DIVISIÓN DE CIENCIAS BÁSICAS E INGENIERÍA MAESTRÍA EN...
83
DIVISIÓN DE CIENCIAS BÁSICAS E INGENIERÍA MAESTRÍA EN CIENCIAS DE LA COMPUTACIÓN TRIMESTRE: 06-O REPORTE DE PROYECTO DE INVESTIGACIÓN EN COMPUTACIÓN II “Sistema basado en el conocimiento para la predicción de los efectos de una supernova en el medio interestelar” Dra. Ana Lilia Laureano Cruces – Departamento de Sistemas – UAM Azc. ASESORES: Dr. Alfredo J. Santillán González – Unidad de Investigación en Cómputo Aplicado DGSCA – UNAM. ALUMNA: Méndez Gurrola Iris Iddaly Diciembre del 2006
Transcript of DIVISIÓN DE CIENCIAS BÁSICAS E INGENIERÍA MAESTRÍA EN...
DIVISIÓN DE CIENCIAS BÁSICAS E INGENIERÍA
MAESTRÍA EN CIENCIAS DE LA COMPUTACIÓN
TRIMESTRE: 06-O
REPORTE DE PROYECTO DE INVESTIGACIÓN EN
COMPUTACIÓN II
“Sistema basado en el conocimiento para la predicción de los
efectos de una supernova en el medio interestelar”
Dra. Ana Lilia Laureano Cruces – Departamento
de Sistemas – UAM Azc. ASESORES: Dr. Alfredo J. Santillán González – Unidad de
Investigación en Cómputo Aplicado DGSCA – UNAM.
ALUMNA: Méndez Gurrola Iris Iddaly
Diciembre del 2006
Resumen
En el presente trabajo se detallan cada una de las tareas genéricas para
la construcción de un Sistema Basado en el Conocimiento que es utilizado para
la predicción de efectos de una supernova en el medio interestelar,
enfocándonos en la adecuada representación de este conocimiento.
En el desarrollo de este sistema intervienen dos disciplinas importantes,
la Inteligencia Artificial y la Astrofísica. Los Sistemas Basados en el
Conocimiento que son un área de la Inteligencia Artificial nos brindan una
metodología eficiente para el desarrollo de estos sistemas, y el fenómeno de
las Supernovas que es un campo de estudio dentro de la Astrofísica nos brinda
los conceptos para ser incorporados en la base de conocimientos del sistema.
Los principales retos en este trabajo son por una parte la adecuada
adquisición del conocimiento, debido a que la Astrofísica es un campo
interesante pero estricto en el manejo de conceptos, y por otra parte es
encontrar el adecuado diseño de la representación del conocimiento y el diseño
del razonamiento a través de esta representación para obtener un correcto
sistema de predicción.
Abstract
In the present document are detailed each one of the generic tasks for
the construction of a Knowledge Based System that is used for the effects
prediction of a supernova in interstellar environment, focuses in the suitable
representation of knowledge.
The development of this system involves two important disciplines, the
Artificial intelligence and the Astrophysics. The Knowledge Based Systems that
are an area of the Artificial intelligence offer us an efficient methodology for the
development of these systems, and the phenomenon of Supernovas which is a
field of study within the Astrophysics offers us the concepts to be incorporated
in the knowledge base of the system.
The main challenges in this work are on one side the suitable acquisition
of the knowledge, because Astrophysics is an interesting but strict field in the
use of concepts, and on the other side is to find a suitable design of the
representation of the knowledge and the design of the reasoning through this
representation to obtain a correct prediction system.
Índice Resumen Introducción Capítulo 1.- Sistemas Basados en el Conocimiento
1.1. Sistemas basados en el conocimiento 1.1.1. Elementos que constituyen un SBC 1.1.2. Diversos Sistemas basados en el conocimiento 1.1.3. SBC de predicción
1.2. Ingeniería del conocimiento 1.2.1. Metodología de la ingeniería del conocimiento
1.2.1.1. Adquisición del conocimiento 1.2.1.2. Técnicas de adquisición del conocimiento
1.2.1.3. Representación del Conocimiento 1.3. Métodos de Representación del conocimiento
1.3.1. Lógica proposicional 1.3.2. Lógica de predicados 1.3.3. Reglas de producción 1.3.4. Redes asociativas 1.3.5. Marcos y guiones 1.3.6. Representación orientada a objetos
1.4. Mapas Cognoscitivos Difusos 1.4.1. Representación del conocimiento causal 1.4.2. Retroalimentación de los MCDs
124789
1010111314151516161718182021
Capitulo 2.- Dominio de aplicación: Supernovas 2.1. Evolución estelar 2.1.1. Escenarios posibles para la muerte de una estrella 2.2. Supernovas y sus remanentes 2.2.1. Procesos que desencadenan una Supernova
2.2.2. Tipos de Supernovas 2.2.2.1. Tipo Ia 2.2.2.2. Tipo Ib y Ic 2.2.2.3. Tipo II 2.2.2.4. Tipo II-L y II-P 2.2.3. Etapas y tipos de RSN 2.2.3.1. Etapas de RSN 2.2.3.2. Tipos de RSN
2.3. Efectos de SN y RSN en el medio interestelar 2.3.1. La composición química de la galaxia 2.3.2. Formación estelar inducida por explosiones de SN 2.3.3. Estructura del medio interestelar 2.3.4. Origen de los rayos cósmicos
242427272829303131323334353637373838
Capítulo 3.- Nuestra Propuesta 3.1. Justificación 3.2. Objetivos 3.3. Metodología
3.3.1. TG1: Identificación y análisis del problema
4040424345
3.3.2. TG2: Adquisición y modelado del conocimiento 3.3.3. TG3: Reducción a nivel simbólico/subsimbólico 3.3.4. TG4: Implementación 3.3.5. TG5: Validación y evaluación 3.3.6. TG6: Refinamiento
4547484849
Capitulo 4.- Análisis y diseño del sistema 4.1. TG1: Identificación y análisis del problema 4.1.1. El dominio del SBC 4.1.2. Estudio de viabilidad 4.1.3. Alcances 4.2. TG2: Adquisición y modelado del conocimiento 4.2.1. Técnicas para la adquisición del conocimiento 4.2.2. Modelo mental 4.2.3. Restricciones 4.3. TG3: Reducción a nivel simbólico 4.3.1. Efecto: Formación estelar inducida por SN 4.3.1.1. Conceptos variables 4.3.1.2. MCD 4.3.1.3. Matriz conductual 4.3.2. Efecto: Estructura del medio interestelar 4.3.2.1. Conceptos variables 4.3.2.2. MCD 4.3.2.3. Matriz conductual 4.3.3. Efecto: Origen de los rayos cósmicos 4.3.3.1. Conceptos variables 4.3.3.2. MCD 4.3.3.3. Matriz conductual 4.4. TG4: Implementación 4.4.1. Selección de un entorno de desarrollo 4.4.2. Selección del lenguaje de implementación 4.4.3. Codificación de las funciones y procedimientos que realizaran la inferencia 4.4.4. Codificación de la base de conocimiento 4.4.5. Diseño de la interfaz de usuario 4.5. TG5: Validación y evaluación 4.5.1. Pruebas del efecto: Formación estelar 4.5.1. Pruebas del efecto: Estructura del medio 4.5.1. Pruebas del efecto: Origen de los rayos cósmicos
50505052525252535555555556565757575858585959606060
60606161616264
Capitulo 5.- Aplicación 5.1. Inicio de SIPRES 5.2. Interacción con la interfaz 5.3. Fin de la interacción Conclusiones
6666677071
Apéndice Programación de los métodos del sistema
72
Referencias 75
Índice de Figuras y Tablas Figura 1.1. Estructura de un sistema basado en el conocimiento Figura 1.2. Mapa cognoscitivo difuso Figura 1.3. Funciones umbral Figura 2.1. Origen de explosiones de SN Figura 2.2. Tipos de SN Figura 2.3. Explosiones de supernova Figura 2.4. Tipos y etapas de RSN Figura 2.5. Efectos de SN y RSN Figura 3.1. Fases alternativas de análisis y síntesis durante el desarrollo de un SBC Figura 4.1. Modelo mental Figura 4.2. MCD del efecto: formación estelar Figura 4.3. MCD del efecto: estructura del medio Figura 4.4. MCD del efecto: rayos cósmicos Figura 5.1. Ventana de inicio Figura 5.2. Ventana del menú principal Figura 5.3. Ventana del efecto: Formación estelar Figura 5.4. Ventana del efecto: Estructura del medio Figura 5.5. Ventana del efecto: Formación de rayos cósmicos Figura 5.6. Ventana de resultados
420222830333436
4454565759666768686970
Tabla 1.1. Propiedades generales de las SN Tabla 4.1. Elementos principales de SN y RSN Tabla 4.2. Conceptos que maneja el modelo mental Tabla 4.3. Conceptos para predecir el efecto: formación estelar Tabla 4.4. Matriz conductual del efecto: formación estelar Tabla 4.5. Conceptos para predecir el efecto: estructura del medio Tabla 4.6. Matriz conductual del efecto: estructura del medio Tabla 4.7. Conceptos para predecir el efecto: rayos cósmicos Tabla 4.8. Matriz conductual del efecto: rayos cósmicos
295153555657585859
1
CAPÍTULO 1:
SISTEMAS BASADOS EN EL CONOCIMIENTO
Introducción
El ser humano actúa con base en comportamientos inteligentes los
cuales involucran percepción, razonamiento, aprendizaje, comunicación y
actuación en ambientes complejos. Debido a que la Inteligencia Artificial (IA)
trata de lograr que las computadoras realicen estas tareas se han ideado
técnicas tales como búsqueda, uso del conocimiento, abstracción y para la
representación del conocimiento se utilizan distintos tipos de representación del
conocimiento tales como: guiones, marcos, grafos, mapas cognoscitivos
difusos entre otras. Uno de los mayores beneficios del trabajo de resolución de
problemas fue la importancia del conocimiento de un dominio específico.
El conocimiento experto es una combinación de un entendimiento teórico
del problema y una colección de reglas heurísticas problema-solución que la
experiencia ha demostrado ser efectiva en el dominio [8].
Uno de los aportes mas importantes de la IA son los Sistemas Basados
en el Conocimiento (SBC) los cuales son construidos obteniendo el
conocimiento de humanos expertos y codificándolo en una forma que la
computadora pueda aplicarlo a problemas similares.
En este capitulo se menciona la importancia de las técnicas de
razonamiento, los sistemas basados en el conocimiento, la metodología de la
ingeniera del conocimiento, los métodos de representación y en especial sobre
los mapas cognoscitivos difusos que son un aporte interesante para
representar conocimiento.
2
1.1 Sistemas Basados en el Conocimiento (SBC)
Una de las más exitosas aplicaciones de las técnicas de razonamiento de la
Inteligencia Artificial usando hechos y reglas ha sido la construcción de
Sistemas Basados en el Conocimiento que involucran conocimiento acerca de
un campo especializado del saber humano [13].
La inteligencia artificial estudia cómo lograr que las máquinas realicen
tareas que, por el momento, son realizadas mejor por los seres humanos [16].
Como menciona Feigenbaum en [13]: los programas de IA que consiguen
un nivel de competencia experto en la solución de problemas teniendo el
soporte de un cuerpo de conocimientos son llamados sistemas basados en el
conocimiento o sistemas expertos. Con frecuencia, el termino sistema experto
es reservado para programas en los cuales la base de conocimientos contiene
conocimiento usado por humanos expertos, en contraste con el conocimiento
adquirido de textos, libros o de humanos no expertos.
Por lo tanto un sistema basado en el conocimiento es un software que imita
el comportamiento de un experto humano en la solución de un problema. El
sistema almacena conocimiento de expertos en un campo determinado y
soluciona problemas mediante deducción lógica de conclusiones.
Los sistemas expertos son una expresión de los sistemas basados en el
conocimiento. Con la aplicación de técnicas de IA finaliza la transición del
procesamiento de datos al procesamiento de conocimientos.
La introducción de los Sistemas Basados en el Conocimiento supuso varios
cambios esenciales en la IA:
a) Abordar directamente la complejidad del mundo real, con tareas de
diagnóstico y planificación en dominios científico-técnico de extensión
limitada.
3
b) Aceptar que hay que modelar el conocimiento humano no analítico y
hacer énfasis en la representación de este conocimiento de forma
separada del uso del mismo (inferencia).
c) Comprobar que, mecanismos sencillos de inferencia tales como el
encadenamiento de reglas, son capaces de resolver satisfactoriamente
problemas complejos en dominios reales, tales como el diagnóstico
médico. [11]
Los sistemas basados en el conocimiento se aplican por lo general a
problemas que implican un procedimiento basado en la experticia. Este
procedimiento comprende las siguientes características:
Utilización de normas o estructuras que contengan conocimientos y
experiencias de expertos especializados
Deducción lógica de conclusiones
Capacidad de interpretar datos ambiguos
Manipulación de conocimientos afectados por valores de probabilidad.
La función de un sistema basado en el conocimiento es aportar soluciones a
problemas, como si de humanos se tratara, es decir capaz de mostrar
soluciones inteligentes. Un sistema basado en el conocimiento esta compuesto
básicamente por los siguientes elementos:
1. una base de conocimientos,
2. una base de datos y
3. un motor de inferencia para interpretar la base de datos usando el
conocimiento provisto por la base de conocimiento.
4
1.1.1. Elementos que constituyen un SBC
Una característica decisiva de los sistemas basados en el conocimiento
es la separación entre conocimiento (reglas, hechos) por un lado y el
procesamiento de estos por otro (motor de inferencia).
Fig. 1.1 Estructura de un Sistema Basado en el Conocimiento
La figura 1.1 muestra la estructura de un SBC, el cual consta de los
siguientes elementos (1) base de conocimientos, (2) motor de inferencia, (3)
base de afirmaciones o hechos ciertos, (4) interfaz de usuario, (5) base de
datos, los cuales conforman la estructura básica. La inclusión de módulos de
explicación y de aprendizaje, junto con ciertas facilidades de adquisición
automática de conocimiento, no son usuales en lo que hemos llamado
5
estructura básica. Los cuatro primeros módulos son sin embargo comunes a la
mayoría de los sistemas basados en el conocimiento. En la figura 1.1 se
incluye también con línea de trazos el entorno de desarrollo que proporciona
las facilidades de edición del conocimiento y el mecanismo de inferencia que se
traslada a cada aplicación.[11]
Base de Conocimiento
La base de conocimiento contiene las reglas y procedimientos del
dominio de aplicación que son importantes para la solución del problema. La
programación orientada a objetos se utiliza con frecuencia en el desarrollo de
sistemas expertos. Lo anterior debido a que el análisis y diseño del mundo real
es más sencillo con esta metodología donde los objetos están representados
por características y comportamientos.
La base de conocimiento contiene reglas que son de la forma:
Si Premisas Entonces Conclusión y/o Acción
Las premisas son proposiciones que se refieren a vinculaciones lógicas
referentes a cualidades de los objetos, a partir de las cuales se llega a
conclusiones.
En la conclusión se adicionan nuevos hechos y cualidades a la base de
conocimiento y/o se ejecutan acciones.
Motor de inferencia
El motor de inferencia es la unidad lógica con la cual se extraen
conclusiones de la base de conocimientos.
Una conclusión se produce mediante aplicación de las reglas sobre los
hechos presentes
6
Ejemplo:
Una reglas es: Si p y q entonces r
Se dan los hechos: p y q.
Cuando se aplica una regla sobre algunos hechos cualesquiera se dice
que se dispara. El disparo de una regla provoca: 1) una acción y/o 2) una
inserción del nuevo hecho en la base de conocimientos.
Las funciones del motor de inferencia son:
1. Determinación de las acciones que tendrán lugar, el orden en que lo
harán y como lo harán entre las diferentes partes del sistema experto.
2. Determinar cómo y cuándo se procesarán las reglas y que reglas
deberán procesarse.
3. Control del dialogo con el usuario.
Debido a que el motor de inferencia es una unidad lógica, debemos decir
que la lógica es una herramienta valiosa cuyo poder analítico nos permite
profundizar en los resultados del análisis cognoscitivo de tareas con el máximo
rigor y facilidad [4].
Base de afirmaciones
La base de afirmaciones o hechos es dinámica. Es una memoria
temporal o de trabajo donde el motor de inferencia almacena las conclusiones
temporales que va obteniendo y donde busca las premisas que le permiten
obtener otras nuevas. El contenido por tanto de la base de afirmaciones es
diferente en cada consulta que se lleva a cabo.
7
Interfaz de usuario
La interfaz de usuario es el mecanismo que permite la comunicación entre
el usuario y el sistema, esta debe reunir ciertas características, entre ellas:
El aprendizaje del manejo debe ser rápido.
Debe evitarse la entrada de datos errónea.
Los resultados deben presentarse en forma clara para el usuario.
Las preguntas y explicaciones deben ser comprensibles.
1.1.2. Diversos sistemas basados en el conocimiento
El desarrollo de los sistemas basados en el conocimiento tiene
bastantes antecedentes, a continuación se mencionan algunos ejemplos de
SBC:
MYCIN (Shortliffe): Sistema basado en el conocimiento para la realización de
diagnósticos médicos, iniciado por Ed. Feigenbaum y posteriormente
desarrollados por E. Shortliffe y sus colaboradores. Su función es la de
aconsejar a los médicos en la investigación y determinación de diagnósticos en
el campo de las enfermedades infecciosas de la sangre [13].
XCON (McDermott) llamado originalmente R1 fue desarrollado en la
Universidad de Carnegie-Mellon. Y es un sistema para la configuración de
sistemas de cómputo. Según los requerimientos del cliente se configuran redes
de computo VAX. Debido a que el catalogo de productos en el mercado es
muy amplio, la configuración completa y correcta de un sistema de estas
características es un problema de gran complejidad [20].
DESIGN ADVISOR (Steele): Es un sistema que critica los diseños de los chips.
Este sistema aconseja al diseñador de chips, dicho consejo puede ser
aceptado o rechazado. Si es rechazado, el sistema puede utilizar un sistema de
mantenimiento de la verdad basado en justificaciones para revisar el modelo
del circuito [16].
8
PROSPECTOR (Duda y Hart): sistema para analizar datos geológicos para la
búsqueda de minerales. En el sistema cada regla contiene dos estimaciones de
confianza. La primera indica el alcance para el cual la presencia de la evidencia
descrita en la parte condicional de la regla sugiere la validez de la condición de
la misma. La segunda estimación de confianza mide el alcance para el cual la
evidencia es necesaria en la validez de la conclusión [20].
META-DENDRAL (Mitchell): Fue el primer programa que usó técnicas de
aprendizaje para construir automáticamente reglas para un sistema basado en
el conocimiento. En él se construyen reglas para ser usadas por DENDRAL,
trabajo que servia para determinar la estructura de los componentes de
compuestos químicos complejos. META-DENTRAL inducía sus reglas
basándose en un conjunto de datos de espectrometría de masas, entonces, era
capaz de identificar estructuras moleculares con una precisión muy alta. [16].
La idea adecuada es considerar al SBC como una tecnología más que
coopera con las otras tecnologías (base de datos, la instrumentación
electrónica, el tratamiento digital de imágenes o las interfaces “amigables” y las
tecnologías de estandarización conceptual y del software) para conseguir una
ayuda eficaz al usuario final.
1.1.3. SBC de predicción
Entre las aplicaciones para estos sistemas se encuentran: pronósticos
del clima, predicciones demográficas o de tráfico, estimaciones de cosechas o
pronósticos militares. Un sistema de predicción típicamente emplea un modelo
dinámico paramétrico con valores de parámetros ajustados a una situación
dada. Las consecuencias inferidas del modelo forman las bases para las
predicciones. Se ignora la probabilidad de las estimaciones, los sistemas de
predicción pueden generar un gran número de posibles escenarios [9].
9
Por tanto un sistema de predicción infiere consecuencias posibles a
partir de una situación dada. Su objetivo es determinar el curso del futuro en
función de información sobre pasado y presente. Esto abarca problema tales
como previsiones de la evolución bursátil entre otras.
1.2. Ingeniería del conocimiento
El término Ingeniería del Conocimiento es usado para describir el
proceso de la construcción de Sistemas basados en el conocimiento, y por lo
tanto a quienes los construyen se le conoce como ingenieros del conocimiento
[10].
Durante el desarrollo del sistema las personas que componen el equipo de
trabajo deben cumplir con ciertas características y cada uno desarrolla un papel
distinto.
El experto. La función del experto es la de poner sus conocimientos
especializados a disposición del ingeniero de conocimiento.
El ingeniero del conocimiento. La función es plantear las preguntas al
experto, estructurar sus conocimientos e implementarlos en la base de
conocimiento.
El usuario. La función es aportar sus ideas, determinando especialmente
el escenario en el que debe aplicarse el sistema.
Un ingeniero del conocimiento es alguien que investiga un dominio
concreto, aprende qué conceptos son los importantes en ese dominio, y crea
una representación formal de los objetos y relaciones del dominio.
En el desarrollo del sistema, el ingeniero del conocimiento y el experto
trabajan unidos. El primer paso es elaborar los problemas que deben ser
resueltos por el sistema. Especialmente en este primer paso es importante
determinar el ámbito estrechamente delimitado de trabajo. Una vez delimitado
10
el dominio, el segundo paso es verter el conocimiento del experto en el
sistema. El experto debe comprobar constantemente si su conocimiento ha
sido transmitido de la forma más conveniente. El ingeniero del conocimiento es
responsable de una implementación correcta, pero no de la exactitud del
conocimiento. La responsabilidad de esta exactitud recae en el experto.
1.2.1. Metodología de la ingeniería del conocimiento
1.2.1.1. Adquisición del conocimiento
La adquisición del conocimiento es sin duda una de las tareas más
importantes y difíciles durante el desarrollo de un SBC. Esto se debe a muchos
factores, en particular la tecnología de SBC ha sido fuertemente criticada, pues
a la fecha no ha podido dar respuesta definitiva a problemas fundamentales
como encontrar una representación del sentido común. Parte del problema de
extraer experiencia y conocimiento de un experto humano es la dificultad de
comunicación entre un experto humano y el ingeniero de conocimiento que
desarrolla el sistema. Las metodologías actuales requieren mucho tiempo de
desarrollo y mucho tiempo de participación, tanto de los expertos de la
aplicación (cuyo talento y tiempo son tan costosos que su proceso de toma de
decisiones se desea agilizar y el desarrollo del SBC se justifica) como del
ingeniero de conocimiento.
Hay que destacar que la fase de adquisición del conocimiento es larga y
delicada. Larga porque representa más de la mitad del tiempo total de
realización del sistema. Delicada pues las prestaciones del sistema están
estrechamente ligadas a la calidad de la Base de Conocimiento. Esta calidad
depende del formalismo y por consiguiente de la herramienta elegida y también
del trabajo efectuado por el ingeniero del conocimiento.
Características del conocimiento que generan algunos problemas para la su
adquisición.
11
• Conocimiento Fortuito: Los resultados obtenidos pueden depender de
características propias de una situación del dominio, y por tanto no es
contratada por el experto.
• Conocimiento inconsistente: Existe la posibilidad de que un experto no
sea capaz de transmitir su expertez a otros por no poder evaluarla.
• Conocimiento no expresable en lenguaje: Es posible que un experto no
pueda transmitir su expertez explícitamente al no poder expresarla.
• Cocimiento no entendible al expresarlo en lenguaje. Una persona puede
no entender el lenguaje en el cual está expresada la expertez.
• Conocimiento no aplicable: Un aprendiz puede no ser capaz de convertir
la expertez descrita en una ejecución o comportamiento experto.
• Conocimiento expresado que pude ser incorrecto: Los expertos pueden
expresar frases que no corresponden a su comportamiento actual,
provocando resultados incorrectos por parte del sistema [10].
1.2.1.2. Técnicas de adquisición del conocimiento
Para la obtención del conocimiento se deben identificar las fuentes de
conocimiento, especificar donde se encuentra guardado el conocimiento, estas
fuentes pueden ser de dos tipos:
Estáticas.- También llamadas fuentes secundarias, es rígida en cuanto
a que su contenido no se puede variar. Algunas de ellas son: libros,
revistas, artículos, películas.
Dinámicas.- Fuente primaria, expresa características del conocimiento
como son la variabilidad y el hecho de ser cambiante e inexacto, este
12
tipo de fuente la constituye principalmente el experto quien nos
proporcionará la información acerca de su experiencia personal a un
determinado problema o actividad del conocimiento de que se este
tratando. [22]
Ahora bien, para la adquisición del conocimiento dinámico es decir la fuente
primaria, existen básicamente dos enfoques: el manual y el automatizado.
Dentro del enfoque manual se encuentran:
Entrevistas: es la técnica más común.
Análisis de protocolo: se basa en las transcripciones de la entrevista con
el experto.
Adquisición del conocimiento de múltiples expertos: en ella se identifica
los medios adecuados para entrevistar y obtener conocimiento de varios
expertos.
Malla de adquisición del conocimiento: es un método manual que
propone la descripción de un espacio bidimensional con cinco formas de
conocimiento experto y seis tipos básicos de preguntas de entrevistas
con el propósito de proveer al Ing. del conocimiento con una herramienta
para detectar lo más relevante de la experticia.
Casos o Ejemplos: que estructura la adquisición en torno a casos de
manera que propone el desarrollo de una estructura jerárquica con el fin
de utilizarla como librería de preguntas.
Inducción: propone la selección de un conjunto de formación o
entrenamiento a partir de los cuales se pueden inducir reglas.
13
Malla de repertorio: propone la creación de un sistema de referencias
entre los constructores y los elementos del problema de manera que sea
refinada hasta que el problema o la tarea quede claramente definido.
Dentro del enfoque automatizado se encuentran:
Adquisición del conocimiento a través de técnicas de aprendizaje de
conceptos: Este método afirma que el conocimiento debe ser
representado en forma abstracta ya que de esta forma el
conocimiento puede ser almacenado y manipulado de manera más
efectiva.
Adquisición del conocimiento procedural de los Expertos del
dominio.- que sugiere que una parte importante de la expertez está
formada por el conocimiento procedural. [17].
1.2.1.3. Representación del conocimiento
La representación del conocimiento es un esquema o dispositivo
utilizado para capturar los elementos esenciales del dominio de un problema.
Una representación manipulable es aquella que facilita la computación. En
representaciones manipulables, la informaciones accesible a otras entidades
que usan la representación como parte de un computo.
Debido a la variedad de formas que el conocimiento puede asumir, los
problemas involucrados en el desarrollo de una representación del
conocimiento son complejos, interrelacionados y dependientes del objetivo.
Esta etapa de representación del conocimiento es realizada por lo general en
paralelo con la de adquisición del conocimiento.
14
La adecuada elección de representación del conocimiento nos permitirá
un modelo más congruente y es importante resaltar que esta representación
nos conducirá a una correcta implementación de la base de conocimiento y en
consecuencia a un indicado motor de inferencia.
1.3. Métodos de representación del conocimiento
La representación del conocimiento tiene como objetivo formalizar y
organizar dicho conocimiento.
´
La ingeniería cognoscitiva ha adaptado diversos sistemas de
representación del conocimiento que, implantados en una computadora se
aproximan mucho a los modelos elaborados por la psicología cognoscitiva para
el cerebro humano. Tradicionalmente la representación del conocimiento
conlleva el uso de marcos (frames), redes semánticas, cálculo de predicados o
sistemas de producción. Sin embargo, existen otros sistemas para la
representación del conocimiento.
Dentro de las técnicas de representación del conocimiento se encuentran
algunas de las siguientes:
Lógica simbólica Formal
Lógica proposicional
Lógica de predicados
Reglas de producción
Formas Estructuradas:
Redes asociativas
Marcos y Guiones (Estructuras frame)
Representación orientada a objetos
Mapas cognoscitivos difusos
15
1.3.1. Lógica proposicional
La lógica proposicional es una lógica simbólica para la manipulación de
proposiciones. En particular, se ocupa de la manipulación de las variables
lógicas que representan proposiciones. Esta lógica tiene que ver con el
subconjunto de oraciones declarativas que pueden clasificarse como
verdaderas o falsas. A una afirmación en la que es posible determinar su valor
de verdad, se le llama frase o proposición. A una frase también se le llama
afirmación cerrada, porque su valor de verdad no está abierto a
cuestionamientos. [20]
1.3.2. Lógica de predicados
La lógica de predicados esta construida sobre objetos y relaciones.
Precisamente por este motivo ha sido tan importante para las matemáticas, la
filosofía y la inteligencia artificial porque se puede pensar en ello de forma
utilitaria como en el tratamiento con objetos y de las relaciones entre éstos. La
lógica de predicados puede expresar hechos acerca de algunos o todos los
objetos de un universo de discurso. Esto nos permite representar leyes
generales o reglas. [21]
La lógica de predicados se desarrollo con el fin de analizar casos más
generales. La lógica proposicional es un subconjunto de la lógica de
predicados.
16
La lógica de predicados se relaciona con la estructura interna de las
afirmaciones, sobre todo con el uso de palabras especiales llamadas
cuantificadores, como “todo”, “algo”, y “no”. Estas palabras son muy
importantes porque cuantifican explícitamente otras palabras y hacen más
exactas las afirmaciones. Todos los cuantificadores se relacionan con “cuanto”
y, por lo cual permiten un alcance más amplio de la expresión que la lógica
proposicional.
1.3.3. Reglas de producción
La regla es la forma más común de representar el conocimiento, debido
a su gran sencillez y a que es la formulación más inmediata del principio de
causalidad.
Fundamentalmente, una regla consta de dos partes:
Antecedente: También llamada parte izquierda, debido a que las reglas pueden
escribirse como A→C. Contiene las cláusulas que deben cumplirse para que la
regla pueda evaluarse o ejecutase.
Consecuente: También llamada parte derecha. Indica las conclusiones que se
deducen de las premisas (interpretación declarativa) o las acciones que el
sistema debe realizar cuando ejecuta la regla (interpretación imperativa).
La potencia de una regla está en función de la lógica que admita en las
expresiones de las condiciones y de las conclusiones.
1.3.4. Redes asociativas
Existen diversas variantes de las redes asociativas, pero todas son
capaces de representar objetos individuales, categorías de objetos y relaciones
17
entre objetos. Una notación gráfica común visualiza objetos o nombres de
categorías en óvalos o cajas, y los conecta con arcos etiquetados [21].
Los arcos de una red se utilizan para expresar relaciones. Por lo general, los
nodos se utilizan para representar objetos físicos, conceptos o situaciones.
Las redes asociativas se desarrollaron para la IA como una forma de
representar la memoria y la compresión del lenguaje del ser humano. Quillian
las utilizó para analizar el significado de palabras en las frases. Desde
entonces se han aplicado a muchos problemas relacionados con la
representación del conocimiento [20].
1.3.5. Marcos y Guiones
Los marcos fueron propuestos como un método para comprender la
visión, el lenguaje natural y otras áreas, los marcos proporcionan una
estructura conveniente para representar objetos que son comunes a una
situación dada, como los estereotipos. En particular, los marcos son útiles para
simular conocimiento de sentido común, que es un área que le resulta muy
difícil dominar a las computadoras. Las redes semánticas son básicamente
representaciones bidimensionales del conocimiento; los marcos agregan una
tercera dimensión para permitir que los nodos tengan estructuras, que pueden
ser valores simples u otros marcos.
La característica básica de un marco, es que representa conocimiento
relacionado con un tema concreto que cuenta con mucho conocimiento
predeterminado.
Los marcos tienen procedimientos llamados demonios los cuales se
invocan automáticamente al realizar ciertas operaciones sobre el valor de un
campo. Se utilizan sobre todo para actualizar los campos que dependen de
otros, manteniendo así la consistencia del sistema.
18
Los guiones, es esencialmente una secuencia de marcos ordenada
temporalmente. [20].
1.3.6. Representación orientada a objetos
Los objetos, son similares a los marcos. Ambos sirven para agrupar
conocimiento asociado, soportan herencia, abstracción y el concepto de
procedimientos agregados. La diferencia radica en lo siguiente:
En los marcos, a los programas y a los datos se les trata como dos
entidades relacionadas separadas. En cambio en los objetos se crea
una fuerte unidad entre los procedimientos (métodos) y los datos.
Los demonios de los marcos sirven sólo para calcular valores para las
diversas ranuras o para mantener la integridad de la base de
conocimientos cada vez que una acción de algún marco, afecta a otro.
En cambio, los métodos utilizados por los objetos son más universales
ya que proporcionan cualquier tipo general de computación requerida y
además soportan encapsulamiento y polimorfismo.
Un objeto es definido como una colección de información que representa
una entidad del mundo real y una descripción de cómo debe ser manipulada
esta información, esto es, los métodos. Es decir, un objeto tiene un nombre,
una caracterización de clase, varios atributos distintivos y un conjunto de
operaciones. La relación entre los objetos viene definida por los mensajes.
Cuando un objeto recibe un mensaje válido, responde con una acción
apropiada, retornando un resultado.
1.4. Mapas Cognoscitivos Difusos (MCD)
Los mapas cognoscitivos difusos son estructuras de grafos difusos
utilizados para representar razonamiento causal. La estructura de grafo permite
19
la propagación sistemática causal, particularmente el avance hacia atrás y
hacia delante. La aplicación de los mapas cognoscitivos difusos es utilizada
para amplios dominios del conocimiento, como el conocimiento político, el
militar, la historia, etc., donde los conceptos y sus relaciones son
principalmente difusos.
Características importantes de los MCD:
1. La relación causal entre nodos puede tomar valores representados en las
relaciones de conjuntos difusos.
2. El sistema es dinámico e involucra retroalimentación, donde el efecto de
cambio en un nodo afecta otros nodos, los cuales pueden a su vez afectar el
nodo inicial que empezó el cambio. La presencia de retroalimentación agrega
un aspecto temporal a la operación de los MCD [2].
Los mapas cognoscitivos difusos, constituyen un nuevo enfoque para el
modelado del comportamiento y operación de sistemas complejos, fueron
introducidos por Bart Kosko [29] para describir el comportamiento de un
sistema en términos de conceptos y relaciones causales entre conceptos. Esta
técnica tiene sus raíces y usa elementos de varios campos científicos como la
psicología, teoría de graficas, inferencia causal y teoría de decisiones. [6].
Los MCD son representados por una digrafica, en la cual los nodos son
conceptos que describen las principales características del sistema, y los arcos
entre nodos establecen las relaciones causales (positivas o negativas) entre
conceptos. La causalidad positiva implica una relación directamente
proporcional entre uno y otro concepto; en cambio, la negativa implica una
relación inversamente proporcional. [7].
Esta técnica permite modelar sistemas de retroalimentación con grados
difusos de causalidad comprendidos en el intervalo [0,1]. Para ello, primero
hay que tener un diagrama del sistema mostrando las suposiciones iniciales del
modelo. En el diagrama, cada nodo representa un conjunto difuso o evento que
ocurre en algún grado. Los nodos son conceptos causales y pueden modelar
20
eventos, acciones, valores, metas o procesos. Los conceptos toman valores en
el intervalo [0,1], y los pesos de interconexión dentro del intervalo [-1,1], [2,7].
En la figura 1.2 se ilustra los nodos y las relaciones entre nodos de un mapa
cognoscitivo difuso.
Fig. 1.2 Mapa Cognoscitivo Difuso
1.4.1. Representación del conocimiento causal
Tres representaciones cualitativas de conocimiento que utilizan números
han sido usualmente probadas: signos, desigualdades y órdenes de magnitud.
Reducir de números a signos es la más simple representación cualitativa para
números.
Los signos son una forma derivada natural de indicar cambio: si el signo
de la derivativo es negativo, la cantidad se esta decrementando, si es 0, es
constante, y si es positivo, se esta incrementando. Debido a que el cambio es
intuitivamente importante, y la dirección del cambio determina que condiciones
de frontera pueden ser encontradas, los signos deducidos contienen
información crítica acerca del comportamiento del sistema. [15].
El proceso de construir un mapa cognoscitivo difuso de un sistema puede
ser dividido en 3 etapas:
1) Escoger los conceptos variables
21
2) Determinar los arcos que muestran las relaciones entre los conceptos
3) Asignar apropiadamente signos y la intensidad lingüística para
describir las relaciones. [14].
La selección de los conceptos variables es un proceso de dos fases:
1) Identificar las variables potencialmente relevantes.
2) Limitar la lista de variables para definir el alcance del problema. [14]
Posterior a la elaboración del MCD, es necesario realizar la matriz causal
correspondiente al mapa. La interconexión entre dos nodos Ci y Cj es eij. Por lo
cual en la matriz causal eij=e(Ci,Cj) es el valor causal de la función del arco, el
nodo Ci imparte Cj. Ci incrementa o decrementa causalmente a Cj si eij=1 o
eij=-1 respectivamente, y no imparte causalidad si eij=0. Los mapas
cognoscitivos son muy útiles para representar conocimiento donde exista un
razonamiento caracterizado por incertidumbre, puesto que la causalidad es
difusa. Acomodan su base de conocimientos de acuerdo a expertos, por lo que
su buen resultado dependerá en mucho del conocimiento expresado por los
expertos.
1.4.2. Retroalimentación de los MCDs
Un vector inicial en cualquier punto de tiempo da una fotografía
instantánea de los eventos (conceptos) en el escenario modelado.
La retroalimentación se realiza de acuerdo a como el sistema dinámico
se equilibra. La inferencia simple de un MCD se realiza por medio de una
multiplicación vector-matriz. Los vectores de estado Cn ciclan a través de la
matriz de relaciones E de un MCD, esto es: C1>>E>>C2>>E>>C3…, que
significa: el vector C1 alimenta a la matriz E, dando como resultado el vector C2
a este vector se le aplica la función umbral y el resultado retroalimenta a la
22
matriz E, que da como resultado el vector C3 al que se le aplica la función
umbral y éste vuelve a retroalimentar a E, y así sucesivamente hasta alcanzar
la estabilidad.
Lo anterior se traduce en: multiplicar C por E, y luego transformar el resultado
como sigue:
C(k+1) = T [C(k) E]
donde C(k) es el vector inicial de conceptos en algún tiempo discreto k, T es la
función umbral, y E es la matriz causal del MCD. [2]
De acuerdo a Mohr en [12] las funciones umbral más utilizadas son
tres: bivalente, trivalente y señal logística. Estas están representadas en la
figura 1.3.
Fig. 1.3 Funciones umbral
Las iteraciones continúan hasta:
1) El MCD estabiliza un estado fijo (un atractor punto fijo), en el cual
algunos conceptos son activos y otros no lo están.
2) Un ciclo limite es alcanzado
Si(xi)=0, xi≤0 Si (xi)=1, xi>0 Bivalente Si(xi)=-1, xi≤ -0.5 Si (xi)=0, -0.5 <xi<0.5 Si(xi)=1, xi≥ 0.5 Trivalente Si(xi) = __1__ 1+e-cxi Señal logística, c=5
23
3) El MCD se mueve en un estado atractor caótico en vez de estabilizarse.
La utilidad de los tres diferentes tipos de resultado depende de los objetivos
del usuario. Un atractor punto fijo puede proveer correctas respuestas a la
pregunta causal “que pasa si”. Un estado de equilibrio puede ser usado para
predecir un estado futuro del sistema a ser modelado por el MCD para un
particular estado inicial.
Un ciclo limite provee su utilidad con un comportamiento deterministico de
una situación de la vida real a ser modelada. Esto permite la predicción de un
ciclo de eventos que el sistema encontrará el solo, dándole un estado inicial y
una relación causal.
El objetivo de construir un mapa cognoscitivo difuso acerca de un problema
es que este sea capaz de predecir una situación, proporcionándole las
características relevantes o bien los escenarios posibles.
Existen dominios donde la predicción es indispensable ejemplos de estos
dominios son: militar, económico, demográfico o de tráfico. El caso de estudio
se encuentra en el campo de la astrofísica, debido a que los objetos en el
universo tardan en evolucionar miles de millones de años de aquí la
importancia de las simulaciones y las predicciones como métodos para el
estudio de estos fenómenos.
24
CAPÍTULO 2:
DOMINIO DE APLICACIÓN: SUPERNOVAS
Introducción
Las estrellas no son inmutables, evolucionan dependiendo de su masa.
Al final de su vida cuando todo su combustible se ha consumido y dejan de
producirse reacciones nucleares en su núcleo, una estrella puede llegar a
convertirse en un objeto cósmico exótico: como por ejemplo una enana blanca,
una supernova, un pulsar o incluso un agujero negro.
En este capítulo describiremos la evolución de las estrellas
enfocándonos particularmente en las últimas etapas de su vida. También
discutiremos la importancia y los procesos que desencadenan una supernova,
además de dar una clasificación tanto de los tipos de supernovas como de los
remanentes de supernova. Se definen también algunos de los efectos que
estas supernovas y sus remanentes tienen en el medio interestelar.
2.1 Evolución estelar
La Astrofísica es la ciencia que se encarga de estudiar las propiedades
físicas de las estructuras internas de las estrellas, la dinámica y evolución de
sistemas estelares, el comportamiento de la materia interestelar y en general
de cualquier objeto existente en nuestro universo [24]. Una de las ramas más
importantes de esta ciencia es la que se encarga del estudio del ciclo de vida
de las estrellas; la evolución estelar.
25
Las escalas de tiempo asociadas a la vida de una estrella son del orden
de miles de millones de años. Escalas de tiempo demasiado grandes,
comparadas con el tiempo de vida de un ser humano, que nos obligan a
desarrollar modelos computacionales que nos permitan estudiar este tipo de
fenómenos.
Una estrella la podemos definir como un sistema esférico de gas
autogravitante, aislado en el espacio, capaz de producir energía en su interior
por medio de reacciones nucleares, la cual es transportada a su superficie e
irradiada desde ahí al espacio, en todas direcciones.
Toda estrella tiene su origen en el medio interestelar, en particular, en
enormes complejos de nubes compuestas de hidrógeno molecular conocidas
como nubes moleculares y que se localizan generalmente en los brazos
espirales de las galaxias. Cuando se producen ciertas condiciones físicas que
afectan la dinámica de estas nubes, se pueden condensar y fragmentar bajo la
forma de glóbulos, que constituyen el embrión de una estrella.
En la fase de protoestrella, su vida, como toda la duración de su ciclo
evolutivo, se desarrolla en tiempos que dependen de la cantidad de material
que el astro tiene cuando nace: cuanto mayor es la masa de la nebulosa
protoestelar, más rápido se desarrolla la vida de la estrella. Por otro lado, se
sabe que la infancia de una estrella es un periodo muy complejo caracterizado
por procesos turbulentos e inestabilidades.
Continuando el proceso de agregado de la materia en torno al centro de
atracción, la temperatura crece. Cuando alcanza valores de algunos millones
de grados Kelvin, se inician las primeras reacciones de fusión nuclear y
comienza la emisión de radiaciones luminosas: la estrella se enciende.
Después viene la madurez. Esta fase es diferente según se tomen en
consideración estrellas de baja masa como el Sol, o bien más masivas que él.
En el primer caso la madurez es un periodo largo, de aproximadamente 10,000
millones de años, en el que la estrella emite energía de manera estable a
26
través de la reacción nuclear protón-protón. En el caso de estrellas más
masivas, por ejemplo, una decena de veces la masa del Sol, la fase de
madurez apenas dura 10 millones de años, en el curso de los cuales el astro
tiene una luminosidad 10,000 veces mayor que el Sol.
Por otro lado, cuando el combustible nuclear se ha consumido, marca la
conclusión del periodo de estabilidad de una estrella y da comienzo ha
periodos más complejos, que llevan al astro a cambiar radicalmente sus
características físicas. El núcleo se contrae, la temperatura central sigue
aumentando, las capas externas se expanden desmesuradamente y la estrella
se convierte en uno de los objetos astronómicos más impresionantes, una
gigante roja [24].
Después de este proceso y haberse deshecho de sus capas externas,
no queda del astro más que un pequeño núcleo inerte que se va enfriando
progresivamente. Caso contrario es la muerte de las estrellas más masivas que
el Sol. Terminan su existencia drásticamente, explotando violentamente,
lanzando sus capas externas a velocidades de cientos o miles de kilómetros
por segundo, dando origen a uno de los objetos más interesantes de nuestro
universo; las Supernovas.
Podemos concluir entonces que la evolución estelar es la secuencia de
cambios que una estrella experimenta a lo largo de su existencia. Una manera
de estudiar la evolución estelar es a partir de modelos teóricos y simulaciones
numéricas.
La evolución estelar y otros tipos de procesos astronómicos pueden ser
estudiados a partir de modelos analíticos o numéricos. Es importante recordar
que la evolución de muchos de estos fenómenos cósmicos, necesitan de miles
o millones de años para desarrollarse y nos sería imposible llevar un
seguimiento puntal, utilizando telescopios terrestres o espaciales, debido a que
el tiempo promedio de vida de un ser humano es de unas cuantas decenas de
años [18].
27
2.1.1. Escenarios posibles para la muerte de una estrella
En general podemos pensar en tres escenarios posibles para los
remanentes estelares asociados a la muerte de una estrella: enanas blancas,
estrellas de neutrones o agujeros negros. El que ocurra uno u otro dependerá
fundamentalmente de la cantidad de masa que tenga al momento de nacer.
Estrellas con masas menores a 6 MSol, terminan sus vidas como una
enana blanca, en que día a día se van enfriando como señal inequívoca de una
muerte estelar. Estrellas de tamaño mayor, que tengan masas entre 7 y 14 MSol
mueren violentamente explotando como supernova, terminando su vida como
una estrella de neutrones. En tanto que, estrellas con masas mayores a 14 MSol
además de explotar como supernovas, su remanente estelar se colapsa para
dar origen a un agujero negro.
2.2. Supernovas y sus remanentes
Una Supernova (SN) es un evento en el que una estrella termina su
evolución explotando súbitamente. Al hacerlo emite tanta luz como todas las
estrellas de una galaxia (1010–1011 estrellas), expulsando al mismo tiempo una
cantidad de materia aproximadamente igual a varias masas solares.
Fundamentalmente se originan a partir de estrellas masivas que ya no
pueden producir reacciones nucleares en su núcleo, incapaz de detener el
colapso gravitacional, lo que las lleva a contraerse repentinamente y generar,
en el proceso, una fuerte emisión de energía (explosión). No obstante, no es el
único mecanismo para producir una SN. Existe otro proceso más violento aún,
capaz de generar destellos incluso mucho más intensos. Éste ocurre en un
sistema binario, cuando una de las estrellas es una enana blanca y la otra una
estrella aún activa. Esta última agrega suficiente masa para aumentar el
colapso gravitacional y por lo tanto la temperatura, para proceder a la fusión
instantánea de todo su núcleo, lo cual genera una explosión termonuclear que
expulsa casi todo, sino es que todo, el material que la formaba.
28
La masa eyectada por la explosión es precedida por una onda de
choque que arrastra tras de sí a toda partícula con la que se encuentra,
formándose así una nebulosa en la que la masa eyectada se mezcla con el
material que rodeaba a la estrella dando origen a una estructura nebulosa
conocida como remante de supernova (RSN) [1].
Las ondas de choque tienen una presencia constante en la vida de
nuestro universo, éstas están asociadas a eventos donde la cantidad de
energía que se inyecta a un medio es muy grande y son importantes en la
formación y evolución de diferentes objetos astronómicos tales como: los
objetos Herbig-Haro, las nebulosas planetarias, los remanentes de supernova,
enormes burbujas de gas, entre otros. Cuando un objeto viaja más rápido que
la velocidad del sonido en un medio, se produce una onda de choque.
2.2.1. Procesos que desencadenan una Supernova
Existen básicamente dos mecanismos para dar origen a una Supernova,
los cuales quedan representados en la figura 2.1.
Fig. 2.1 Origen de explosiones de SN.
29
2.2.2. Tipos de SN
Las SN son clasificadas en dos tipos en base a sus curvas de luz, las de
Tipo I y las de Tipo II. Dentro de estos dos grupos principales hay también
subdivisiones de acuerdo a la presencia de otras líneas en la curva de luz. En
la tabla 2.1 se muestran las propiedades principales de esta clasificación.
TIPO I TIPO II
Localización galáctica Elípticas: en todos lados Espirales: en el disco
Espirales: en los brazos
Población estelar de la progenitora
Población II Población I (vieja de disco)
Población I (joven de disco)
Masa estimada de la progenitora.
≤ 2 MSol 2–8 MSol
10–100 MSol
Mecanismo explosivo Detonación o deflagración del carbono
Colapso gravitacional del núcleo de Fe-Ni
Existencia de remanente estelar Incierta Sí
Magnitud visual absoluta -19.1 ± 0.25 -17.21 ± 0.24
Masa eyectada 0.5 MSol 5 MSol Velocidad del material eyectado 10,000 km/s 5,000 km/s
Frecuencia en nuestra galaxia 1 cada 60 años 1 cada 40 años
Tabla 2.1. Propiedades generales de las SN.
30
Fig. 2.2 Tipos de SN.
2.2.2.1. Tipo Ia
Las supernovas de tipo Ia son las más energéticas de todas, pudiendo
emitir un brillo varias veces superior al de la galaxia que las hospeda. La teoría
más aceptada con respecto a este tipo de supernovas sugiere que son el
resultado de la acreción de masa hacia una enana blanca por parte de una
estrella compañera, generalmente una gigante roja. Esto puede suceder en
sistemas estelares binarios muy cercanos. Ambas estrellas tienen la misma
edad y los modelos indican que casi siempre tendrán una masa semejante. No
obstante hay ocasiones donde hay una más masiva que la otra trayendo como
consecuencia que la más masiva muera antes que la estrella menor. Si las
estrellas tienen menos de 6 masas solares evolucionarán a enanas blancas.
Debido a todo esto es muy normal que en las etapas finales del sistema binario
haya una enana blanca orbitando junto a una gigante roja también agonizante y
con sus capas exteriores muy expandidas.
31
A diferencia de otros tipos de supernovas, las de tipo Ia se encuentran
en todo tipo de galaxias, incluyendo las galaxias elípticas. Cabe señalar que
este tipo de supernovas no muestran ninguna preferencia por regiones de
formación estelar. Además no se originan a partir de estrellas muy masivas, por
lo que no tienen porqué ubicarse en zonas jóvenes de formación reciente
(donde se encuentran las gigantes azules). De modo que pueden acontecer en
las regiones más longevas de las galaxias. Esta particularidad permite
encontrarlas en cualquier parte del cielo donde haya galaxias.
2.2.2.2. Tipos Ib y Ic
Los tipos Ib y Ic no poseen la línea del silicio, que sí está presente en
las de tipo Ia, y se cree que corresponden a estrellas que están al borde de su
extinción, pero que perdieron su hidrógeno anteriormente, por lo que las líneas
de hidrógeno no aparecen en sus espectros. Las supernovas de tipo Ib son
teóricamente el resultado del colapso de estrellas masivas conocidas como
Wolf-Rayet, cuyos intensos vientos logran desprenderse del hidrógeno de las
capas externas. Se conocen también varias de estas supernovas en sistemas
binarios y esto es porque la estrella compañera puede ayudar a desligar
gravitatoriamente al gas de las capas más externas de la otra estrella que
pierde sus cáscaras externas sin necesidad de ser tan masiva. En casos
extremos no solo escapa el hidrógeno sino también el helio dejando al desnudo
el núcleo de carbono, este es el caso de las supernovas Ic.
2.2.2.3. Tipo II
Las supernovas de tipo II son el resultado de la imposibilidad de
producir energía una vez que el núcleo denso de hierro y níquel de la estrella
alcanza el equilibrio estadístico nuclear. Estos elementos ya no pueden
fusionarse para dar más energía. La barrera de potencial de sus núcleos es
demasiado fuerte para que la fusión sea rentable por lo que ese núcleo estelar
32
inerte deja de sostenerse a sí mismo y a las capas que están por encima de él.
La desestabilización definitiva de la estrella ocurre cuando la masa del núcleo
de hierro alcanza cierto límite conocido como el límite de Chandrasekhar (límite
de masa más allá del cual el núcleo de una estrella no es capaz de
contrarrestar la fuerza gravitacional de las capas externas, produciéndose un
colapso que origina una estrella de neutrones o un agujero negro.). En ese
instante el colapso del núcleo se produce elevando su temperatura hasta los
3.000 millones de grados lo que trae como consecuencia la emisión de fotones
de alta energía capaces de partir los átomos de hierro en partículas alfa y
neutrones en un proceso llamado fotodesintegración, estas partículas son a su
vez destruidas por otros fotones generándose así una avalancha de neutrones
en el centro de la estrella produciendo las bien conocidas estrellas de
neutrones.
2.2.2.4. Tipo II-L y II-P
Las supernovas de tipo II pueden dividirse a su vez en los subtipos II-P
y II-L. Los tipos II-P presentan una curva de luz plana, mientras que los tipos
II-L poseen un decrecimiento lineal en su curva de luz. La causa de esto se
cree que es por diferencias en las capas internas de las estrellas. Las
supernovas de tipo II-P poseen una gran envoltura de hidrógeno que atrapa la
energía liberada en forma de rayos gamma y la liberan en frecuencias más
bajas, mientras que las de tipo II-L, se cree, poseen envolturas mucho
menores, convirtiendo menor cantidad de energía de rayos gamma en luz
visible.
Las masas de las estrellas que dan lugar a supernovas van desde unas
10 masas solares hasta de 40 o 50 MSol. Más allá de este límite superior (que
tampoco se conoce con exactitud), los momentos finales de la estrella son
implosiones completas en las que nada escapa al agujero negro que se forma,
rápida y directamente, atrapando todo lo que se encuentra a su alrededor antes
33
de que un solo rayo de luz pueda salir. Estas estrellas literalmente
desaparecen al morir.
La figura 2.3 muestra la evolución de una estrella masiva hasta
convertirse en una SN.
Fig. 2.3. Explosión de supernova
2.2.3. Etapas y tipos de RSN
Una vez que las estrellas masivas explotan como supernovas, lanzan
sus capas externas hacia el medio interestelar, la interacción entre estas capas
y el gas que rodeaba a la estrella traen como consecuencia la formación de los
objetos conocidos como Remanentes de Supernovas (RSN). Estos remanentes
son de varios tipos y es la forma en la que se construyen estructuras en el
medio interestelar, así como también tienen diferentes etapas. Estas etapas y
tipos quedan resumidos en la figura 2.4.
34
Fig. 2.4 Tipos y etapas de RSN.
2.2.3.1. Etapas de remanentes de supernova
Etapa de expansión libre: El RSN se mueve a velocidad constante e
igual a la velocidad con que fue expulsado de la estrella masiva al momento
de explotar como SN. Esta etapa dura aproximadamente 500 años y termina
cuando el objeto tiene un tamaño aproximado de 3.3 años luz.
Etapa de Expansión Libre o Fase Adiabática: El remanente se ha
frenado considerablemente al haber barrido una gran cantidad de material
interestelar. La temperatura permanece constante y es muy alta detrás del
35
choque. Esta etapa hasta que el RSN tiene 30 mil años y su tamaño es de
aproximadamente 65 años luz.
Etapa III: A partir de este momento es importante el enfriamiento del RSN.
Esta etapa dura hasta que la velocidad del RSN es aproximadamente igual a
la velocidad del sonido en el medio, momento en el que el radio es de unos
245 años luz y la edad es de aproximadamente 230 mil años.
Etapa IV. Al moverse a una velocidad menor a la velocidad del sonido
del medio, el RSN se integra al medio interestelar y aparece como un objeto
cualitativamente distinto al haber dejado de producir una onda de choque y
por lo tanto se termina el estudio de los RSN en esta etapa.
2.2.3.2. Tipos de RSN
Tipo 1: se cree que han sido producidos por SN de tipo I. Se
caracterizan por su alta velocidad de expansión. En general son RSN
jóvenes. Ejemplos: SN 1006, SN de Tycho.
Tipo 2: se caracterizan por tener espectros dominados por líneas de alta
velocidad de oxígeno. Se piensa que pueden estar relacionados con las
deyecciones procesadas por progenitoras masivas de SN del tipo II y
posiblemente también con el material circumestelar de las progenitoras.
Algunos de estos RSN sugieren una asimetría en la explosión de la SN
presumiblemente inducida por la rotación de la estrella progenitora. Un
espectro de esta clase de RSN aporta una importante información acerca de
la física de las explosiones de SN del tipo II y de la composición de sus
progenitoras masivas. Ejemplos: Cas A y MSH 11-54.
Tipo 3: en el ultimo estado de evolución, los espectros de líneas de
emisión ópticos de muchos RSN se denota un marcado patrón común: las
líneas [SII],[OI], [OII],[OIII],[NIV] (el símbolo [ ] denota Líneas Prohibidas, que
son líneas espectrales que surgen de estados metaestables en (Tomos a
baja presión.) son tan fuertes como las de Hα. Hay cierta confianza en el
36
hecho de que el remanente este dominado por el medio interestelar barrido.
Cierto tipo de relaciones permiten calcular la velocidad, la temperatura y la
abundancia de elementos de la onda de choque. [25]
2.3. Efectos de SN y RSN en el medio interestelar
Las supernovas y sus remanentes tienen una relación de causa y efecto
con el medio galáctico en que ocurren. A continuación se señalan algunos de
los efectos que estos objetos tienen en este medio.
Fig. 2.5 Efectos de SN y RSN
37
2.3.1. La composición química en la galaxia
Los elementos químicos que componen a las estrellas y al medio
interestelar han sido producidos en diversos sitios y momentos.
Al explosionar una estrella masiva como una supernova los elementos
químicos pesados que se han formado en el interior de la estrella son arrojados
violentamente al espacio, contaminando el entorno interestelar donde ocurre la
explosión. La próxima generación de estrellas que se forme a partir de esa
nube contaminada tendrá trazas de carbono, oxígeno, nitrógeno, etc. Las
nubes interestelares contenían inicialmente sólo hidrógeno y helio, los
elementos pesados fueron todos fabricados en las estrellas y arrojados al
espacio por las supernovas.
Por tanto las supernovas contribuyen a enriquecer el medio interestelar
con metales. Así, tras cada generación de estrellas, la proporción de elementos
pesados aumenta. Mayores abundancias en metales tienen importantes
efectos sobre la evolución estelar. Sólo los sistemas estelares con suficiente
metalicidad pueden llegar a desarrollar planetas.
2.3.2. Formación estelar inducida por explosiones de SN
Evidencias observacionales revelan que las estrellas se forman en
nubes moleculares mucho más densas que el medio que las circunda.
Observaciones de estas nubes muestran que, a pesar de su gran masa,
muchas de ellas no se colapsan pues diversos tipos de presión se oponen a la
autoatracción gravitatoria de la nube. Este equilibrio se puede romper por
diversas causas, una de las cuales sería el efecto de la interacción del choque
producido por la explosión de una SN con el borde de una nube molecular. El
38
choque formado comprime el material de la nube produciendo así una
perturbación en densidad que origina una inestabilidad gravitacional, y, en
consecuencia, la contracción gravitacional [1].
2.3.3. Estructura del medio interestelar
Hasta hace unos años se creía que el medio interestelar estaba
compuesto de una componente atómica a una temperatura de 104 K y de una
componente molecular de gran densidad y baja temperatura. Cox y Smith
demostraron que esta noción es errónea, y que debe existir al menos otra
componente de muy alta temperatura que es generada por la expansión de SN
en el medio interestelar [1].
Las ráfagas que se observan saliendo desde la supernova golpean a
una tenue nube de gas interestelar. La colisión calienta y comprime el gas y lo
hace relucir. La descarga de este tipo de ráfagas se convierten como un medio
distinguible en la detección de formación de estructuras estelares.
Por lo tanto se concluye que las supernovas pueden generar y mantener
una fase tenue y muy caliente del medio interestelar.
2.3.4. Origen de los rayos cósmicos
Los rayos cósmicos consisten de electrones y núcleos ionizados de
átomos, estos son recibidos en iguales cantidades desde todas direcciones.
Sus direcciones dispersas no revelan su origen, desde que los rayos cósmicos
son eléctricamente cargados, sus direcciones son continuamente cambiadas
cuando se mueven a través de los campos magnéticos. La alta energía de los
rayos cósmicos significa que tuvieron que ser producidos por un fenómeno
altamente energético, como las explosiones de supernova. [24]
39
Los pulsares, remanentes estelares de explosiones de SN, son también
capaces de acelerar partículas hasta velocidades relativistas, debido a sus
campos magnéticos súper intentos y a su alta velocidad de rotación. [1]
40
CAPÍTULO 3:
NUESTRA PROPUESTA
Introducción
En este capitulo se justifica el desarrollo del sistema basado en el
conocimiento así como también se detallan cada uno de los objetivos de este
trabajo. Se expone además la metodología utilizada para lograr el adecuado
análisis, diseño e implementación del sistema.
3.1 Justificación
En la actualidad los SBC son un tema relevante dentro de la
computación, pues ayudan a la resolución de tareas tales como: razonamiento
automático, toma de decisiones, planificación, aprendizaje automático,
integración, interpretación, diagnóstico, procesos de monitorización, diseño,
selección, control, reparación, corrección o terapia, instrucción, recuperación de
información, simulación, pronóstico, predicción, entre otras muchas.
En particular la posible predicción de eventos o fenómenos nos permite
establecer condiciones previas a eventos que son desfavorables en la
simulación de sistemas complejos. Con ello es posible seguir construyendo de
manera práctica mejores principios de razonamiento para la mejor adecuación
de modelos teóricos.
41
Entre los campos de aplicación de los SBC se encuentran: medicina,
análisis de estados financieros, industria, electrónica, contabilidad, minería,
biología, robótica, entre otros, pero el desarrollo de estos sistemas en la
astrofísica es en general escaso. En este sentido construir un SBC para este
dominio permitirá aumentar el uso de esta tecnología en este campo.
Uno de los problemas a resolver es que este dominio de aplicación
contiene mucha incertidumbre, y como no se puede hacer experimentación
directa, se crean simulaciones para desarrollar y comprobar teorías. Por lo que
se sugiere desarrollar nuevas herramientas que permitan tener un mejor
acercamiento a los sucesos.
En este sentido el uso de mapas cognoscitivos difusos ayudará tanto en
el tratamiento de la imprecisión de los datos (aparecen generalmente por falta
de datos apropiados o por autenticidad con respecto a las fuentes de donde se
tomaron esos datos), como en el tratamiento de la incertidumbre en el
razonamiento (debido a una falta de certeza de las piezas de conocimiento),
así mismo proveerá una técnica de representación del conocimiento más
adecuada, para implementar el motor de inferencia.
Por tanto nuestra propuesta es diseñar un sistema basado en el
conocimiento para la predicción de efectos de supernovas en el medio
interestelar mediante el uso de mapas cognoscitivos difusos.
La importancia de predecir los efectos de una Supernova en el medio
interestelar implica obtener información sobre:
La formación estelar inducida por explosiones de SN
Estructura del medio interestelar
Origen de los rayos cósmicos
Los beneficios de tener un sistema que haga lo anterior es que podemos
tener una representación adecuada de los efectos de SN.
42
3.2. Objetivos
Objetivo General
Diseñar e implementar un sistema basado en el conocimiento para predecir los
efectos de una supernova en el medio interestelar.
Objetivos Particulares
Realizar el análisis del dominio para extraer los conceptos principales.
Definir e implementar el modelo de presentación del conocimiento, con
el fin de modelar el comportamiento del sistema.
Diseñar una base de afirmaciones que será interpretada usando el
conocimiento propuesto por la base de conocimientos.
Diseñar una base de conocimientos, que contendrá el conocimiento de
los hechos y las experiencias del experto en el dominio.
Diseñar un mecanismo de inferencia que simulará la estrategia del
experto en la predicción de efectos de una Supernova en el medio
interestelar.
Diseñar la interfaz de usuario.
43
3.3. Metodología Para lograr los objetivos señalados anteriormente se llevo a cabo la
siguiente metodología:
Análisis y Diseño del Dominio
Tareas Genéricas para modelar conocimiento en el dominio del observador.
Para realizar el proceso de adquisición del conocimiento y su posterior
reducción al nivel simbólico/subsimbólico (inferencia y representación) se han
intentado desarrollar métodos abstractos para modelar conocimiento en
términos de un conjunto de tareas genéricas (TG) y métodos para
desarrollarlas.
La idea básica es que el conocimiento puede ser modelado de acuerdo
con un plan estratégico que enlaza tareas para conseguir una meta y que estas
tareas son genéricas, es decir valen para un amplio grupo de problemas,
independientemente del dominio específico y de las formas de representación.
El analizar o sintetizar un sistema basado en conocimiento mediante una
estructura secuencial o concurrente de TG es una metodología estructurada
que nos permite inyectar en cada aplicación todo el conocimiento que sea
invariante. Así, una comprensión clara de las relaciones entre las TG permite
estructurar tanto el proceso de adquisición del conocimiento como su uso
posterior en un diseño modular.
En el análisis modelamos un segmento del razonamiento humano
especificando lo que debe hacer el sistema. En síntesis, proponemos una
solución estructurada diciendo cómo debe resolverse el problema usando un
conjunto muy limitado de módulos genéricos (TG) cada uno de los cuales se
concentra en un aspecto particular del proceso de solución. En ambos casos el
trabajo en TG busca modelar el conocimiento mediante un lenguaje de bloques
44
funcionales de alto nivel que facilite el enlace del nivel de conocimiento con el
nivel simbólico/subsimbólico [11].
Aspectos metodológicos
El ciclo temporal que se muestra en la figura 3.1 consta de fases
alternativas de análisis y síntesis y a su vez, las distintas fases no son
absolutamente independientes (reciben sus entradas de la etapa anterior y
ofrecen sus resultados a la etapa siguiente) sino que estas actividades
corresponden a TG con independencias y realimentaciones [11].
Esta es la metodología usada par el desarrollo del presente Sistema
Basado en el Conocimiento.
Fig. 3.1 Fases alternativas de análisis y síntesis durante el desarrollo de un SBC.
45
3.3.1. TG1: Identificación y análisis del problema
Esta TG es una tarea de análisis que tiene como objetivo identificar el
problema que realiza el experto humano, describir sus especificaciones
funcionales y evaluar sus limitaciones y el costo en recursos computacionales,
temporales y humanos.
El final de esta primera etapa de análisis (TG1) es un estudio de
viabilidad del SBC en el que se ha decido que es posible y está justificado su
desarrollo. También se han identificado la tarea y los expertos de los que haya
que adquirir el conocimiento, junto con otras fuentes documentales. Y por
ultimo se debe tener ya una idea aproximada sobre los objetivos, los recursos
materiales y humanos necesarios para alcanzar esos objetivos [11].
3.3.2. TG2 : Adquisición y modelado del conocimiento
Esta etapa es sin duda la más importante en el desarrollo de un SBC.
Para hacer computacional el conocimiento de un experto humano debemos
obtener ese conocimiento del diálogo con el experto o de otras fuentes
documentales de forma tal que se obtenga una versión en algún lenguaje
intermedio de representación que facilite su posterior codificación usando un
lenguaje formal de alto nivel.
46
Capa de Conocimiento del Dominio
Una de las raíces principales de los SBC es el área del procesamiento
de la información humana, llamada ciencias cognitivas. La cognición es el
estudio de la manera en que los humanos procesan la información. En otras
palabras las ciencias cognitivas1 representan el estudio de la manera en que
piensa la gente, especialmente cuando resuelve problemas. [3]
Esta capa modela el conocimiento que es independiente de cómo va a
ser usado en inferencia. Estas estructuras incluyen conocimiento cuantitativo y
cualitativo. [3]
Modelo mental
En algunas áreas cognoscitivas es posible formular teorías de
competencia, que especifiquen, qué tiene que ser calculado, cuándo, y por qué,
posteriormente sobre la base de estas teorías desarrollar un algoritmo que lo
represente. A esta área de estudio se le conoce como la teoría de competencia
y se realiza con base en los modelos mentales.
Los modelos mentales emergen como un intento de dar sentido a las
inferencias, de forma implícita y explicita. Un modelo mental permite explicar
aquellos objetos o entidades, así como propiedades y relaciones que son
relevantes para potenciar las acciones. De esta forma cada entidad es
representada por las propiedades de sus componentes. Las relaciones entre
estas entidades están representadas por las relaciones entre estos
componentes. Los modelos mentales son importantes debido a que representa
objetivos, estados de asuntos, secuencia de eventos, la forma en que el mundo
se encuentra y las acciones sociales y psicológicas de la vida diaria.[5,7].
1. Ciencias cognoscitivas: conjunto de ciencias relativas a la cognición, como: la psicología, la lingüística, la epistemología, etc..
47
Por tanto los modelos mentales son abstracciones funcionales, que
proporcionan un marco deductivo para la solución de problemas.
Es importante notar que la adquisición de conocimiento como un
proceso de modelado incremental guiado por el diálogo con el experto y la
consulta de textos y apoyado en un conjunto de construcciones intermedias
que facilitan esa adquisición y dan forma al modelo final.
3.3.3. TG3 : Reducción a nivel simbólico/subsimbólico
Posterior a modelar el conocimiento en TG2, empieza la fase de síntesis
con la reducción del nivel simbólico/subsimbólico de los contenidos del modelo.
Las actividades de TG3 son:
Definir la arquitectura global en la que va a integrar el SBC
Especificar la estructura del SBC a partir del modelo del conocimiento
Asociar módulos funcionales a las distintas TG de la capa de tareas
Especificar métodos de inferencia y representación a las entidades de la
capa de inferencia.
Especificar modos de representación y estructuras de datos a las
entidades de la capa del dominio
Dentro de esta tarea es importante seleccionar tanto el método de
representación de conocimiento, así como el mecanismo de inferencia al que
estará íntimamente ligado. Y así pasar a la etapa de implementación.
48
3.3.4. TG4: Implementación
La implementación de TG3 es también una tarea de síntesis y consiste
en programar sobre la computadora las funciones y procedimientos que van a
realizar la inferencia y de codificar la base de conocimiento diseñada
anteriormente. Puede incluirse también en esta fase el desarrollo de la interfaz
de usuario.
Por lo cual en esta fase se incluye:
Selección y uso de un entorno de desarrollo
Selección del lenguaje de implementación
Codificación de las funciones y procedimientos que realizaran la
inferencia
Codificar la base de conocimiento
Diseño de la interfaz de usuario
3.3.5. TG5: Validación y evaluación
La evaluación de los SBC no es una práctica habitual esencialmente
porque su metodología es poco precisa. De hecho, no sabemos muy bien de
qué estamos hablando cuando decimos que hay que evaluar el conocimiento a
nivel estratégico para cualquier tarea en cualquier dominio. No hay criterios ni
métricas con la claridad, precisión y completitud equivalentes a las existentes
en otras ramas de la ingeniería. Pero hay que tener en cuenta que la
evaluación hay que realizarla desde las fases iniciales, es decir todo el conjunto
de TG, y en cada etapa verificar que el conocimiento que se esta modelando es
justamente el adecuado con relación a las criterios del experto. Otra medida de
un buen comportamiento es la realizada a través del diseño de las medidas de
desempeño con base en lo que se desea pase en el entorno, más que lo que
se desea haga el SBC.
49
La evaluación del SBC tiene dos propósitos esenciales. Primero, guiar el
desarrollo en sus cuatro primeras TG desde la adquisición del conocimiento
hasta la implementación. Después, cuantificar en lo posible las funcionalidades
del sistema en comparación con las del experto humano y conseguir que sea
efectivamente usado en entornos reales. Entre las claves de esa aceptación se
encuentra la capacidad de explicación. La mayor dificultad de la evaluación se
encuentra en el carácter subjetivo de la mayoría de sus técnicas, lo que limita
en gran medida la validez de los resultados. Sin embargo, esto es inherente al
propio carácter de los SBC. Ante problemas analíticos, donde la inferencia es
matemática y nadie discute la robustez de las leyes que modelan el
conocimiento (leyes física formalizadas mediante ecuaciones diferenciales, por
ejemplo), la evaluación sería más científica, pero menos necesaria [11].
3.3.6. TG6: Refinamiento
Si en la comprobación se observa que el sistema funciona
satisfactoriamente y salvo en pequeños detalles o puntos concreto, se puede
considerar que el desarrollo es correcto, entonces basta refinar el modelo o su
implementación.
50
CAPÍTULO 4:
ANÁLISIS Y DISEÑO DEL SISTEMA
Introducción
En este capitulo se describen los procesos de análisis, diseño e
implementación del SBC guiados por la metodología de tareas genéricas
explicada en el capitulo 3, además se incluyen pruebas e interpretaciones de
los escenarios más representativos de cada uno de los efectos.
4.1. TG1. Identificación y análisis del problema
4.1.1. El dominio del Sistema basado en el conocimiento
El campo de aplicación que se eligió para el desarrollo del sistema
basado en el conocimiento (SBC) es el de la Astrofísica, en el fenómeno
llamado Supernovas (SN). Este fenómeno tiene una presencia constante en
nuestro universo y son fundamentalmente importantes los efectos que produce
en el medio interestelar.
Nuestro universo es inmenso y muy complejo, su estudio requiere de
herramientas novedosas las cuales permitan avanzar en el conocimiento de
este. La astrofísica es una de esas ciencias en las cuales debido al tiempo y a
la tecnología ha producido una gran cantidad de datos, producto de la
observación. Ahora tratar con tal cantidad de datos es un problema mayor, y
las técnicas estándar de búsqueda son insuficientes [19].
51
El propósito de este trabajo es modelar e implementar un SBC para predecir
los efectos de las SN en el medio interestelar Previo a esta predicción es
necesaria la detección de una SN.
Tanto para la detección como para la evaluación de efectos de las SN
son necesarios los conceptos que se describen en la Tabla 4.1.
Concepto Descripción Rango Espectro Propiedades espectrales Suficiente Masas Rango fundamentales de masas estelares Relevante Materia Comportamiento de la materia en condiciones de
muy alta densidad Suficiente
Pulsar Pulsares asociados a SN Relevante Núcleo Colapso del núcleo Suficiente Tipo Tipo de SN Relevante Mecanismo explosivo Tipo de mecanismo explosivo Relevante Tipo de Galaxia Tipo de galaxia en el que ocurre Suficiente Localización Sitio en el que ocurren dentro de la galaxia Suficiente Brillo máximo Magnitud visual absoluta Suficiente Población Población estelar de la progenitora Suficiente Remanente estelar Existencia de remanente estelar Relevante Masa eyectada Cantidad y tipo de masa eyectada Suficiente Velocidad Velocidad del material eyectado Suficiente Situación Tipos de situaciones en que puede producirse
una SN Relevante
Etapas Etapas de los RSN Suficiente Material barrido Materia barrido por la onda de choque Suficiente Radio Radio del RSN Suficiente Edad Edad del RSN Suficiente Temperatura Temperatura del RSN Relevante Campo magnético Intensidad del campo magnético Suficiente Composición química Composición química del material eyectado Relevante Velocidad de rotación Alta velocidad de rotación de los pulsares Suficiente Tipo de radiación Tipo de radiación del RSN Suficiente Aceleración Aceleración de partículas Relevante Alta densidad Alta densidad de energía Relevante Neutrones Densidad de neutrones alta Relevante Fase no molecular Fase no molecular del medio interestelar Relevante Inestabilidad gravitacional
Inestabilidad gravitacional Suficiente
Choques por SN Choques por SN Relevante Rotación diferencial Rotación diferencial Suficiente Índice espectral Tipo de índice espectral Suficiente Brillo Distribución de brillo Suficiente Polarización Grado de polarización Suficiente Distribución del campo Distribución de campo magnético Suficiente
Tabla 4.1. Elementos principales de SN y RSN
52
4.1.2. Estudio de viabilidad
La construcción de este SBC es posible y está justificado su desarrollo
debido a que:
Existen auténticos expertos en el área, y ellos son capaces de explicar
su modo de razonamiento.
La tarea en cuestión requiere solamente de capacidades cognoscitivas.
El problema no es excesivamente complicado y no tiene una extensión
desmesurada.
Se requiere razonamiento subsimbólico.
4.1.3. Alcances
Diseñar un SBC, implementando sus componentes básicos, para
ejecutar solicitudes provenientes del usuario. Para lograr lo anterior se utilizan
como criterios: 1) las reglas, 2) el motor de inferencia, 3) información de
partida, 4) el contenido de la base de hechos, y 5) la base de conocimiento
hasta lograr una predicción emulando el razonamiento del experto humano.
4.2. TG2. Adquisición y modelado del conocimiento
4.2.1. Técnicas para la adquisición del Conocimiento
Para la presente investigación se consultaron tanto fuentes estáticas
como dinámicas.
Entre las fuentes estáticas se seleccionaron: libros, revistas y artículos.
53
Para las fuentes dinámicas (fuente primaria) se utilizo el enfoque manual, las
técnicas que se seleccionaron fueron: tales como la entrevista y el de análisis
de protocolo.
4.2.2. Modelo mental
Los modelos mentales son abstracciones funcionales, que proporcionan
un marco deductivo para la solución de problemas.
Algunos conceptos para entender el modelo mental están representados
en la Tabla 4.2.
Concepto Descripción AN Agujero Negro EB Enana Blanca EM Estrella Masiva ES Estrella Simbiótica ET Estrella Típica ETM Estrella de Temperatura Media GA Gigante Azul GR Gigante Roja NC Nova Clásica NE Nova Enana NR Nova Recurrente P Pulsar RSN Remanente de Supernova SN Supernova
Tabla 4.2. Conceptos que maneja el modelo mental.
54
Fig. 4.1. Modelo mental
Inicio Mientras existan estrellas entonces Si existen dos estrellas con orbitas cercanas entonces Existe Sistema Binario Si existe una EB acompañada de una ET y la EB supera el limite de 1.44Msol entonces Si el manto de la GR cubre la EB entonces Garantiza la rápida absorción del material Si existen orbitas cada vez más cercanas entonces Aumenta los ritmos de acreción Si existe alta densidad y compresión en el núcleo entonces Sucede explosión termonuclear Ocurre Supernova Otro Ocurre NC Si existe una EB y una GR y esta es repetitiva entonces Ocurre NR Otro Si existe una EB y una ETM tipo espectral K o G entonces Ocurre una NE Si existe una GR y una GA entonces Ocurre una ES Otro Si existe una EM y su núcleo queda transformado en Fe entonces El núcleo no podrá producir la energía necesaria para sostener la estrella Si Sobreviene el colapso gravitacional entonces El núcleo implota Ocurre Supernova Si existe Supernova entonces Generara un RSN Generara una P o un AN Repite Modificación a la Composición química Generar Formación estelar Modificar Estructura del medio Generar Rayos cósmicos. Hasta que finalice la energía del RSN Fin mientras Fin.
55
4.2.3. Restricciones
Este trabajo explora algunos de los efectos que provocan las SN, los cuales
se describen a continuación:
Formación estelar inducida por explosiones de supernova
Estructura del medio interestelar
Origen de los rayos cósmicos
4.3. TG3. Reducción a nivel subsimbólico
El objetivo de la representación del conocimiento es formalizar y
organizar el conocimiento. El tipo de representación de conocimiento que se
selecciono para el desarrollo de este trabajo fueron los mapas cognoscitivos
difusos (MCD), debido a que son la mejor forma de representación que se
adapta al problema a resolver.
A continuación se detalla para cada efecto de predicción el modelo de su
MCD.
4.3.1. Efecto: Formación estelar inducida por SN
4.3.1.1. Conceptos variables
# Concepto Descripción Rango 1 RSN Remanente de supernova Relevante 2 CA Componente atómica Relevante 3 ENM Equilibrio de la nube molecular Relevante 4 NM Nube molecular Relevante 5 SN Supernova Relevante 6 PNM Perturbación en la nube molecular Relevante 7 FE Formación estelar Relevante
Tabla 4.3. Conceptos para predecir el efecto: formación estelar
56
4.3.1.2. MCD
El MCD y las relaciones entre los diferentes conceptos quedan
representados en la Figura 4.2, donde las líneas continuas denotan relación
positiva, y las líneas punteadas relación negativa.
Fig. 4.2. Mapa cognoscitivo difuso del efecto: formación estelar
4.3.1.3. Matriz conductual
RSN CA ENM NM SN PNM FE RSN 0 0 -1 0 0 1 1 CA 0 0 0 0 0 0 -1 ENM 0 -1 0 0 0 -1 -1 NM 0 0 1 0 0 -1 1 SN 1 0 -1 0 0 1 1 PNM 0 0 -1 0 0 0 1 FE 0 0 0 0 0 0 0
Tabla 4.4. Matriz conductual del efecto: formación estelar
57
4.3.2. Efecto: Estructura del medio interestelar
4.3.2.1. Conceptos variables
# Concepto Descripción Rango 1 SN Supernova Relevante 2 RSN Remanente de supernova Relevante 3 HGC Halo galáctico caliente Relevante 4 VSN Varias supernovas Relevante 5 SB Superburbujas Relevante 6 NM Nube molecular Relevante 7 SCH Supercascarones de H Relevante 8 VE Vientos estelares Relevante
Tabla 4.5. Conceptos para predecir el efecto: estructura del medio
4.3.2.2. MCD
El mapa cognoscitivo y las relaciones entre los diferentes conceptos
quedan representados en la figura 4.3, donde las líneas continuas denotan
relación positiva, y las líneas punteadas relación negativa.
Fig. 4.3. Mapa cognoscitivo difuso del efecto: estructura del medio
58
4.3.2.3. Matriz conductual
SN RSN HGC VSN SB NM SCH VE SN 0 1 1 0 0 0 0 0 RSN 0 0 1 0 0 0 0 0 HGC 1 0 0 0 0 0 0 0 VSN 0 1 1 0 1 0 0 0 SB 0 0 0 1 0 0 0 0 NM 0 0 0 0 0 0 1 0 SCH 0 0 0 0 0 1 0 0 VE -1 -1 -1 0 -1 0 -1 0
Tabla 4.6. Matriz conductual del efecto: estructura del medio
4.3.3. Efecto: Origen de los rayos cósmicos
4.3.3.1. Conceptos variables
# Concepto Descripción Rango 1 SN Supernova Relevante 2 RSN Remanente de Supernova Relevante 3 P Pulsar Relevante 4 AP Aceleración de Partículas Relevante 5 RC Rayos Cósmicos Relevante 6 AN Agujero Negro Relevante 7 B┴V Campo magnético perpendicular
a la velocidad de las partículas Relevante
8 B||V Campo magnético paralelo a la velocidad de las partículas
Relevante
Tabla 4.7. Conceptos para predecir el efecto: rayos cósmicos
59
4.3.3.2. MCD
El mapa cognoscitivo y las relaciones entre los diferentes conceptos
quedan representados en la figura 4.4, donde las líneas continuas denotan
relación positiva, y las líneas punteadas relación negativa.
Fig. 4.4. Mapa cognoscitivo difuso del efecto: rayos cósmicos
4.3.3.3. Matriz conductual
SN RSN P AP RC AN B┴V B||V SN 0 1 0.8 1 0 0.2 1 -1 RSN 0 0 0 1 0 0 1 -1 P 0 0 0 1 0 -1 1 -1 AP 0 0 0 0 1 0 1 -1 RC 0 0 0 0 0 0 1 -1 AN 0 0 -1 -1 -1 0 0 0 B┴V 0 0 0 1 1 0 0 -1 B||V 0 0 0 -1 -1 0 -1 0
Tabla 4.8. Matriz conductual del efecto: rayos cósmicos
60
4.4. TG4. Implementación
4.4.1. Selección de un entorno de desarrollo Los entornos de desarrollo que se seleccionaron fueron dos: Eclipse y
NetBeans. Los cuales nos brindan la posibilidad de programar cada método del
sistema.
Eclipse fue requerido para desarrollar los métodos que serian necesarios para
construir el motor de inferencia y NetBeans para desarrollar la interfaz de
usuario.
4.4.2. Selección del lenguaje de implementación
El lenguaje que se selecciono para la implementación fue Java [28] pues
entre sus características y múltiples ventajas se encuentran: que es orientado a
objetos, que es simple pero potente, tiene una arquitectura neutra, es
interpretado, portable, seguro, distribuido, robusto, dinámico y multitarea.
4.4.3. Codificación de las funciones y procedimientos que realizaran
la inferencia
La codificación de los métodos para la construcción del motor de
inferencia están contenidos en el apéndice al final de este documento.
4.4.4. Codificar la base de conocimiento
La codificación de la base de conocimiento para cada efecto de las
supernovas esta contenida en la parte de apéndice al final de este documento.
61
4.4.5. Diseño de la interfaz de usuario
El diseño de la interfaz de usuario esta contenida en el capitulo 5 del
presente trabajo.
4.5. TG5. Validación y evaluación
Los resultados de los escenarios representativos de cada uno de los
efectos se muestran en la siguiente sección:
4.5.1. Pruebas del efecto: Formación estelar inducida por SN Para cada escenario Vi representa el vector de entrada y Vf el vector final.
Primer escenario: indica la presencia del evento CA Resultado: no se presenta FE RSN CA ENM NM SN PNM FE V [i ] 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 V [1] 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 -1.000000 V [f ] 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 Segundo escenario: indica la presencia del evento ENM Resultado: no se presenta FE RSN CA ENM NM SN PNM FE V [i ] 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 V [1] 0.000000 -1.000000 0.000000 0.000000 0.000000 -1.000000 -1.000000 V [f ] 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 Tercer escenario: indica la presencia del evento NM Resultado: no se presenta FE RSN CA ENM NM SN PNM FE V [i ] 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 V [1] 0.000000 0.000000 1.000000 0.000000 0.000000 -1.000000 1.000000 V [f ] 0.000000 -1.000000 1.000000 0.000000 0.000000 -1.000000 -1.000000
62
Cuarto escenario: indica la presencia del evento PNM Resultado: se presenta FE RSN CA ENM NM SN PNM FE V [i ] 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 V [1] 0.000000 0.000000 -1.000000 0.000000 0.000000 0.000000 1.000000 V [2] 0.000000 1.000000 0.000000 0.000000 0.000000 1.000000 1.000000 V [3] 0.000000 0.000000 -1.000000 0.000000 0.000000 0.000000 0.000000 V [f ] 0.000000 1.000000 0.000000 0.000000 0.000000 1.000000 1.000000 Quinto escenario: indica la presencia de los eventos NM y SN Resultado: se presenta FE RSN CA ENM NM SN PNM FE V [i ] 0.000000 0.000000 0.000000 1.000000 1.000000 0.000000 0.000000 V [1] 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 V [2] 0.000000 0.000000 -1.000000 0.000000 0.000000 1.000000 1.000000 V [f ] 0.000000 1.000000 -1.000000 0.000000 0.000000 1.000000 1.000000 Sexto escenario: indica la presencia de los eventos ENM y RSN Resultado: se presenta FE RSN CA ENM NM SN PNM FE V [i ] 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 V [1] 0.000000 -1.000000 -1.000000 0.000000 0.000000 0.000000 0.000000 V [2] 0.000000 1.000000 0.000000 0.000000 0.000000 1.000000 1.000000 V [3] 0.000000 0.000000 -1.000000 0.000000 0.000000 0.000000 0.000000 V [f ] 0.000000 1.000000 0.000000 0.000000 0.000000 1.000000 1.000000
4.5.2. Pruebas del efecto: Estructura del medio interestelar
Para cada escenario Vi representa el vector de entrada y Vf el vector final.
Primer escenario: indica la presencia del evento SN Resultado: se presenta HGC, pero no SB y SCH SN RSN HGC VSN SB NM SCH VE V [i ] 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 V [1] 0.000000 1.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 V [2] 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 V [f ] 1.000000 1.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000
63
Segundo escenario: indica la presencia del evento RSN Resultado: se presenta HGC, pero no SB y SCH SN RSN HGC VSN SB NM SCH VE V [i ] 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 V [1] 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 V [2] 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 V [3] 0.000000 1.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 V [4] 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 V [f ] 1.000000 1.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 Tercer escenario: indica la presencia del evento VSN Resultado: se presentan HGC y SB, pero no SCH SN RSN HGC VSN SB NM SCH VE V [i ] 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 V [1] 0.000000 1.000000 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000 V [2] 1.000000 0.000000 1.000000 1.000000 0.000000 0.000000 0.000000 0.000000 V [3] 1.000000 1.000000 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000 V [4] 1.000000 1.000000 1.000000 1.000000 0.000000 0.000000 0.000000 0.000000 V [f ] 1.000000 1.000000 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000 Cuarto escenario: indica la presencia de los eventos SN y NM Resultado: se presentan HGC y SCH, pero no SB SN RSN HGC VSN SB NM SCH VE V [i ] 1.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 V [1] 0.000000 1.000000 1.000000 0.000000 0.000000 0.000000 1.000000 0.000000 V [2] 1.000000 0.000000 1.000000 0.000000 0.000000 1.000000 0.000000 0.000000 V [3] 1.000000 1.000000 1.000000 0.000000 0.000000 0.000000 1.000000 0.000000 V [4] 1.000000 1.000000 1.000000 0.000000 0.000000 1.000000 0.000000 0.000000 V [f ] 1.000000 1.000000 1.000000 0.000000 0.000000 0.000000 1.000000 0.000000 Quinto escenario: indica la presencia de los eventos SN y VSN Resultado: se presentan HGC y SB, pero no SCH SN RSN HGC VSN SB NM SCH VE V [i ] 1.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 V [1] 0.000000 1.000000 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000 V [2] 1.000000 0.000000 1.000000 1.000000 0.000000 0.000000 0.000000 0.000000 V [3] 1.000000 1.000000 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000 V [4] 1.000000 1.000000 1.000000 1.000000 0.000000 0.000000 0.000000 0.000000 V [f ] 1.000000 1.000000 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000
64
Sexto escenario: indica la presencia del evento VE Resultado: no existe la presentan de HGC, SB ni SCH SN RSN HGC VSN SB NM SCH VE V [i ] 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 V [1] -1.000000 0.000000 0.000000 0.000000 -1.000000 0.000000 -1.000000 0.000000 V [2] 0.000000 -1.000000 -1.000000 -1.000000 0.000000 -1.000000 0.000000 0.000000 V [3] -1.000000 -1.000000 -1.000000 0.000000 -1.000000 0.000000 -1.000000 0.000000 V [4] -1.000000 -1.000000 -1.000000 -1.000000 0.000000 -1.000000 0.000000 0.000000 V [f ] -1.000000 -1.000000 -1.000000 0.000000 -1.000000 0.000000 -1.000000 0.000000
4.5.3. Pruebas del efecto: Origen de los rayos cósmicos Para cada escenario Vi representa el vector de entrada y Vf el vector final.
Primer escenario: indica la presencia del evento SN Resultado: se presenta RC y por tanto B┴V
SN RSN P AP RC AN B┴V B||V V [i ] 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 V [1] 0.000000 1.000000 1.000000 1.000000 0.000000 0.000000 1.000000 -1.000000 V [2] 0.000000 0.000000 0.000000 1.000000 1.000000 -1.000000 1.000000 -1.000000 V [3] 0.000000 0.000000 1.000000 1.000000 1.000000 0.000000 1.000000 -1.000000 V [f ] 0.000000 0.000000 0.000000 1.000000 1.000000 -1.000000 1.000000 -1.000000 Segundo escenario: indica la presencia del evento P Resultado: se presenta RC, y por tanto B┴V SN RSN P AP RC AN B┴V B||V V [i ] 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 V [1] 0.000000 0.000000 0.000000 1.000000 0.000000 -1.000000 1.000000 -1.000000 V [2] 0.000000 0.000000 1.000000 1.000000 1.000000 0.000000 1.000000 -1.000000 V [3] 0.000000 0.000000 0.000000 1.000000 1.000000 -1.000000 1.000000 -1.000000 V [f ] 0.000000 0.000000 1.000000 1.000000 1.000000 0.000000 1.000000 -1.000000 Tercer escenario: indica la presencia del evento AN Resultado: no se presentan RC y por tanto B||V SN RSN P AP RC AN B┴V B||V V [i ] 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 V [1] 0.000000 0.000000 -1.000000 -1.000000 -1.000000 0.000000 0.000000 0.000000 V [2] 0.000000 0.000000 0.000000 -1.000000 -1.000000 1.000000 -1.000000 1.000000 V [3] 0.000000 0.000000 -1.000000 -1.000000 -1.000000 0.000000 -1.000000 1.000000 V [f ] 0.000000 0.000000 0.000000 -1.000000 -1.000000 1.000000 -1.000000 1.000000
65
Cuarto escenario: indica la presencia del evento B||V Resultado: no se presentan RC SN RSN P AP RC AN B┴V B||V V [i ] 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 V [1] 0.000000 0.000000 0.000000 -1.000000 -1.000000 0.000000 -1.000000 0.000000 V [f ] 0.000000 0.000000 0.000000 -1.000000 -1.000000 0.000000 -1.000000 1.000000 Quinto escenario: indica la presencia de los eventos SN y P Resultado: se presentan RC y por tanto B┴V
SN RSN P AP RC AN B┴V B||V V [i ] 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 V [1] 0.000000 1.000000 1.000000 1.000000 0.000000 -1.000000 1.000000 -1.000000 V [f ] 0.000000 0.000000 1.000000 1.000000 1.000000 -1.000000 1.000000 -1.000000 Sexto escenario: indica la presencia de los eventos SN y AN Resultado: se presentan de RC y por tanto B┴V
SN RSN P AP RC AN B┴V B||V V [i ] 1.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 V [1] 0.000000 1.000000 0.000000 0.000000 -1.000000 0.000000 1.000000 -1.000000 V [f ] 0.000000 0.000000 0.000000 1.000000 1.000000 0.000000 1.000000 -1.000000
66
CAPÍTULO 5:
APLICACIÓN
Introducción
En este capitulo se describe el funcionamiento del sistema de predicción
de efectos de supernova (SIPRES).
5.1. Inicio del SIPRES
El sistema muestra la siguiente ventana de inicio (Fig. 5.1):
Fig. 5.1. Ventana de inicio
Para entrar al menú principal haga clic en Entrar.
67
5.2. Interacción con la interfaz
La ventana de menú principal se muestra en la Figura 5.2.
Fig. 5.2. Ventana del menú principal
En esta ventana es posible seleccionar cualquier efecto que se desee predecir.
a) Seleccionar el efecto
b) Dar clic en Aceptar
Dependiendo del efecto a predecir se abrirá una ventana diferente.
68
En caso de seleccionar Formación estelar, la ventana que aparece se muestra
en la figura 5.3:
Fig. 5.3. Ventana del efecto: Formación estelar
En caso de seleccionar Estructura del medio, la ventana que aparecerá se
muestra en figura 5.4:
Fig. 5.4. Ventana del efecto: Estructura del medio
69
En caso de seleccionar Formación de rayos cósmicos, la ventana que
aparecerá se muestra en la figura 5.5:
Fig. 5.5. Ventana del efecto: Formación de rayos cósmicos
En caso de no desear simular cualquiera de los efectos, es posible regresar al
menú principal con el botón Regresar de cada una de las ventanas.
En caso de seleccionar el escenario adecuado, dar clic en el botón Aceptar,
generara la siguiente ventana (Fig. 5.6) con la interpretación del resultado de la
simulación.
70
Fig. 5.6. Ventana de resultados
5.3. Fin de la interacción
Para finalizar la sesión en el sistema solo basta dar clic en el botón Salir de la
ventana de resultados. Fig. 5.6.
71
Conclusiones
En este trabajo se desarrolla un SBC, y debido a que la base de
conocimiento constituye uno de los puntos esenciales, es importante elegir una
adecuada representación del conocimiento la cual nos permita manejar
conocimiento incierto, por tanto los MCD se convierten en una buena forma de
representación en nuestro dominio de aplicación.
Otro punto importante es que los hechos implicados en el sistema
presentan imprecisión en los datos e incertidumbre en las piezas de
conocimiento, por lo cual los
MCD nos brindan la posibilidad de trabajar bajo estas condiciones, además de
que nos permiten manejar la complejidad de predecir los efectos producidos
por supernova.
Un sistema en este caso es una aportación interesante dado que se esta
trabajando con escenarios probables y sus posibles consecuencias, y estas
últimas son el motivo de estudio de los científicos.
72
Apéndice
Este apéndice incluye la base de conocimiento de los efectos generados por SN, además de los métodos que representan el motor de inferencia para el sistema. Base de conocimiento del efecto: Formación estelar public double[][] BCFormacion(int p,int q) { int i,j; double[][] mat = new double[p][q]; for (i = 0; i < p; i++) for (j = 0; j < q; j++) mat[i][j] = 0; mat[0][5]=mat[0][6]=mat[3][2]=mat[3][6]=mat[4][0]=mat[4][5]=1; mat[4][6]=mat[5][6]=1; mat[0][2]=mat[1][6]=mat[2][1]=mat[2][5]=mat[2][6]=mat[3][5]=-1; mat[4][2]=mat[5][2]=-1; return mat; } Base de conocimiento del efecto: Estructura del medio public double[][] BCEstructura(int p,int q) { int i,j; double[][] mat = new double[p][q]; for (i = 0; i < p; i++) for (j = 0; j < q; j++) mat[i][j] = 0; mat[0][1]=mat[0][2]=mat[1][2]=mat[2][0]=mat[3][1]=mat[3][2]=1; mat[3][4]=mat[4][3]=mat[5][6]=mat[6][5]=1; mat[7][0]=mat[7][1]=mat[7][2]=mat[7][4]=mat[7][6]=-1; return mat; }
73
Base de conocimiento del efecto: Generación de rayos cósmicos public double[][] BCRayos(int p,int q) { int i,j; double[][] mat = new double[p][q]; for (i = 0; i < p; i++) for (j = 0; j < q; j++) mat[i][j] = 0; mat[0][2]=0.8; mat[0][5]=0.2; mat[0][1]=mat[0][3]=mat[0][6]=mat[1][3]=mat[1][6]=mat[2][3]=1; mat[2][6]=mat[3][4]=mat[3][6]=mat[4][6]=mat[6][3]=mat[6][4]=1; mat[0][7]=mat[1][7]=mat[2][5]=mat[2][7]=mat[3][7]=mat[4][7]=-1; mat[5][2]=mat[5][3]=mat[5][4]=mat[6][7]=mat[7][3]=mat[7][4]=-1; mat[7][6]=-1; return mat; } Motor de inferencia public double[][] agregaVectorAMatriz(int c,int s, double[][]vec, double[][]matresu) { int i,h=0; for (i = 0; i < s; i++) matresu[c][i]=vec[h][i]; return matresu; } public double[][] MXMatriz(int m,int q ,double[][] vec, double[][] mat) { int i,j,k; double [][] vecr = new double[m][q]; for(i=0; i<m; i++) for (j=0 ; j<q; j++) { vecr[i][j]=0; for(k=0; k<q; k++) vecr[i][j]=vecr[i][j]+vec[i][k]*mat[k][j]; } return vecr; } public double[][] ajustar(int m,int n,double[][] vec)
74
{ int i,j; double [][] vecaux = new double[m][n]; for (i = 0; i < m; i++) for (j = 0; j < n; j++) if (vec[i][j]>=0.5) vecaux[i][j]=1; else if (vec[i][j]>=-0.49) vecaux[i][j]=0; else vecaux[i][j]=-1; return vecaux; } public boolean comparar (int r, int s, double[][]vecaux, double [][]matresu) { boolean ban=false; int i,j,h,a; boolean [] comprueba = new boolean[s]; for (i = 0; i < s; i++) comprueba[i]=false; for (i = 0; i < r; i++) { h=0; a=0; for (j = 0; j < s; j++) if (matresu[i][j]==vecaux[h][j]) comprueba[j]=true; else comprueba[j]=false; for (j = 0; j < s; j++) if (comprueba[j]== true) a+=1; if (a==s) { ban=true; break; } } return ban; }
75
Referencias [1] Bohigas, Joaquin. & Rosado, Margarita, Explosiones de supernova y sus remanentes, Temas Selectos de Astrofísica, Compilador Peimbert, M., UNAM, 1984. [2] Khan, M.S., Chong, A., Quaddus, M.. Fuzzy cognitive Maps and Intelligent Decision Support – a Review. School of Information Technology, Murdoch University, Graduate School of Business, Curtin University of Technology, GPO Box U, 1987.
[3] Laureano-Cruces, A. Interacción Dinámica en Sistemas de Enseñanza Inteligentes. Tesis Doctoral. Instituto de Investigaciones Biomédicas. UNAM , (2000). http://delfosis.uam.mx/~ana/
[4] Laureano-Cruces, A and Barceló-Aspeitia, A. Formal verification of multiagent systems behavior emerging from cognitive task analysis. Journal of Experimental & Theoretical Artificial Intelligence, Vol 14, No.4, pp: 407-431, 2003. [5] Laureano-Cruces, A; Espinosa-Paredes, G; Behavioral design to model a reactive decision of an expert in geothermal wells, International Journal of approximate reasoning, Vol 39, Issue 1, Pages 1-28, 2005. [6] Laureano, A., Ramírez, J., Mora, M., Terán, A. Inference Engine To Elicit The Cognitive And Emotive Interventions Of A Pedagogical Agent. International Journal of Intelligent Systems (Sometido). Wiley. Marzo 2006. [7] Laureano, A., Ramírez, J., Terán, A. Evaluation of the Teaching- Learning Process with Fuzzy Cognitive Maps. IBERAMIA-04. Advanced in Artificial Intelligence. Serie Lecture Notes in Artificial Intelligence. Springer- Verlag. ISBN: 3-540-23806-9. Vol. 3315. pp. 922-931. 2004 [8] Luger,G.F. Stubblefielf, W. A. Artificial Intelligence. Structures and Strategies for Complex Problem solving, 3rd edition, Addison Wesley Longman, Inc. Harlow, England, 1998. [9] Marcellin Jacques, Sergio. Inteligencia Artificial, Aprendizaje y Sistemas Expertos. Maestría en Ciencias de la Computación, IIMAS - UNAM., 1997. [10] Marcellin Jacques, Sergio. El K= Conocimiento. Maestría en Ciencias de la Computación, IIMAS - UNAM., 1996. [11] Mira J., Delgado A.E, Boticario J.G, Díez F.J, Aspectos Básicos de la Inteligencia Artificial, Sanz y Torres, Madrid España, 1996.
76
[12] Mohr, Stephen. The use and interpretation of Fuzzy Cognitive Maps. Master’s Project. Rensselaer Polytechnic Institute, 2004. http://www.voicenet.com/ ~mohr/fcm_white.html. [13] Nils J. Nilsson, Artificial Intelligence: A New Synthesis, Morgan Kaufman Publishers, Inc, San Francisco, 1998 [14] Peláez, C. E., Bowles, J. B. Applying Fuzzy Cognitive Maps Knowledge-Representation to Failure Modes Effects Analysis. IEEE Proceedings Annual Reliability and Maintainability Symposium. 0149-144X/95., 1995. [15] Peláez, C.E., Dowles, J. B. Using Fuzzy Cognitive Maps as a System Model for Failure Modes and Effects Analysis. Information Sciences 88, 177-199. Elsevier Science Inc., 1996. [16] Rich, E. Knight, K. Inteligencia Artificial, Segunda edición, Mc Graw Hill 1994 [17] Sánchez Rivera, Sandra, Adquisición del Conocimiento, Maestría en Ciencias de la Computación, IIMAS- UNAM, 1993. [18] Santillán González, Alfredo J., Hernández Cervantes, Liliana., Franco, José. “Simulaciones numéricas en astrofísica”. Revista Digital Universitaria. 2004 <http://www.revista.unam.mx/vol.5/num4/art24/art24.htm> [19] Voisin Bruno, Mining Astronomical Data, H.C. Mayr et al (Eds): DEXA 2001, LNCS 2113, pp. 621-631. Springer-Verlag Berlin Heidelberg. 2001. [20] Giarratano, Joseph., Riley, Gary. Sistemas Expertos Principios y Programación, Tercera edición, International Thomson Editores, México D.F, 2001. [21] Russell,Stuart., Norvig, Peter. Inteligencia Artificial: Un enfoque moderno, Segunda edición, Pearson Educación, Madrid España, 2004. [22] Cruz Miguel, Rosa Elena, Creación de una base de conocimiento para un sistema de enseñanza para java básico, Maestría en Ciencias de la Computación, UAM-Azcapotzalco, 2006. [23] Méndez Gurrola, I., Laureano-Cruces, A., Santillán González, A. Mapas cognitivos difusos: una representación para predecir los efectos de las supernovas. Memorias en CD, ISBN: 970-31-0751-6. En el XIX Congreso Nacional y V Congreso Internacional de Informática y Computación de la ANIEI. Tuxtla Gutierrez, Chiapas, 25-27 de octubre del 2006. [24] Karttunen, H., Kröger P., Oja, H., Poutanen, M., Donner, K.J. Fundamental Astronomy, 3rd Edition, Springer-Verlag Berlin Heidelberg New York, 1996.
77
[25] Leiton Thompson, Roger., Remanentes de Supernova, Universidad de La Serena – Cerro Tololo InterAmerican Observatory, Chile [26] Sánchez y Beltrán, J.P., Sistemas Expertos: Una metodología de programación, 1ra. Edición, Macrobit, México, 1990. [27] Ceballos Sierra, F.J., El lenguaje de programación Java, Editorial Alfaomega RA-MA, España, 2002. [28] Eckel, Bruce., Piensa en Java, 2da.Edición, Pearson Prentice Hall, España, 2004. [29] Kosko B, Fuzzy Cognitive Maps, International Journal of Machine Studies, Vol. 24, pp 65-75, 1986.
