Determination of the pigüe (Piptocoma
Discolor) energetic potential in the Ecuadorian Amazon.
Juan Elías González.[1],C=
ampo
Morillo Robles.[2],
Janneth García[3],
Janeth Cárdenas[4],
& Deny Oliva5
Recibido: 29-10-2018 / Revisado: 1-12=
-2018
/Aceptado: 20-12-2018/ Publicado: 05-01-2019
=
ABSTRACT =
DOI: <=
/span>https://doi.org/10.33262/cienciadigital.v3i1.287 <=
/span>
Three methods =
were
used to know the real value of caloric power, considering the margins of er=
rors
that are committed at the moment of calculating it, either by the method of
bromatological analysis, or proximal. For the bromatological analysis, and =
as a
standard the calorimetric pump, with results of 19.66% error, with a
reliability margin of 80.34%. It was therefore important to apply the three
methods and correct the errors using mathematical models. The analysis of t=
he
fiber was taken into account to readjust the calorimetric formula and the
constant to obtain reliable values of 98.7% and with a margin=
of error
of 1.3%. According to the theory of real errors, in relation to the data
obtained from the calorimeter was 19.07 (MJ / kg) as energetic potential of=
the
Pigüe, the other method was the proximal analysis, obtaining a margin of er=
ror
superior of 5,19 % and with a reliability of 94.81%. By means of a mathemat=
ical
modeling for fixed and volatile carbon, where the constant was adjusted and
adjusted through the integral formula, we obtained
99.9% reliable results for the calorific value in wood biomass for energetic
purposes for the Pigüe (Pollalesta<=
/i> discolor) in the Amazon region of
Ecuador.
Keywords: Caloric power, biomass, Pigüe and energy.
RESUMEN
Se utilizaron tres métodos para
conocer el valor real del poder calórico, considerando los márgenes de erro=
res
que se cometen al momento de calcularlo, ya sea mediante el método de análi=
sis
bromatológico, o proximal. Para el análisis bromatológico, y como patrón la
bomba calorimétrica, con resultados del 19,66% de error, con un margen de
confiabilidad del 80,34%. Por ello=
fue
importante aplicar los tres métodos y corregir los errores mediante modelos
matemáticos. Se tomó en cuenta el
análisis de la fibra para reajustar la fórmula calorimétrica y la constante
para lograr valores confiables del 98,7% y con un margen de error del
1,3%. Según la teoría de los error=
es
reales, en relación a los datos obtenidos del calorímetro fue de 19,07 (MJ/=
kg)
como potencial energético del Pigüe, el otro método fue el análisis proxima=
l,
obteniendo un margen de error superior de 5,19% y con una confiabilidad del
94,81%. Mediante modelación matemática planteado para carbonos fijos y
volátiles, donde fue modificada la constante y ajustada a través de la fórm=
ula
de integrales, se obtuvieron resultados confiables del 99,9% para el poder
calorífico en biomasas maderables con fines energéticos para el Pigüe (Pollalesta discolor) en la región
Amazónica del Ecuador.
<=
span
style=3D'font-size:12.0pt;line-height:115%;font-family:"Times New Roman",se=
rif'>Palabras
clave: Poder calórico, biomasa, Pigüe y energía.
INTRODUCCIÓN
La madera como combustible se remonta desde la
prehistoria del hombre, donde descubrió el fuego que servía para usos
domésticos. Sin embargo, en la actualidad los altos costos del petróleo han
obligado a muchos países a buscar la sustitución de las fuentes energéticas=
de
materiales lignocelulósicos, del recurso maderable para la producción de
energía
La
biomasa vegetal es una alternativa para la producción de energía a nivel
mundial. La conversión de los residuos en forma de energía requiere la
aplicación tecnológica acorde a las fuentes renovables de energía a través =
de
procesos bioquímicos, térmicos y físico químicos para los usos de generación
eléctrica
Las
alternativas para calcular el potencial energético, como el método
bromatológico, para las fuentes
renovables de energía, en la determinación del poder calorífico de las
siguientes biomasas vegetales: cas=
cara,
fibra, almendras, afrechos, cascarilla de café y bagazo de caña, en lo
referente al poder calorífico utilizaron una bomba calorimétrica, según la
Norma DIN 51900
Para
el análisis del poder calórico superior del carbón en once especies foresta=
les según
La
evaluación del poder calorífico superior de la biomasa vegetal, mediante la
bomba calorimétrica, presentó problemas de calibración, por este motivo se
utilizó soluciones químicas. Las
pastillas de la muestra deben contener un peso menor a un gramo, se debe
conocer las correcciones con azufre y ácido nítrico, este trabajo se basa e=
n el
estudio factorial, que provocan las variaciones y la determinación de valor
exacto del poder calorífico superior en muestras vegetales para su valoraci=
ón
Otro
método a través de la composición química del porcentaje del material volát=
il y
carbono fijo que aplicaron las ecuaciones para la determinación del valor
calórico quesestá basado en valores del análisis próximo
El
método que han utilizado otros investigadores en cuatro especies forestales=
, Acacia mearnsii De Willd., Euc=
alyptus
grandis Hill, Mimosa scabrella<=
/i>
Benth. y Ateleia glazioviana Ba=
ill;
para el ajuste del poder calorífico superior (PCS) de la madera, utilizamos
ecuaciones de regresión, en función de su contenido de material volátil (CM=
V),
cenizas (CC), carbono (CCF) y materia orgánica (CMO). Porque presenta
coeficientes de determinación, de ajustes superiores al 82%, el error están=
dar
de estimación 1.1% y distribución adecuada de residuos. Las ecuaciones que
implican CMV para A. mearnsii, CC para E. grandis y A. glazioviana, y los
elementos del análisis proximal para M. scabrella, son tan adecuadas para
estimar el PCS como las ecuaciones que incluyen más variables independiente=
s
En
vista que en la actualidad pocas son las instituciones de educación superior
que cuenta con equipos especializados para análisis calorimétricos de las b=
iomasas
forestales, fundamentalmente para la determinación del potencial energético=
, esto
conlleva a que se busque alternativas de métodos matemáticos que permitan la
determinación del poder calórico de las especies forestales, sin embargo la
mayor parte de estas instituciones cuenta con laboratorios de bromatología =
para
análisis de alimentos, y cometen errores aproximados entre el 15 y el 17,52=
%,
Según
lo expuesto anteriormente se consideró la investigación del Pigüe, a través=
de
la determinación de su potencial energético, aplicar los tres métodos
experimentales. El primero con bromatología de alimentos, segundo con análi=
sis
calorimetría proximal y el tercero con la bomba calorimétrica para evaluar =
las
diferencias y llegar al valor real del calorímetro como equipo especializado
para este propósito, en base a todos estos elementos se plantearán la teorí=
a de
errores propia y del cálculo diferencial para especies forestales.
Metodología.
Área de estudio y diseño experimental
Se utilizó el muestreo por
estratificación o sistemático, que permitió clasificar en unidades homogéne=
as
las áreas del bosque de Pigüe, y reducir la variabilidad en los árboles. Y =
fue
seleccionado las siguientes zonas de vegetación de Pigüe: el Cantón Pastaza=
, el
bosque secundario de la Parroquia Rural de Canelos; el Cantón Mera, el bosq=
ue
de la Parroquia Shell; en el Cantón Arajuno, el bosque de la zona norte de =
este
sector; y del Cantón Santa Clara, el bosque de la comunidad Shuar.
Figura
1. Ubicación de las fincas donde se realiz=
ó el
levantamiento de los datos de campo y características meteorológicas de los
Cantones estudiados Fuente: Instituto Nacional de Meteorología e Hidrología,
Quito – Ecuador 2015.
El tamaño de las parcelas se real=
izó
de acuerdo con el principio de (Akca, 1993), en donde contaban con 15 y 20
árboles (Murillo, 2004). Y su densidad de producción, o la intensidad del
muestreo, fue de cuatro parcelas por hectárea, con un área de 400 m2
(Spitler, 1995).
Los materiales y elementos
utilizados, fue un mapa, para la ubicación de las áreas y linderos, mediant=
e el
GPS, para cartografía y cuantificación de los árboles en las parcelas. El
estudio experimental, se realizó usando criterios de diámetros y categoriza=
ción
de la materia prima, empleando la siguiente clasificación 3 árboles por
categoría: primera (10 -15 cm), segunda (16 – 21 cm), tercera (22 – 27 cm) y
cuarta (28 – 33 cm) y con subtotal de 12 árboles por cantón dando un total =
de
48 árboles con características morfológicas semejantes, comprendidas entre =
esos
diámetros. Esta selección se realizó según la Norma TAPPI – cm-85 de 1985. =
Para
los análisis respectivos de las muestras fueron llevados a los siguientes
Laboratorio de Bromatología, perteneciente a la Universidad Estatal Amazóni=
ca
UEA, en la Provincia de Pastaza. Km 2½, vía Napo (paso lateral).
Determinación del potencial
energético
Los
materiales y métodos utilizados fueron de acuerdo a las siguientes métodos y
Normas: para el determinar el potencial energético
1.1. =
Brom=
atológico
Granulometría =
UNE-CEN/TS.
15149-2 EX
Humedad
NTE INEN 896
Cenizas NTE INEN 520.
Proteína bruta =
AOAC
19th 954.01
Grasa =
AOAC
19th 920.39
Fibra NTE INEN 542.
1.2. =
Calo=
rimetría
y proximal
Estos
análisis se realizaron en los laboratorios de la Universidad Estatal de Bol=
ívar
localizada en el cantón Guaranda Provincia Bolívar-Ecuador.
Calorímetro
Automático Isoperibólico 6400, que cuenta con un subsistema de enfriamiento=
de
circuito cerrado y la más alta automatización en colorimetría según
Cenizas
Norma 14775: 2=
009
Volátiles Norma UNE-EN 15148
Carbono
fijo Por diferencia de
cálculo.
2. =
Análisis datos
Previo
análisis estadístico se procedió a la utilización de las siguientes fórmulas
matemáticas para:
2.1. =
El a=
nálisis
bromatológico
Carbohidratos
totales CT =3D 100 - (H =
+ C + P
+ G) (1)
Dónde
CT
=3D carbohidratos totales,
H =3D humedad,
P =3D proteínas,
G
=3D grasa
C
=3D cenizas.
De
igual manera se utilizó con el mismo procedimiento para lograr calcular
2.2. =
Poder
calorífico
=
Dónde
A
=3D es (4 kcal) (% Carbohidratos Totales);
B
=3D es (9 kcal) (% Grasa) y
C
=3D es (4kcal) (% Proteína).
El
objetivo del calorímetro fue contar con datos reales y directos según algun=
os
autores es incrementar la exactitud, a través de la calibración usando mate=
rial
de referencia
Imagen
1.
Del calorímetro 6400 Fuente:
Sin
embargo, nuestro propósito fue comparar, analizar y corregir los errores que
cometieron, las Universidades como: La Escuela Superior Politécnica de Chim=
borazo,
Escuela Superior Politécnica Nacional del Ecuador y la Universidad Técnica =
de
Ambato, en sus investigaciones de las biomasas forestales o vegetales.
utilizando como patrón el calorímetro donde se propone reajustar los modelos
matemáticos y las constantes para llegar al valor real del potencial calóri=
co
de las especies forestales.
Resultados y Discusión.
Los
resultados aplicados para el ajuste de los errores calorimétricos de las
biomasas forestales, a través de los modelos matemáticos en relación a los =
análisis
bromatológicos, proximal y de la bomba calorimétrica para el cálculo real d=
el
potencial calórico del Pigüe, se valoran a continuación.
Análisis bromatológico
Tabla 1.
Calculo de carbohidratos totales de las biomasas forestales en las Universi=
dades
|
Universid=
ades |
% |
% Humedad=
|
%Proteína=
|
% Grasa |
% Cenizas=
|
Carbohidr=
atos
Totales |
|
ESPOCH |
100 |
9,1 |
0,79 |
0,52 |
0,51 |
89,08 |
|
EPN |
100 |
8,41 |
2,59 |
0,2 |
14,83 |
73,97 |
|
UTA |
100 |
9,68 |
1,54 |
2,13 |
1,53 |
85,12 |
|
UEA |
100 |
12 |
1,43 |
0,16 |
0,96 |
85,45 |
Elaborado
por: Grupo de Investigación.
Los
datos porcentuales físico-químicos del análisis bromatológico tomados de las
tres universidades y el estudio del aserrín de Pigüe realizados en la UEA. =
Son
semejantes a las biomasas con fines energéticos mostrados por
Tabla
2.
Composición química de la biomasa y reajuste en la misma de la biomasa.
|
Muestras |
Humedad
(%) |
Cenizas
(%) |
Fibra
(%) |
Proteína
(%) |
Grasa
(%) |
Carbohidratos
Totales (%) |
Universidades |
|
Aserrín |
9,10 |
0,51 |
61,66 |
0,79 |
0,52 |
89,08 |
ESPOCH |
|
Cascarilla de arroz |
8,41 |
14,83 |
32,02 |
2,59 |
0,20 |
73,79 |
EPN |
|
Briquetas |
9,68 |
1,53 |
48,33 |
1,54 |
2,13 |
85,12 |
UTA |
|
Pellets de Pigüe |
12,00 |
0,96 |
75,18 |
1,43 |
0,16 |
85,45 |
UEA |
Elaborado
por:
Grupo de Investigación.
Tabla
3.
Calculo del potencial calórico de las biomasas normales hasta la actualidad=
.
|
CÓDIGO =3D |
#. Constante |
Unidad |
% composición |
ESPOCH |
EPN |
UTA |
UEA |
|
|
|
|
|
|
|
|
|
|
A =3D |
4 |
kcal |
Carbohidratos T |
89,08 |
73,97 |
85,12 |
85,45 |
|
B =3D |
9 |
kcal |
Grasa |
0,52 |
0,20 |
2,13 |
0,16 |
|
C =3D |
4 |
kcal |
Proteína |
0,79 |
2,59 |
1,54 |
1,43 |
|
Poder calorífico (Kcal/100g) =3D |
364,16 |
308,04 |
365,81 |
348,96 |
|||
|
Multiplica por 1000 g que tiene un =
kg =3D
Kcal/kg |
3641,60 |
3080,4 |
3658,10 |
3489,60 |
|||
|
Poder
calorífico (MJ/kg) =3D |
15,24 |
12,89 |
15,310 |
14,60 |
Elaborado
por:
Grupo de Investigación.
Las técnicas de alimentos utiliza=
dos
en los laboratorios de las Universidades Ecuatorianas
Tabla
4.
Calculo calórico de biomasas reajustadas para un futuro análisis de biomasa=
s.
|
CÓDIGO |
Constante |
Unidad |
% composición |
ESPOCH |
EPN |
UTA |
UEA |
|
A =3D |
4 |
kcal |
Carbohidratos T |
89,08 |
73,97 |
85,12 |
85,45 |
|
B =3D |
9 |
kcal |
Grasa |
0,52 |
0,20 |
2,13 |
0,16 |
|
C =3D |
4 |
kcal |
Proteína |
0,79 |
2,59 |
1,54 |
1,43 |
|
D=3D |
1,5 |
Kcal |
Fibra |
61,66 |
32,02 |
51,33 |
75,18 |
|
Poder calorífico (Kcal/100g) =3D |
456,65 |
356,07 |
442,805 |
461,73 |
|||
|
Multiplica por 1000 g que tiene un =
kg =3D
Kcal/kg |
4566,50 |
3560,70 |
4428,05 |
4617,3 |
|||
|
Poder calorífico (MJ/kg) =3D |
19,11 |
14,90 |
18,53 |
19,32 |
Elaborado
por:
Grupo de Investigación.
En esta tabla se logró incorporar=
la
constante y el porcentaje de fibra en su composición, propuesto por la FAO
(Food and Nutrition paper 77: Food energy methods of analysis and conversion
factors, 2003) como se encuentra en él
Análisis proximal
Tabla
de datos de las diferentes biomasas y productos forestales de las Universid=
ades
Ecuatorianas, que permitirá calcular el valor calorífico, para realizar la
corrección de los errores de este tipo de análisis.
Tabla
5.
Promedios de análisis proximal de las biomasas y productos forestales
|
PARAMETRO=
S |
ESPOCH |
EPN |
UTA |
UEA |
|
Briquetas=
de
Aserrín |
Cascarill=
a de
arroz |
Briquetas=
de
Nuez |
Pellets de
Pigüe |
|
|
% Volátil=
es |
90,03 |
57,09 |
Ninguno |
84,98 |
|
% Carbono=
|
0,36 |
16,11 |
14,46 |
|
|
% Cenizas=
|
0,51 |
19,39 |
0,96 |
Elaborado
por:
Grupo de Investigación.
Para este cálculo se consideró la
ecuación del contenido de
volátiles y carbono fijo planteadas por
Tabla
6. Promedio
del potencial calórico de las biomasas y productos forestales
|
Muestras |
Análisis
Bromatológico |
Análisis
Bomba Calorimétrica |
Análisis
último o Próximo |
Universid=
ades |
|
Briquetas de aserrín de madera |
15,24 |
Ninguno |
17,52 |
ESPOCH |
|
Cascarilla de arroz |
12,04 |
12,70 |
15,58 |
EPN |
|
Briquetas de nuez |
15,31 |
Ninguno |
Ninguno |
UTA |
|
Pellets de Pigüe |
19,32 |
19,07 |
20,06 |
UEA |
=
Elaborado
por:
Grupo de Investigación.
Determinación del error experimen=
tal
en el potencial calórico de la biomasa
En
esta tabla todavía persiste % de confiabilidad y del margen de error, del
análisis bromatológico y proximal. Sin
embargo, aún persiste el error, por todas estas razones descritas para el
análisis del potencial energético en biomasa o productos forestales.
Tabla
7. Porciento
de confiabilidad y margen de error que se cometen
|
Muestras<= o:p> |
Análisis
Bromatológico |
Análisis
Bomba Calorimétrica |
Análisis =
último
o Próximo |
Universid=
ades |
|
Briquetas=
de aserrín
de madera |
15,24 |
Ninguno |
15,98 |
ESPOCH |
|
% de
confiabilidad |
100 |
95,369211=
51 |
||
|
% de marg=
en
de error |
100 |
4,6307884=
86 |
||
|
Cascarill=
a de
arroz |
12,04 |
12,7 |
15,58 |
EPN |
|
% de
confiabilidad |
100 |
94,803149=
61 |
122,67716=
54 |
|
|
% de marg=
en
de error |
100 |
5,1968503=
94 |
22,677165=
35 |
|
|
Pellets de
Pigüe |
19,32 |
19,07 |
20,06 |
UEA |
|
% de
confiabilidad |
100 |
101,31095=
96 |
94,808599=
9 |
|
|
% de marg=
en
de error |
100 |
-1,310959=
622 |
5,1914001=
05 |
Elaborado por:
Grupo de Investigación.
Tabla
8.
Errores corregidos mediante los modelos matemáticos
|
Tipo de
muestras |
Análisis
Bromatológico |
Análisis
Bomba Calorimétrica |
Análisis
último o Próximo |
Universid=
ades |
|
Briquetas=
de
aserrín de madera |
19,11 |
Ninguno |
17,52 |
ESPOCH |
|
Cascarill=
a de
arroz |
12,70 |
12,7 |
12,7 |
EPN |
|
Pellets de
Pigüe Corregido el error |
19,07 |
19,07 |
19,07 |
UEA |
Elaborado
por:
Grupo de Investigación.
En
la tabla 8, se puede observar las correcciones demostradas con los modelos
matemáticos propuestos para las correcciones de los errores y que se plante=
ados
a partir de toda la información donde fue demostrado los errores que se com=
eten
a la hora del cálculo del valor energético de las biomasas forestales.
Modelos Matemáticos propuestos pa=
ra
la corrección de errores
Aplicando la teoría de ecuaciones
para la composición Bromatológica
Donde
se incorpora el % fibra y su constante 1,5 (Kcal/100g), en la fórmula del
cálculo para el valor calórico.
Aplicando la teoría de errores pa=
ra
bromatología
Error absoluto
Los
valores de las magnitudes y las diferencias que existe, entre el valor real
medido, con el obtenido en el valor calórico en MJ/kg, la diferencia de los
valores de calorimetría medidos con el error absoluto expresados, las unida=
des
calóricas. Así X es el valor medido, en los análisis bromatológicos, elemen=
tal
o según sea el caso X* el valor real de la bomba calorimétrica y ΔX el
error instrumental o sensibilidad del aparato medido satisface la relación =
en
los análisis bromatológicos, frente a la bomba calorimétrica entalpica, que
arroja valores exactos por sus calibración y patrones utilizados para la
obtención de los resultados de los valores reales.
<=
![if !msEquation]>
Que representa en forma
Si
bien es cierto el error instrumental conocido, como parámetro básico para la
efectividad o aproximación de la medida, fue importante llegar al.
Error relativo
Este
viene definido como el cociente entre el error absoluto y valor real X* de =
la
magnitud como se describe a continuación.
Donde
x es el valor medido u obtenido utilizando la segunda expresión, como es
habitual no conocemos el valor real de la magnitud, la costumbre de expresa=
r el
error relativo porcentualmente.
Mediante
la expresión de la teoría del error real, nos permitió llevar a cabo la
corrección del error experimental, en el caso del análisis del poder calóri=
co
de las biomasas y productos forestales, que están descritas en la tabla 7. =
Con
un margen de error del más o menos de 1,9%, que sobrepasa a la bomba
calorimétrica, el margen de confiabilidad equivale al 98,7% para el caso del
estudio de los pellets de Pigüe.
Tomando en cuenta esta información permitió plante=
ar
la siguiente ecuación.
Donde:
PCR
=3D Poder calórico real.
PCB
=3D poder calórico bromatológico
ER
=3D Promedio del error real experimental
En base al potencial calórico bromatológico, y
proximal de los resultados ayudaron ha validar la información obtenida del
análisis demostrados por
Calculo Integr=
al
para análisis próximo.
Los propósitos fueron llegar a una
confiabilidad del 99,9%, para los valores calóricos de las biomasas, permit=
an
diseñar apropiadamente los equipos industriales y de acuerdo a las necesida=
des
reales de la información se plantea el siguiente cálculo.
Donde:
Pc=3D
potencial calórico experimental de la bomba entálpica
X=3D
constante para carbones fijos de la biomasa según
Cf=3D
% Carbones fijos de la biomasa
V=3D
% volátiles
Y=3D
factor de corrección para volátiles experimentales
Como
se puede observar en la fórmula 14, solo se puede trabajar en los compuestos
volátiles de la ecuación y aplicar el factor de corrección respectivo de
estos.
Conclusiones.
· =
Los
tres métodos utilizados para la determinación del potencial energético del
Pigüe, en comparación con otras biomasa y productos de recursos forestales,
estudiadas en tres Universidades del Ecuador, permitió determinar el potenc=
ial
calórico real de la biomasa forestal.
· =
La
selección de los tres métodos: análisis bromatológico, proximal y el
calorímetro, ha permitido diseñar modelos matemáticos planteados para obten=
er
el valor calórico real.
· =
La
aplicación de las normas y parámetros fueron otros elementos para el diseño=
de
los modelos matemáticos y la aproximación real, obteniendo una confiabilidad
del 99,9 %. según el poder calorífico y la norma ASTM D-240, para combustib=
les
(referida al peso seco). y lograr una combustión eficiente en la caldera.
· =
La
teoría de errores y calculo diferencial, con estos modelos matemáticos
ajustados permitió desarrollar una herramienta matemática para el desarroll=
o de
otros estudios similares para la determinación del potencial calórico.
Referencias
bibliográficas.
Alcivar, M., Escobar, H., &
Puris, A. (2016). Aplicaciones de Mineria de Datos en Marketing. Dialnet=
,
503-512.
Alfaro, C., Alfaro, J., & Monge, R. (2014). =
Tics
en las Pymes de Centroamérica: Impacto en la adopción de las tecnologías de=
la
información y comunicación en el desempeño de las empresas. Costa Rica:
IDRC.
Alles, M. (2005). Diccionario por competencia=
.
Buenos Aires: Ediciones Granica S.A.
Alles, M. (2012). Desarrollo del talento huma=
no
basado en competencias. Buenos Aires: Granica.
Álvarez, J., Álvarez, I., & Bullón, J. (2014=
). INTRODUCCION
A LA CALIDAD: Aproximación a los sistemas de gestión y herramientas de cali=
dad.
España: Ideaspropias.
Amaya, J. (2014). Toma de Decisiones Gerencia=
les:
Métodos cuantitativos para la administración (Segunda ed.). Bogotá: ECOE
EDICIONES.
Anandan, S.=
, Malik,
S., Singh, M., Sistla, S., & wright, S. (2013). Pro Share Point 2013:
Business Intelligence Solutions. California:
Apress.
Arias, F. (1999). El Proyecto de Investigació=
n.
Guía para su elaboración (Vol. 3). Caracas, Venezuela: ORIAL.
Banco Mundial . (1 de Octubre de 2014). Banco
Mundial BIRF AIF. Recuperado el 1 de Enero de 2016, de
http://www.bancomundial.org/es/region/lac/overview
Barrera, D., Acosta, M., Armenteros, Y., Morales=
, J.,
& Ramírez, B. (2016). Competencias directivas en el sector industrial:
medición del desempeño en empresas de Coahuila, México. Revista
Internacional Administración & Finanzas, 1-28.
Camargo, J., Camargo, J., & Joyanes, L. (201=
5). Knowing the=
big
data . Scielo, 63-77.
Cano , J., Panizo, C., Garcia, F., & Rodrigu=
ez, J.
(2015). Desarrollo de Estrategias Competitivas para la Industria del Carbón=
en
Norte de Santander. Revista ESPACIOS, 1-16.
Caralt, J., & Díaz, J. (2013). Introducci=
ón al
Business Intelligence. Barcelona: UOC.
Carrión, J. (2013). Estrategia de la visión a=
la
acción (Segunda ed.). Madrid: ESIC.
Carvalho, L=
.,
Paraguacu, F., & López, R. (2013). Amodel of Decision-Making based on
theory of persuasion used in MMORPGS. Scielo, 37-43.
Castro, Y.,=
&
Leonard, E. (2013). Methodologies to develop Data Warehouse. Dialnet,
1-12.
Chen, w., D=
íaz, H.,
Kamath, R., Kelly, A., Roberts, M., & Yheng, Y. (2015). Systems of
Insight for Digital Transformation. New York: Red Books.
Chiavenato, I. (2009). Gestión del Talento Hu=
mano .
Sao
Paulo: Mac Graw Hill.
Coronel, C.,
Morris, S., & Rob, P. (2014). Database systems: Design, implementati=
on
and management. México: Cengage
Learning.
Diario la Hora. (03 de Noviembre de 2017). ww=
w.diariolahora.
Obtenido de www.diariolahora.: https://lahora.com.ec/noticia/1101057110/aum=
ento-en-costos-de-los-insumos-afecta-a-textileros
Díaz, S., &=
amp;
Sandoval, E. (2016). Decision making and adaptation processes to climate
change. Scielo, 175-194.
Echeverría , B. (2002). Gestion de la competenci=
a de
acción profesional. Revista de investigación educativa, 7-48.
Echeverria Cruz, M. A., & López Mena, O. A.
(2010). Caracterización energética de la cascarilla de arroz para su
aplicación en la generación de energía termoeléctrica. Quito: Escuela
Politécnica Nacional.
Flores, B., Gil, A., & Gonzáles, F. (2011). =
Proceso
para la toma de decisiones en un entorno globalizado. Madrid: ARECES.
Fonseca, E. (2011). Desarrollo de un proceso
tecnológico para la obtención de briquetas de aserrín de madera y cascarill=
a de
arroz, y pruebas de producción de gas pobre. Riobamba: Escuela Superior
Politécnica de Chimborazo. Obtenido de
file:///C:/Users/jgonzalez/Desktop/Información%20escritorio%202017/Archivos=
%20de%20articulos%20de%20pelets%202017/15T00495%20tesis%20de%20Briquetas%20=
Tingo%20y%20Fonseca%20ESPOCH.pdf
Foroantiguo. (2015). Calculo de calorias tota=
les.
alceingenieria.net.
Galeano, M. (2004). Diseño de proyectos en la
investigación cualitativa. Medellin, Colombia: Fondo Editorial Universi=
dad
EAFIT.
Galeano, M. (2015). Diseño de proyectos en la
investigación cualitativa. Medellín: Eafit.
Gauchet, T.=
(2014).
SQL SERVER 2008 R2: Deploying and Deploying a Business Intelligence
Solution. Barcelona: ENI.
Gómez , M. (2006). Introducción a la metodolo=
gía de
la investigación científica. Córdoba, Argentina: Editorial Brujas.
Gómez Alexander, K., Rincón, S., & Wiest, W.
(2004). Transformación termquímica de la biomasa residual del proceso de
extración del aceite de plama: tecnologias y perspectivas. El transforma=
dor
de la Palma, Vol. 25, Núm. . Obtenido de
https://publicaciones.fedepalma.org/index.php/palmas/article/view/1104
González , S., González , M., & Ordaz, C. (2=
014).
Principales habilidades y conociminetos del ingeniero en gestión empresarial
solicitadas actualmente en el mercado laboral de León, Silao y San Francisco
del Rincón, Guanajuato. Jóvenes Investigadores, 226-231.
González D, J. E., Cortés, L. L., & Sánchez
Rodríguez, Á. (2010). Calorimetría Adiabática y sus aplicaciones. Calori=
metria
Adiabática y sus aplicaciones (págs. 1-7). México: Simposio de Metrolog=
ía.
Obtenido de https://www.cenam.mx/sm2010/info/carteles/sm2010-c38.pdf
González, J., Guitart, I., & Ramón, J. (2016=
). Cómo
planificar un proyecto de inteligencia de negocios? Barcelona: UOC.
Guerra, L., & Vanegas, E. (2013). Sistema de
inteligencia de negocios para el apoyo al proceso de toma de decisiones. Redalyc, 25-34.
Hammerstein=
, P.,
& Stevens, J. (2012). Evolution and the mechanisms of decision makin=
g.
London: MIT.
Heredero, C., López, J., Medina, S., & Romo,=
S.
(2012). Informática y comunicaciones en la empresa. Madrid: Esic.
Inec. (20=
12
йил 16-Octubre). Ecuador en Cifras. From
http://www.ecuadorencifras.gob.ec/wp-content/descargas/Infoconomia/info6.pd=
f
Instituto Nacional de Encuesta y Censos. (2015).=
Encuesta
Nacional de Empleo, Desempleo y Subempleo. San Fransisco de Quito:
Instituto Nacional de Encuestas y Censos.
Jáñez, T. (2013). Metodología de la investiga=
cón en
derecho: Una orientación metódica. Caracas: UCAB.
Joyanes, L. (2013). Big Data: Análisis de gra=
ndes
volúmenes de datos en organizaciones. México: Alfaomega.
Manuel, E., & Castillo, U. (2015). Determina=
ción
del Poder Calorífico de 20 especies forestales de Amazonía Peruana. Fore=
stal
del Perú, 12, 1-20. Obtenido de
http://cedinfor.lamolina.edu.pe/Articulos_RFP/Vol12_no1-2_84_(16)/vol12_art=
8.pdf
Márquez-Montesino, F., Carbollo-Abreu, L.,
Álvarez-Olivera, A., & Castillo-Ramos, R. (2009). Estudio de las
posibilidades energéticas de la madera de Jambolán (Syzygium Cuminii), del
Municipio de Pinar del Río, Cuba. AVANCES, 1- 9. Obtenido de
ww.ciget.pinar.cu/Revista/No.2009-3/articulos/Estudio_posibilidades_energ_m=
adera_jambol.pdf
Márquez-Montesino, F., Cordero Alcántara, T.,
Rodríguez-Mirasol, J., & Rdríguez Jiménez , J. (2001). Estudio del
Potencial Energético de Biomasa de la Provincia de Pinar del Río. (M.
Universidad Autónoma Chapingo, Ed.) Chapingo Serie Ciencias forestales y=
del
ambiente, 7, 1- 8.
Martínez M, A. L. (2017). Nutrición y aliment=
ación
animal. Universidad de Cordova, Producción Animal, España. Obtenido de
http://www.uco.es/zootecniaygestion/img/pictorex/17_17_30_Valoracion_de_Ali=
mentos.pdf
Muñoz, A., Vergara, L., & Vivero, S. (2013).
Aproximación al proceso de toma de decisiones en la empresa baranquillera. =
Redalyc,
1-38.
Naresh, M. (2014). Investigación de mercados =
un
enfoque aplicado (Cuarta ed.). México: Pearson Education.
Nuñez, L., & Reyes, Y. (2015). La inteligenc=
ia de
negocio como apoyo a la toma de decisiones en el ámbito académico. Latin=
dex,
3(2), 63-73.
Organización Internacional del Trabajo . (2015).=
Panorama
Laboral 2015. Lima: Oficina Regional para América Latina y el Caribe.
Ortiz, A., Chicaiza, R., & Chiliquinga, L. (=
2016).
Aproximación sobre la inteligencia de negocios en las PYME. Dialnet,
370-382.
Osterwalder, A., & Pigneur, Y. (2013). Bu=
siness
Model Generation . Barcelona: DEUSTO.
Pantoja-Bucheli, A. D., & Guerrero-Ordoñez, =
J. C.
(oct. 2016). Metodología para el aprovechamiento del potencial energético c=
on
biomasa forestal en el departamento de Nariño caso de estudio. Ingenierí=
a,
Solidaria, vol. 12, no. 20, pp. 43-59,. Obtenido de doi:
http://dx.doi.org/10.16925/in.v19i20.1415
Parr, I. C. (2016). Calorimetria de bomba de
oxígeno. Parr. Obtenido de http://www.parrinst.com/es/products/oxygen-b=
omb-calorimeters/
Patiño Martínez, P. (02 de Junio de 2014). Bioma=
sa
Residual vegetal: Tecnologías de transformación y estado actual. Innovac=
iencia,
2(1): 45-52, 8.
Peñaloza, M. (2010). TEORIA DE LAS DECISIONES. <=
i>Redalyc,
227-240.
Porter, M. (2012). Estrategia y ventaja
competitiva: Líderes del management. Bogotá: DEUSTO.
Porter, M. (2015). Estrategia Competitiva: Té=
cnicas
para el análisis de los sectores industriales y de la competencia (Segu=
nda
ed.). México D.F: Patria.
Proecuador. (12 de Septiembre de 2016). www.p=
roecuador.gob.ec.
Obtenido de www.proecuador.gob.ec:
http://www.proecuador.gob.ec/compradores/oferta-exportable/textiles-y-confe=
cciones/
RA Rojas Medina. (14 de 04 de 2017). www.bdig=
ital.unal.edu.co.
Obtenido de www.bdigital.unal.edu.co:
http://www.bdigital.unal.edu.co/12101/1/ricardorojasmedina.2014.pdf
Rico, D., & Rosado, A. (2013). Inteligencia =
de
negocios: Estado del arte. Dialnet, 321-326.
Rivera , P., & Uceda, M. (2004). caracterist=
icas
fisico - quimicas de la madera y carbon de once especies forestales peruana=
s.
(F. d. CEDINFOR, Ed.) Revista forestal de Perú, 14 (2), 1-8. Obtenid=
o de
http://revistas.lamolina.edu.pe/index.php/rfp/article/viewFile/137/135
Rodríguez, J. (2014). Cómo hacer inteligente =
su
negocio: Business Intelligence a su alcance. México D.F: Patria.
Rúiz, M. (2011). Políticas públicas en salud =
y su
impacto en el seguro popular en Culiacán, Sinaloa, México. Tesis inédita.
Sinaloa, México: Universidad Autónoma de Sinaloa.
Salazar, L. (2014). Las practicas preprofesio=
nales
y la relación con el nivel de inserción en el mercado laboral de los
estudiantes de la Crrera de Marketing y Gestión de Negocios de la Facultad =
de
Ciencias Administrativas de la Universidad Técnica de Ambato tesis enédita.=
Ambato, Ecuador: Universidad Técnica de Ambato.
San Miguel, P. (2012). Calidad. Madrid:
Paraninfo.
Sanchez, O. G. (20 de Agosto de 2013).
Schauwn. (22 de Septiembre de 2013).
Silva1, D. A.-D., Otomar-Caron2, B., Sanquetta1,=
C.
R., Behling, A., Scmidt, D., Bamberg, R., . . . Dalla-Corte, A. P. (2014).
Ecuaciones para estimar el poder calorifico de la madera de cuatro especies=
de
árboles. RCHSCFA Revista Chapingo serie ciencias forestales y del ambien=
te,
20 no.2 , 1-10. doi:http://dx.doi.org/10.5154/r.rchscfa.2013.09.035
Solleiro, J., & Valle, M. (2013). Estrate=
gias
competitivas de la industria alimentaria. México D.F: Plaza y Valdés.
Suarez, J., Castro, R., & Maseda, F. (1999).=
Evaluacion
del poder calorifico superior. Invest. Agr.: Sist. Recur. For., Vol. 8 (=
1), ,
1- 9.
Swift, R. (2014). CRM: Cómo mejorar las relac=
iones
con los clientes. México: Prentice Hall.
Tamayo, M. (2013). El proceso de la investiga=
ción
científica (Cuarta ed.). México: Limusa.
Taylor, B. =
(2014). Professional
decision making in social work practice. Corwall: Learning Matters.
Taylor, J. =
(2012). Decision
Management Systems. Boston: Pearson plc.
Tirado Jijón, P. (2015). Estudio de compactac=
ión de
la cáscara de nuez para meorar la calidad de briquetas de biomasa.
Universidad Técnica de Ambato, Amabto-Ecuador.
UEB, L. (2017). Laboratorios de la Universidad
Estatal de Bolivar. Guaranda.
Verónica . (12 de Julio de 2017). Objetivos el C=
osto. La
Pagina de Verónica . Sonora, Sonora, Mexico.
Villardón , L. (2006). Evaluación del aprendizaj= e para promover el desarrollo de competencias. Educativo siglo XXI, 57-76.<= o:p>
=
PARA CITAR EL ARTÍCULO
INDEXADO.
González J., Morillo =
C.,
García. J., Cárdenas J., & Oliva. D=
.
(2019). Determinaci=
ón del
potencial energético del pigüe (Piptocoma Discolor) en la amazonía ecuatori=
ana., =
Revista
electrónica Ciencia Digital
3(1), 78-97. Recuperado desde: http://cienciadigital.org/revistacienciadigital2/index.php/CienciaDigi=
tal/article/view/287/688
El
artículo que se publica es de exclusiva responsabilidad de los autores y no
necesariamente reflejan el pensamiento de la Revista Ciencia Digital.
El
artículo queda en propiedad de la revista y, por tanto, su publicación parc=
ial
y/o total en otro medio tiene que ser autorizado por el director de la Revista Ciencia Digital.
[1] Universidad Estatal Amazónica. Carrera de Agroindustrias, Past=
aza, Ecuador,
jgonzalez@uea.edu.ec
[2]
Universidad Estatal Amazónica. Carrera de Agroindustrial. Pastaza, Ecuador,=
cmorillo@uea.edu.ec
[3] Universidad Estatal Amazónica. Carrera de Agroindustrias. Past=
aza, Ecuador,
jgarcia@uea.edu.ec
[4] Universidad Estatal Amazónica. Carrera de Agroindustrias. Past=
aza, Ecuador,
janedur2009@gmail.com
5 Universidad Tecnológica de la Habana CUJAE, La Habana, Cuba. deny@ceter.cujae.edu.cu
www.cienciadigital.org
=
Vol.
3, N°2, p. 78-97, enero - marzo, 201