Pasar al contenido principal

Resultados relacionados

Resultados totales (Incluyendo duplicados): 3
Encontrada(s) 1 página(s)

DIGITAL.CSIC. Repositorio Institucional del CSIC
Datos de investigación Set de datos (Dataset)

Supplementary material for Tectomer-mediated optical nanosensors for tyramine determination [Dataset]

  • Domínguez, Mario
  • Oliver, Sofía
  • Garriga, Rosa
  • Muñoz, Edgar
  • Cebolla, Vicente L.
  • Marcos, Susana de
  • Galbán, Javier
Licesed under the terms and conditions of the Creative Commons Attribution (CC BY) license., Section S1: Quantification of Au(III) immobilized in tectomer by means of AuBr4− complex formation. (Table S1: Effect of the pH on AuBr4− complex formation. Figure S1: (a) Absorption spectra of AuBr4−; (b) Absorption spectra upon addition of KBr to a solution containing Au(III)/tectomer complex at pH 6.0 and 7.0; (c) Plot representing Au(III) concentration in the supernatant resulting from the addition of KBr in pH 2.0 buffer to Au(III)/tectomer layers on PLA supports. Table S2: Au(III) concentration in the supernatant resulting from the addition of KBr in pH 2.0 buffer to the Au(III)/tectomer layers on PLA supports. Table S3: Percentage of Au(III) released from the tectomer into the solution at pH 2.0.). Section S2: Optimization of experimental parameters for tyramine detection using Au(III)/tectomer sensor layers. (Figure S2: R coordinate as a function of the tyramine concentration for Au(III)/tectomer layers prepared using different pH buffers. Figure S3: R coordinate as a function of tyramine concentration for different Au(III)/tectomer molar ratios. Figure S4: Au(III)/tectomer sensing layer response to several tyramine concentrations at different pH values. Figure S5: R coordinate as a function of the pH of the buffers used to dissolve tyramine. [Tyramine] = 10 µM in all cases.). Section S3: Extraction method for the cheese samples., This work is part of the I+D+i project PID2019-105408GB-I00 supported by projects MCIN/AEI/10.13039/501100011033 and PDC2021-121224-100, and the funding to research groups of the DGA, Spain (E25_20R)., Peer reviewed
e-cienciaDatos, Repositorio de Datos del Consorcio Madroño
Datos de investigación Set de datos (Dataset)

Estrategias de Desarrollo Urbano Sostenible Integrado (EDUSI). Propuestas presentadas a las convocatorias de 2015, 2016 y 2017 y municipios incluidos

  • Rodríguez Suárez, Iván
  • Díez Bermejo, Ana
  • Álvarez del Valle, Lucas
  • Hernández Aja, Agustín
<p>3. Descripción del proyecto</p> <p></p> <p>Los siguientes datasets se han producido en el marco del subproyecto “InURBA: Metrópolis fracturadas. Vulnerabilidad, reequilibrio territorial e institucionalización de las estrategias de desarrollo urbano integrado. PID2019-108120RB-C33” perteneciente al Proyecto Coordinado “Metrópolis fracturadas. Vivienda, segregación, densidad institucional y actitudes políticas en las grandes ciudades españolas“ de la convocatoria Retos de la Sociedad del Plan Estatal I+D+i 2017-2020 que persigue evaluar si el diseño y la implementación de las Estrategias de Desarrollo Urbano Sostenible Integrado (EDUSI) aportan soluciones tendentes a conseguir al reequilibrio territorial de las áreas urbanas en las que se desarrollan.</p> <p></p> <p>En ellos, se recaba información sobre las propuestas presentadas y los municipios participantes en las tres convocatorias públicas competitivas para financiar intervenciones para la regeneración urbana de áreas urbanas españolas superiores a 20.000 habitantes a través de este instrumento de financiación europea llamado EDUSI durante el período de programación 2014-2020 del Fondo Europeo de Desarrollo Regional (FEDER). </p> <p></p> <p>A estas convocatorias, realizadas en 2015, 2016 y 2017, se presentaron 348 propuestas repartidas en cuatro tipos de áreas urbanas:</p> <p></p> <p> - TIPO 1. Áreas urbanas constituidas por un único municipio con una población mayor de 20.000 habitantes. </p> <p> - TIPO 2. Agrupaciones de municipios con una población de cada uno de ellos superior a 20.000 habitantes. </p> <p> - TIPO 3. Áreas urbanas formadas por un municipio o conurbación de más de 20.000 habitantes y municipios periféricos de menos de 20.000 habitantes.</p> <p> - TIPO 4. Conurbaciones de población superior a 20.000 habitantes, constituidas por agrupaciones de municipios de menos de 20.000 habitantes.</p> <p></p> <p>En total, participaron 570 municipios, algunos de ellos en varias propuestas distintas.</p> <p></p> <p>El antecedente de este trabajo es el "Informe sobre los planes y programas asociados a las Estrategias de Desarrollo Urbano Sostenible (EDUSI) y su vinculación con la vulnerabilidad urbana en España en el marco de los nuevos retos urbanos” realizado en el marco del convenio del Observatorio de la Vulnerabilidad entre el Ministerio de Transportes, Movilidad y Agenda Urbana y el Instituto Juan de Herrera entre julio de 2020 y julio de 2021</p> <p></p> <p>4. Descripción del dataset</p> <p></p> <p>Este dataset forma parte de los datos obtenidos durante el desarrollo del subproyecto InURBA: Metrópolis fracturadas. Vulnerabilidad, reequilibrio territorial e institucionalización de las estrategias de desarrollo urbano integrado (PID2019-108120RB-C33). La información puesta a disposición pública consta de dos bases de datos (formato xlsx), una capa vectorial (formato shp) con las áreas urbanas de las propuestas y un archivo metodológico: </p> <p></p> <p> - 01_BD_EDUSI_2015-2016-2017.xlsx: Base de datos de las 348 propuestas presentadas (seleccionadas, no seleccionadas y no admisibles) a las convocatorias de EDUSI de 2015, 2016 y 2017, con información de identificación; participación en el proceso de las tres convocatorias; identificación de propuestas con las que cada EDUSI comparte Área Urbana Funcional (AUF); definición del número de municipios y población incluidos; identificación de si la propuesta incluye municipios con Barrios Vulnerables (BBVV) 2011; y ayuda concedida total y por objetivos temáticos.</p> <p> - 02_BD_Municipios_EDUSI_2015-2016-2017.xlsx: Base de datos de los 570 municipios incluidos en las 330 propuestas seleccionadas y no seleccionadas en las tres convocatorias de EDUSI de 2015, 2016 y 2017, con información de identificación del municipio; identificación de las propuestas EDUSI en las que se incluye; población en 2014, año de referencia de las convocatorias; y BBVV de 2011 detectados en el municipio.</p> <p> - 03_SHP_EDUSI+Municipio_2015-2016-2017.shp: Capa vectorial con una delimitación de 330 propuestas de EDUSI a partir de los límites municipales de los municipios que las conforman, incluyendo la información de BD_EDUSI_2015-2016-2017.xlsx, excluyendo las 18 propuestas no admisibles por la dificultad de identificar los municipios participantes en ellas en el momento de levantar la información. </p> <p> - 04_SHP_EDUSI+Municipio 2015-2016-2017.xlsx. Archivo Excel con la leyenda y la metodología de la capa vectorial (en un formato análogo al de los dos archivos de las bases de datos). </p> <p></p> <p>Cada archivo incluye una leyenda explicativa de los campos incluidos en cada base de datos y una explicación metodológica sobre la elaboración de la información</p> <p></p> <p>FICHEROS</p> <p></p> <p>1. Ficheros (Relación de todos los ficheros que se incluyen en el dataset, estructura, breve descripción de su contenido, indicar formato, idioma, versión, etc.) </p> <p>Archivos totales: 4 (3 xlsx + 1 shp):</p> <p></p> <p> - 01_BD_EDUSI_2015-2016-2017.xlsx: Incluye la base de datos, la leyenda de esta y la metodología de las 348 propuestas presentadas (seleccionadas, no seleccionadas y no admisibles) a las convocatorias de EDUSI de 2015, 2016 y 2017.</p> <p> - 02_BD_Municipios_EDUSI_2015-2016-2017.xlsx: Incluye la base de datos, la leyenda de esta y la metodología de los 570 municipios incluidos en las propuestas seleccionadas y no seleccionadas en las tres convocatorias de EDUSI de 2015, 2016 y 2017.</p> <p> - 03_SHP_EDUSI+Municipio_2015-2016-2017.shp: Capa vectorial con una delimitación de 330 propuestas de EDUSI a partir de los límites municipales de los municipios que las conforman, incluyendo la información de las 330 propuestas presentadas (seleccionadas y no seleccionadas).</p> <p> - 04_SHP_EDUSI+Municipio_2015-2016-2017.xslx: incluye la leyenda y la metodología de la capa vectorial anterior.</p>
e-cienciaDatos, Repositorio de Datos del Consorcio Madroño
Datos de investigación Set de datos (Dataset)

Resultados del proyecto IN4LABS - PLATAFORMA ABIERTA PARA FACILITAR EL DESARROLLO DE LABORATORIOS REMOTOS DE INDUSTRIA 4.0

  • Martin, Sergio
El proyecto In4Labs tiene como objetivo acelerar la transición digital de la educación en ingeniería y la industria hacia la Industria 4.0. Sus principales contribuciones son el desarrollo de una plataforma para facilitar la creación de laboratorios remotos para Industria 4.0 y el establecimiento y evaluación de laboratorios remotos para diversas tecnologías de Industria 4.0. Este dataset incluye todos los resultados de investigación del proyecto, incluyendo el código fuente, los diseños de hardware de la plataforma y laboratorios, así como prácticas propuestas. El conjunto de laboratorios remotos desarrollados incluye: • Laboratorio de IoT: Sistema con 3 dispositivos IoT interconectados a través de 5 medios de comunicación distintos, tanto cableados (I2C, SPI, UART, RS484) como inalámbricos (WiFi y Bluetooth), permitiendo el desarrollo de prácticas remotas con un escenario de control de temperatura de un ventilador. • Laboratorio de Sensores: Sistema que permite la experimentación remota con diversos sensores (RFID, gas, humo, temperatura, humedad, presión, etc.), programables de forma remota por los estudiantes. • Laboratorio de Ciberseguridad: Entorno web que permite la ejecución remota de prácticas de cifrado y defensa contra ataques como "Man-in-the-Middle", desbordamiento de búfer y denegación de servicio en un sistema IoT. • Laboratorio de Integración de Sistemas: Uso de infraestructura remota para integración de NodeRED en un escenario IoT real. • Laboratorio de Robótica: Programación remota de brazo robótico controlado por dispositivo Arduino. • Laboratorio de Nube: Sistema IoT basado en un proveedor de nube. • Laboratorio de Inteligencia Artificial: Entorno web que permite la ejecución de código remoto de prácticas sobre aprendizaje automático a través de un servidor de alto rendimiento. • Laboratorio de Big Data: Entorno web que permite la ejecución de código remoto de prácticas sobre análisis de datos y creación de paneles de control con datos a través de un servidor de alto rendimiento. El proyecto impulsa la transición digital hacia la Industria 4.0, reduciendo drásticamente los costos y tiempos de desarrollo de laboratorios remotos, favoreciendo su adopción global. Esto mejora la capacitación de profesionales, estudiantes y personas con discapacidad, fortalece la empleabilidad y acelera el crecimiento económico europeo, alineándose con la estrategia del Mercado Único Digital.