La transición hacia fuentes de energía renovable posiciona a la energía eólica como una solución estratégica para disminuir el impacto ambiental y optimizar los recursos disponibles en Colombia. Este artículo tiene como propósito explorar la factibilidad de integrar esta tecnología en el sector de Barrios Unidos, Bogotá, basándose en datos registrados por la estación meteorológica Santander, localizada en la Fundación Universitaria Los Libertadores (FULL). Dicha estación recopila información clave sobre variables como la intensidad del viento, la radiación solar, la presión atmosférica y la temperatura ambiental, datos fundamentales para analizar las posibilidades de instalar aerogeneradores en entornos urbanos densamente poblados. En esta nueva fase, el estudio se extiende con una comparativa basada en el uso de sensores distintos, un microcontrolador ESP32 y tecnologías de IoT, con el fin de obtener datos de forma más eficiente y precisa. Este enfoque complementario busca enriquecer el análisis previo mediante métodos alternativos de medición y recolección de datos, facilitando una evaluación integral de las condiciones ambientales que determinan el rendimiento eólico en la zona. Los hallazgos de este trabajo ofrecerán una visión ampliada del potencial eólico de Barrios Unidos y respaldarán decisiones orientadas hacia la adopción de energías limpias. De esta manera, se refuerza la diversificación del sistema energético en Bogotá, integrando innovación tecnológica y sostenibilidad en la planificación urbana.

El presente estudio se centró en el desarrollo de un modelo de red neu-ronal convolucional para la detección de COVID-19 y neumonía a partirde radiografías de tórax y su implementación en una aplicación webaccesible. El objetivo fue proporcionar una herramienta diagnóstica rá-pida y precisa para asistir a los profesionales de la salud. Se utilizaronconjuntos de datos públicos de radiografías de tórax, que fueron pre-procesados para uniformizar su tamaño y normalizar los valores de lospíxeles.La red neuronal fue entrenada utilizando técnicas de transferencia deaprendizaje con modelos preentrenados y ajustes específicos para elproblema en cuestión. El modelo alcanzó una precisión del 97 % en elconjunto de prueba, demostrando una alta efectividad en la clasifica-ción de imágenes. Durante el entrenamiento, tanto la pérdida como laprecisión mostraron mejoras constantes, con una precisión final en elconjunto de validación del 95.41 %. La implementación del modelo enuna aplicación web permite la carga y análisis de imágenes en tiemporeal, facilitando su uso en entornos clínicos. Los resultados indican queel modelo es una herramienta valiosa para la detección temprana de en-fermedades respiratorias, mejorando la capacidad de respuesta en con-textos de emergencia sanitaria. Este proyecto contribuye al campo de lainteligencia artificial aplicada a la medicina, demostrando la viabilidady efectividad de las redes neuronales convolucionales en el diagnósticomédico automatizado.