摘要：El presente trabajo surge a partir de la aplicación de varios métodos de Análisis de Ciclo de Vida (ACV), para la comparación de los Impactos Potenciales, a un mismo juego de datos. A partir de dicha comparación, se ponen de manifiesto varias diferencias significativas en el cálculo de los impactos. Luego de un estudio posterior, se identificaron que las diferencias provenían de las exclusiones por algunos métodos de sustancias significativas para los impactos en otros. Esta situación motiva al estudio del estado de inclusión o no de sustancias por los diferentes métodos. Para conocer las coincidencias y divergencias que tenían los diferentes métodos, se listan por cada categoría, todas las sustancias que se incluyen y luego se comparan, con las contenidas en los demás métodos para cada una de las categorías equivalentes. Encontrándose que en algunos métodos, las sustancias empleadas representaban un bajo por ciento de todas las posibles. En este sentido se procede a estudiar la forma de incluir todas las sustancias posibles en un mismo método. Al realizarse un gran número de estimaciones, se optó por seleccionar el Clasificador Bayesiano de Redes Neuronales, para seleccionar el estimador más adecuado en cada caso. Los resultados del presente trabajo consistieron en la caracterizaciónde los principales métodos de ACV en cuanto a su amplitud ycompletamiento.AbstractUse of Bayesian neural network classification system employed in Life Cycle Analysis for completing the impact categoriesPresent research has a foundation of applying various comparison methods of Life Cycle Analysis (LCA) for Impact Potentials using the same set of data.Incomparisons we made, some significant differences in calculated resultsof the impacts were obtained. Later study showed that the differences came from excluding critical factors in some methods. These results led us to further conducting analysis byeither includingor excluding some factors in different methods used. To elucidate some coincidences or divergences observed among different methods, we listed and analyzed all the factors included in each category. We then compared the factors of each method in equivalent categories. We found that in some methods, certain factors used represented low coverage of all possibilities. We therefore proceeded to include all possibilities of factors within the same method. Upon obtaining a large number of estimates, we decided to opt for Bayesian Neural Network for selecting the best estimator in each case. Results thus obtained in our researchentailthat characterizing and using the principal methods of LCA in terms of their extent and completeness is of utmost importance.
