Valoración de la composición corporal y de la percepción de la imagen en un grupo de mujeres universitarias del País Vasco

Este trabajo se encuentra bajo la licencia Creative Commons Attribution 3.0.

Measurement of polycyclic aromatic hydrocarbons in ambient air by fluorescence spectroscopic techniques

250 p. + anexos

Evaluation of a programme to improve emotional intelligence during adolescence

348 p.

Jarduera Fisikoaren eta Kirolaren Zientzien ikasleen postura eta bizkarreko mina.

[EUS] Lan honen helburua egoera posturala eta bizkarreko minaren pertzepzioaren azterketa sakonagoa egitea da. Bizkarreko min zein desoreka posturalek gaur egun duten nagusitasuna ikusita, egoera azaleratu eta honen kausak zeintzuk diren ezagutu nahi dira. Honetarako UPV-EHUko Jarduera Fisikoaren eta Kirolaren Zientzien Fakultateko ikasleen (n=25) postura-aldaketak zein bizkarreko minaren magnitudea eta pertzepzioa nolakoak diren aztertuko ditugu. Egindako analisia longitudinala izan da. Ikasketetan sartu zirenean lehenengo neurketa egin zitzaien eta ikasketen azkeneko urtean azken neurketa. QPS-200 Shekel Posture Analyzer erremintari esker pisuaren banaketaren datu numerikoak lortu ditugu. Bizkarreko mina eta pertzepzioari dagozkienez, NASS osasun galdetegia erabili izan da. Posturaren neurketek erakutsi dutenez, bariazio handiena pertsonen artekoa da. Hetereogeneotasun handiena aurre-atze banaketak azaleratu duelarik, gehienbat lehenengo neurketan (2012: DS=9,33 begiak zabalik eta DS=9,99 begiak itxita; 2014: DS=7,37 begiak zabalik eta DS=7,94 begiak itxita). Aurkitu den efektu signifikatibo bakarra (p<0.05), bestalde, neurketa data da. Bizkarreko minaren pertzepzioak gora egin du urteak aurrera joan ahala (subjektuen %64 2012an; subjektuen %72 2014an) baina egunerokotasunean minak sortzen dituen zailtasunak behera egin du (%28 2012an; %20 2014an).

Virtual Sensors for On-line Wheel Wear and Part Roughness Measurement in the Grinding Process

Grinding is an advanced machining process for the manufacturing of valuable complex and accurate parts for high added value sectors such as aerospace, wind generation, etc. Due to the extremely severe conditions inside grinding machines, critical process variables such as part surface finish or grinding wheel wear cannot be easily and cheaply measured on-line. In this paper a virtual sensor for on-line monitoring of those variables is presented. The sensor is based on the modelling ability of Artificial Neural Networks (ANNs) for stochastic and non-linear processes such as grinding; the selected architecture is the Layer-Recurrent neural network. The sensor makes use of the relation between the variables to be measured and power consumption in the wheel spindle, which can be easily measured. A sensor calibration methodology is presented, and the levels of error that can be expected are discussed. Validation of the new sensor is carried out by comparing the sensor's results with actual measurements carried out in an industrial grinding machine. Results show excellent estimation performance for both wheel wear and surface roughness. In the case of wheel wear, the absolute error is within the range of microns (average value 32 mu m). In the case of surface finish, the absolute error is well below R-a 1 mu m (average value 0.32 mu m). The present approach can be easily generalized to other grinding operations.