu.:12.0   1st Qu.: 26.00  
 Median :15.0   Median : 36.00  
 Mean   :15.4   Mean   : 42.98  
 3rd Qu.:19.0   3rd Qu.: 56.00  
 Max.   :25.0   Max.   :120.00

    Slide With Plot

    plot of chunk unnamed-chunk-11