1 / 44

e-Ciencia en la UCN: Fortalezas y Debilidades

e-Ciencia en la UCN: Fortalezas y Debilidades. Carlos Pon Soto Universidad Católica del Norte. Proyectos de e-ciencia en la UCN. Investigadores de distintos Departamentos de la UCN trabajan en colaboración con otros pares dentro de la misma universidad y otras universidades del país.

patia
Download Presentation

e-Ciencia en la UCN: Fortalezas y Debilidades

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. e-Ciencia en la UCN: Fortalezas y Debilidades Carlos Pon Soto Universidad Católica del Norte

  2. Proyectos de e-ciencia en la UCN • Investigadores de distintos Departamentos de la UCN trabajan en colaboración con otros pares dentro de la misma universidad y otras universidades del país. • Pero la colaboración es principalmente a través de correo electrónico y servicios de mensajería. Poca colaboración con tecnología GRID, o servicios de clusters. • Los grupos de investigación trabajan con sus propios recursos, aislados de otros centros.

  3. Proyectos de e-ciencia en la UCN • La UCN el año 2005 encomendó crear un grupo de investigación para crear la tecnología Grid en la UCN. • Asistencia Primer Workshop Iniciativa GRID Nacional (Enero 2006). • Asistió una delegación de siete personas. • UCN se compromete a formar parte de la Iniciativa GRID Nacional.

  4. Iniciativa GRID UCN: Actividades • Instalación de Cluster UCN (Enero 2006) • En cumplimiento de los acuerdos tomados en el workshop, se instala el primer cluster de la UCN (producción) para participar de la GRID Nacional. Compuesto de 5 equipos Pentium IV 2.4Ghz, en el Laboratorio de Redes del Departamento de Ingeniería de Sistemas y Computación. • Evaluación de desempeño Cluster UCN (Enero – Febrero 2006) • Se realizan pruebas de rendimiento (Benchmark) sobre el cluster • Se realizan pruebas de comunicación y se establecen políticas de seguridad y acceso a los clusters que forman parte del GRID Nacional.

  5. Iniciativa GRID UCN: Actividades • Desarrollo de testbeds en conjunto con CMM (UChile) (Enero – Mayo 2006) • Se realizan testbeds (pruebas formales) entre los clusters participantes de la GRID Nacional (CMM y UCN), en ambitos de seguridad, comunicaciones y se pone en marcha primera aplicación en GRID, para esta iniciativa en la modalidad testbed. • Inicio Actividades Iniciativa GRID UCN (Abril 2006) Se forma un equipo de investigación y desarrollo formado por alumnos de pregrado con el objetivo de generar una masa critica de profesionales con conocimiento en las tecnologías asociadas a GRID y Clustering, de modo que puedan prestar apoyo a las investigaciones de las unidades de la Universidad que requieran uso alta potencia de computo.

  6. Iniciativa GRID UCN: Actividades • Puesta en Marcha Laboratorio de Altas Prestaciones (Abril – Mayo 2006) • Se define un lugar para que los alumnos participantes de la Iniciativa GRID UCN realicen el trabajo asociado a la investigación y desarrollo. • Creación de un Sitio Web de Coordinación y Trabajo Colaborativo http://lte.disc.ucn.cl/grid • Implementación y puesta en marcha de un cluster de prueba (educacional) utilizando equipos PIII de 500 Mhz, con el fin de que los alumnos practiquen lo que aprendan sin comprometer el cluster participante en el GRID Nacional.

  7. Iniciativa GRID UCN: Actividades • Se bautizan ambos clusters con los siguientes nombres: • Cluster Producción: seginus.disc.ucn.cl • Cluster Educacional: quiron.disc.ucn.cl • UCN a cargo de realización Tercer Workshop Iniciativa GRID Nacional (Noviembre 2006)

  8. Proyectos potenciales con uso de tecnología GRID en UCN • Simulación de Flujo y Transporte en Materiales Porosos Mediante LatticeBoltzmann. Responsable: Dr. Javier Quispe • Development of a Systemto Monitor and Control the Gene ExpressionfortheOptimization of theBioleaching Industrial Process of Sulfure CopperMinerals. Responsable: Dra. Cecilia Demergasso • Technical and Astronomical Data Visualization Framework for ALMA Responsable: Dr. RolandLemke • Desarrollo Nacional de Algoritmos que Faciliten la Utilización de Soluciones de Biometría en Chile. Responsable: Directora de Reuna: Paola Arellano

  9. Simulación de Flujo y Transporte en Materiales Porosos Mediante Lattice Boltzmann Dr. Javier R. Quispe Departamento de Ingeniería Química Universidad Católica del Norte Antofagasta, Mayo 2007 Agradecimientos al Proyecto Fondecyt 1050856

  10. Roca sedimentaria Membrana Microfiltración Introducción Una mejor comprensión de los fenómenos de flujo y transporte en espacios porosos es fundamental para analizar, diseñar y optimizar una gran variedad de procesos y tecnologías de interés práctico. La principal dificultad que se encuentra al abordar el estudio del flujo y transporte en medios porosos es la estructura geométrica y topológica desordenada que presentan, lo que dificulta tremendamente la aplicación de los esquemas tradicionales de diferencias y elementos finitos para la solución de las ecuaciones de Navier-Stokes.

  11. Aplicaciones del Método de Lattice Boltzmann • Flujo de sistemas multicomponentes en multifases - Drenado y embebido • Flujo de fluidos miscibles e inmiscibles en medios porosos - Dispersión • Flujo en geometrías complejas - CFD • Mezcla de dos o mas componentes - Separación de fases • Interacciones hidrodinámicas en suspensiones - Sedimentación, fluidización • Transporte de soluto con reacción química en superficies minerales en una red de poros - Lixiviación • Precipitación de partículas en filtros - Filtración y micro filtración • Ángulos de contacto en dos fases - Mojabilidad • Estudios de porosidad y permeabilidad - Compactación

  12. Simulaciones de Flujo de Fluidos mediante Lattice Boltzmann Flujo a través de Medios Porosos Quispe et al. (2004) Quispe et al. (2003,2004)

  13. Lattice Boltzmann: Ecuaciones y cantidades macroscópicas de interés The Lattice Boltzmann method is a very efficient numerical tool to calculate flows in highly complex geometries, such as porous media. The key idea in LB method is to construct simplified kinetic models incorporating the physics essentials so that the macroscopic averaged properties obey the desired macroscopic equations (Navier-Stokes). Ec. de Propagación Retículo 2D (D2Q9) Las cantidades macroscópicas se pueden obtener en términos de la función distribución de partícula, Densidad: Retículo 3D (D3Q15) Velocidad: Viscosidad: Presión:

  14. Simulaciones: Flujo en Medios Porosos conLattice Boltzmann Flujo en Medios Porosos Modelo J. Quispe. (2000) J. Quispe. (2000) El fluido sigue el camino que ofrece menor resistencia

  15. Comparación Mediciones Experimentales vs. Simulaciones Micromodelos Vidrio Strong compaction. Power law relation between permeability and porosity at high porosity. Reasonably good agreement with precise Monte Carlo data and single realization of Lattice Boltzmann simulation. Presentado en Solid-liquid Separation ’04, Cape Town, South Africa on November 8-9, 2004

  16. Flujo en Medios Porosos 3D con Lattice Boltzmann Flujo y Transporte en Medios Porosos 3D Geometría del Medio Poroso Campo de Velocidades El fluido sigue el camino que ofrece menor resistencia

  17. Paralelización de Lattice Boltzmann Se utilizó un Cluster de PCs comprendido por: Servidor Pentium IV, 2.6 GHz CPU y 1 GB RAM Nodos Pentium IV, 2,4 GHz CPU y 512MB RAM. Sistema Operativo Linux Rocks Cluster Re = 37 f = 0.61 k = 8.3×10-3 Quispe et. al. (2006)

  18. Conclusiones El método de LB mostró ser capaz de capturar canalizaciones con flujo preferencial, caminos tortuosos de flujo, zonas estancadas, flujo reverso y recirculaciones, todos elementos importantes del flujo pero comúnmente difíciles de resolver con esquemas numéricos clásicos. Resultados preliminares de la paralelización del método de LB permiten ahorrar tiempos de CPU significativos en las simulaciones.

  19. DEVELOPMENT OF A SYSTEM TO MONITOR AND CONTROL THE GENE EXPRESSION FOR THE OPTIMIZATION OF THE BIOLEACHING INDUSTRIAL PROCESS OF SULFURE COPPER MINERALSON-GOING FONDEF PROJECT D04I1169 Centre for Biotecnology Department of Systems & Computing Engineering Universidad Católica del Norte April 25, 2007

  20. PARTICIPANTING INSTITUTIONS L. Villanueva Z. Rosemarie Schrader F. Nuclear Chilean Committe Danny Castillo Operational Development Manager Enginners: Enrique Becerra Andrés Olea Quentin Graaf Carlos González Aquiles Yanulaque Hugo Zavala Fadua Mauad Project Team: C. Demergasso P. Galleguillos P. V. Zepeda A. F. Galleguillos C. Meneses J. Iratchet D. Urrutia Colaborators: N. Guiliani, U. de Chile C. Pedrós-Alió, CSIC (España) Cleve Lightfoot Technical Manager • G. Chong D., CICITEM Director • W. Saavedra, CEO

  21. Goals • To identify the genes that are expressed in differential form in the cycle of copper bioleaching in piles. • To relate the phylogenetic composition and the microbial population's dynamics with the gene expression during the bioleaching process • To identify the microorganisms involved in the process • To develop and to evaluate the use of tools of monitoring of the expression of the genes, and the quantification of importance and role of microorganisms in the bioleaching process.

  22. Goals • To analyze the structure of the microbial community stuck to the mineral (biofilms) and their relationship with the analyses carried out in solutions. • To develop a computational model of the physiologic behavior of the system. To validate the patterns in the different scaling stages (laboratory, pilot, industrial heap). • To design the strategy that allows to maintain the levels of gene expression required to improve the yield of the process, considering the stages of the leaching cycle.

  23. Molecular Analysis by Real Time PCR

  24. ESCONDIDA BIOLEACHING HEAP FEEDING SOLUTION Cu [g/L] H2SO4 [g/L] pH Fe+2 [g/L] Fe+3 [g/L] FeT [g/L] Eh [mV] Module 1 Module 2 Module 3 Module N PERCOLATE SOLUTION Cu [g/L] H2SO4 [g/L] pH Fe+2 [g/L] Fe+3 [g/L] FeT [g/L] Eh [mV] Process

  25. COMPUTATIONAL MODELS • TO DEVELOP COMPUTATIONAL MODELS, BASED ON DATA MINING TECHNIQUES, TO DESCRIBE AND MODEL THE DYNAMIC OF THE BIOLEACHING PROCESS AND • TO CARACTERIZE THE MICROBIAL POPULATION INHABITING THE INDUSTRIAL HEAP AT ESCONDIDA MINING CO.

  26. Research Projects • Fondef (on-going 2006-2008): Monitoring and Controlling Gene Expression to Optimize the Bioleaching Process at Escondida Mining. U$1.5MM (0.8MM funded by Fondef) • Corfo-Innova (in evaluation): Development of Math and Computational Models to Characterize Microbial Populations in the Arsenic Cycle (U$2MM, asking for U$1.5MM from Corfo) • Conicyt (in evaluation): Implementation of a Bioinformatics lab to improve the research competencies of the CICITEM (U$0.6MM)

  27. Technical and Astronomical Data Visualization Framework for ALMA Responsable del proyecto: RolandLemke Universidad Católica del Norte, Chile Universidad de Bochum, Alemania

  28. Imágenes Astronómicas • Desarrollo importante de la Astronomía en II Región • Centro de observación astronómico en Cerro Paranal (VLT-ESO) • Proyecto ALMA (Radio Telescopio mas grande del mundo) • Cerro Armazones (Observatorio UCN) • Instituto de Astronomía de la UCN

  29. Apoyo Internacional • The Observatorio Cerro Armazones (OCA) about 120km south of Antofagasta and a close neighbour to the ESO VLT observatory, Cerro Paranal, is a collaboration of the astronomy department of the Ruhr-Universität Bochum and Universidad Catolica del Norte de Antofagasta. • The Observatory consists of a Meade 16”, a 84cm, 1 robotic 20cm, 2 robotic 40cm and the 1.5m Hexapod-Telescope HPT

  30. Objetivo del Proyecto • ACS the ALMA Common Software a CORBA middleware infrastructure will be used by all partners of this project. • ACS is based on Distributed Objects (DOs) and provides services such as logging, error and alarm management, configuration database and lifecycle management.

  31. Objetivos del Proyecto • As the HPT is already driven by ACS one objective would be to interface the other telescopes as well. This would broaden common acceptance of other projects towards ACS as it would be shown that it is very easy and simple to integrate new hardware. • One science objective of the robotic telescopes is to monitor variable young stellar objects on timescales of minutes. For such events communication between all telescopes especially with a twin telescope on Mauna Loa (Hawaii, Big Island) must be established to provide follow up observations. • Data archiving is a big issue, for the 16” robotic telescope we will have 10 GB per night

  32. Hexapod Telescope CMM (Iniciativa Grid Nacional)

  33. Introducción • El reconocimiento de personas de manera automática, segura, rápida y confiable, se está tornando en una necesidad imperiosa en múltiples áreas de nuestra sociedad. • la Biometría o el Reconocimiento Biométrico aparece como una de las alternativas más efectivas para enfrentar la problemática de la identificación de personas. • En la actualidad, prácticamente el 50% de los sistemas implementados utilizan reconocimiento de patrones de huellas dactilares, un 10% geometría de la mano y un 12% geometría del rostro, iris 6%, voz 5%.

  34. Introducción • Existe una concepción errada muy difundida en la comunidad académica dedicada a las áreas de procesamiento de imágenes y reconocimiento de patrones: ésta sostiene que el reconocimiento automático vía huellas dactilares es un problema completamente resuelto, debido a ser el método más extendido en uso, incluso antes de la era de los computadores. • Por el contrario, el reconocimiento de huellas dactilares, representa hoy un importante problema de reconocimiento de patrones. Es aquí donde se pueden introducir elementos novedosos a investigar y desarrollar, en cuanto a procesamiento de imágenes, redes neuronales para discriminación rápida de regiones -con y sin minucias- en una imagen de huella, por ejemplo.

  35. Introducción • Los algoritmos asociados a los procesos de identificación se encuentran vinculados fuertemente a las soluciones de hardware de las empresas, haciendo que los costos de implantación de este tipo de soluciones sean muy altos, tanto por las políticas de licenciamiento existentes, como por las características propietarias (software + hardware) de dichas soluciones. • Necesidad de desarrollar investigación en el área de Biometría Informática a nivel nacional, que permita impulsar el despliegue de la industria nacional de desarrollo de software, en un tema que debe ser considerado estratégico por el país en el ámbito de la seguridad nacional.

  36. Primera Fase • Extracción de Minucias: Toma una imagen de una huella como una imagen de WxHpixels, siendo W y H parámetros. Esta es una imagen en escala de grises con 500 dpi de resolución y un byte por píxel. El ouput de este algoritmo es un arreglo de minucias identificadas en la imagen de la huella. • QualityCheck: Determina la calidad de la imagen y de las minucias extraídas. Si la calidad es adecuada genera un patrón en un formato estándar.

  37. Segunda Fase • Matcher: este módulo recibe un par de patrones y realiza una comparación de estos obteniendo un valor numérico, que mide el grado de similaridad entre los dos patrones. Sean los patrones P y Q, y M la función de match M(P,Q)  R • Decisión: Este es una función simple que recibe el valor obtenido por el matcher y recibe un parámetro de umbral de aceptación. Sea U el umbral de aceptación, entonces la función de decisión D(R) se define como: D(R) = 1 si R > U sino D(R) = 0.

  38. Tercera Fase • Clasificación: Este módulo toma una serie de patrones dentro de una base de datos y los clasifica en base a características geométricas o de otro tipo para poder realizar búsquedas masivas. Este algoritmo de clasificación puede ser independiente del formato de patrones o minucias, y podría realizarse directamente sobre las imágenes.

  39. Cuarta Fase • Búsqueda Masiva: Este módulo es complementario al de Clasificación y su función es encontrar el mejor o los mejores patrones, o huellas, dentro de la base de datos para poder extraer un patrón que se aproxima mejor a la muestra. Esto se hace para búsquedas 1 a N dentro de la base de huellas, es decir, para los procesos de identificación.

More Related