{"id":4380,"date":"2025-12-02T10:31:59","date_gmt":"2025-12-02T09:31:59","guid":{"rendered":"https:\/\/ghetool.eu\/?post_type=knowledgebase&#038;p=4380"},"modified":"2025-12-02T10:31:59","modified_gmt":"2025-12-02T09:31:59","slug":"calcular-el-tamano-necesario-del-campo-de-perforacion","status":"publish","type":"knowledgebase","link":"https:\/\/ghetool.eu\/es_es\/base-de-conocimientos\/calcular-el-tamano-necesario-del-campo-de-perforacion\/","title":{"rendered":"Calcular el tama\u00f1o necesario del campo de perforaci\u00f3n"},"content":{"rendered":"<p>El dise\u00f1o de campos de sondeo geot\u00e9rmicos poco profundos es siempre un poco ensayo y error, pero \u00bfy si no? Hoy lanzamos un nuevo m\u00e9todo automatizado que permite calcular simult\u00e1neamente la profundidad y el tama\u00f1o necesarios del campo de sondeo, disponible para todo el mundo.<\/p>\n<p><iframe title=\"Calcular el tama\u00f1o necesario del campo de perforaci\u00f3n\" width=\"800\" height=\"450\" src=\"https:\/\/www.youtube.com\/embed\/esWVMbOUOjo?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/p>\n<h2>Dise\u00f1o Borefield (en el pasado)<\/h2>\n<p>A estas alturas, probablemente ya sepas que GHEtool Cloud no viene con una lista predefinida de configuraciones. Puedes crear la tuya propia a partir de una configuraci\u00f3n est\u00e1ndar, como una forma en U o un rect\u00e1ngulo, o bien importarla desde un archivo de AutoCAD, tal y como se explica a continuaci\u00f3n. <a style=\"text-decoration: underline;\" href=\"https:\/\/ghetool.eu\/nl_nl\/knowledgebase\/import-coordinates-autocad-into-ghetool\/\">aqu\u00ed<\/a>. Esto convierte a GHEtool Cloud en la herramienta de dise\u00f1o m\u00e1s flexible del mercado, con tama\u00f1os m\u00e1ximos de campo de perforaci\u00f3n de hasta 5000 perforaciones.<\/p>\n<p>Esta elecci\u00f3n de flexibilidad en el dise\u00f1o ha determinado, por supuesto, la forma de dise\u00f1ar los campos de sondeo con GHEtool. Se parte de un dise\u00f1o determinado consistente en una configuraci\u00f3n y una profundidad, se simula el perfil de temperatura y se adapta el dise\u00f1o en consecuencia. Aunque este proceso proporciona una visi\u00f3n considerable de la f\u00edsica de los campos de sondeo, como se describe, por ejemplo, en <a style=\"text-decoration: underline;\" href=\"https:\/\/ghetool.eu\/es_es\/base-de-conocimientos\/como-afrontar-el-desequilibrio\/\">este art\u00edculo<\/a>, pero requiere tiempo.<\/p>\n<p>Otra forma de enfocar el dise\u00f1o es partir de una determinada configuraci\u00f3n del campo de sondeo y dejar que GHEtool calcule la profundidad de sondeo necesaria para mantener las temperaturas dentro de los l\u00edmites. Esto ya elimina parte de las conjeturas, pero la dificultad estriba en que puede encontrarse con errores de gradiente cuando se trabaja con picos de refrigeraci\u00f3n m\u00e1s altos. Puede consultar nuestro art\u00edculo sobre el error de gradiente <a style=\"text-decoration: underline;\" href=\"https:\/\/ghetool.eu\/es_es\/base-de-conocimientos\/error-de-gradiente\/\">aqu\u00ed<\/a>.<\/p>\n<p data-start=\"1272\" data-end=\"1468\">Estos dos elementos juntos a veces pueden hacer que el dise\u00f1o de campos de perforaci\u00f3n sea innecesariamente dif\u00edcil, sobre todo si quiere hacerlo de forma r\u00e1pida y precisa. Por eso hemos desarrollado un m\u00e9todo totalmente nuevo para usted.<\/p>\n<h2>El esperado m\u00e9todo<\/h2>\n<p data-start=\"85\" data-end=\"740\">Desde nuestro lanzamiento en noviembre de 2024, la caracter\u00edstica m\u00e1s solicitada ha sido un m\u00e9todo que pueda dimensionar autom\u00e1ticamente tanto la profundidad como el tama\u00f1o requeridos, es decir, un m\u00e9todo en el que pueda especificar su \u00e1rea de perforaci\u00f3n disponible y tener el campo de perforaci\u00f3n dimensionado de forma totalmente autom\u00e1tica. Hasta ahora, este m\u00e9todo era inviable debido a los largu\u00edsimos tiempos de simulaci\u00f3n. Como GHEtool Cloud no ten\u00eda un conjunto predefinido de configuraciones, se tardaban horas en probar todas las combinaciones posibles. A lo largo del \u00faltimo a\u00f1o, hemos trabajado intensamente en dos importantes mejoras del back-end para hacer posible este m\u00e9todo: la implantaci\u00f3n de redes neuronales artificiales y la optimizaci\u00f3n bayesiana.<\/p>\n<h3>Redes neuronales artificiales<\/h3>\n<p>El c\u00e1lculo de la profundidad de sondeo necesaria lleva su tiempo. Especialmente cuando se trabaja con propiedades variables de los fluidos para obtener los resultados m\u00e1s precisos, como se explica <a style=\"text-decoration: underline;\" href=\"https:\/\/ghetool.eu\/es_es\/base-de-conocimientos\/propiedades-variables-de-los-fluidos\/\">aqu\u00ed<\/a>, la simulaci\u00f3n puede durar f\u00e1cilmente decenas de segundos. Eso es aceptable para una sola simulaci\u00f3n, pero cuando se realiza una b\u00fasqueda de par\u00e1metros y se quiere determinar no solo la profundidad necesaria, sino tambi\u00e9n la configuraci\u00f3n \u00f3ptima, resulta inviable.<\/p>\n<p>As\u00ed pues, la semana pasada introdujimos las redes neuronales artificiales en GHEtool, como se describe en <a style=\"text-decoration: underline;\" href=\"https:\/\/ghetool.eu\/es_es\/base-de-conocimientos\/modelo-ai-para-acelerar-las-simulaciones\/\">este art\u00edculo<\/a>. Esta mejora de la IA provoc\u00f3 un descenso significativo del tiempo de simulaci\u00f3n para calcular la profundidad requerida, manteniendo una precisi\u00f3n razonable. Junto con otras mejoras inteligentes de la metodolog\u00eda, somos capaces de acelerar este proceso entre dos y cinco veces. Ya es un comienzo prometedor, pero como estamos evaluando miles de opciones, es s\u00f3lo el final del principio.<\/p>\n<figure id=\"attachment_4376\" aria-describedby=\"caption-attachment-4376\" style=\"width: 699px\" class=\"wp-caption aligncenter\"><img fetchpriority=\"high\" decoding=\"async\" class=\"wp-image-4376 size-full\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/ANN.png\" alt=\"Representaci\u00f3n esquem\u00e1tica de una red neuronal artificial. (Fuente: https:\/\/blog.roboflow.com\/what-is-a-neural-network\/)\" width=\"699\" height=\"456\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/ANN.png 699w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/ANN-300x196.png 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/ANN-18x12.png 18w\" sizes=\"(max-width: 699px) 100vw, 699px\" \/><figcaption id=\"caption-attachment-4376\" class=\"wp-caption-text\">Representaci\u00f3n esquem\u00e1tica de una red neuronal artificial. (Fuente: https:\/\/blog.roboflow.com\/what-is-a-neural-network\/)<\/figcaption><\/figure>\n<h3>Optimizaci\u00f3n bayesiana<\/h3>\n<p data-start=\"85\" data-end=\"436\">En este m\u00e9todo, para encontrar tanto el tama\u00f1o como la profundidad \u00f3ptimos del campo de sondeo, hay que ajustar una serie de par\u00e1metros. Entre ellos se incluyen la forma de la configuraci\u00f3n (en U, en L, en caja, rectangular o densa), el n\u00famero de perforaciones en direcci\u00f3n longitudinal y transversal y la separaci\u00f3n en direcci\u00f3n longitudinal y transversal.<\/p>\n<p data-start=\"438\" data-end=\"623\">En el mundo de la optimizaci\u00f3n, cada uno de estos par\u00e1metros que requiere ajuste se denomina hiperpar\u00e1metro, y existen diferentes estrategias para resolver este tipo de problemas, como se muestra a continuaci\u00f3n.<\/p>\n<figure id=\"attachment_4382\" aria-describedby=\"caption-attachment-4382\" style=\"width: 988px\" class=\"wp-caption aligncenter\"><img decoding=\"async\" class=\"wp-image-4382 size-full\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding2.jpg\" alt=\"Diferentes algoritmos de b\u00fasqueda para la optimizaci\u00f3n. (Fuente: https:\/\/www.sciencedirect.com\/topics\/mathematics\/grid-search)\" width=\"988\" height=\"349\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding2.jpg 988w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding2-300x106.jpg 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding2-768x271.jpg 768w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding2-18x6.jpg 18w\" sizes=\"(max-width: 988px) 100vw, 988px\" \/><figcaption id=\"caption-attachment-4382\" class=\"wp-caption-text\">Diferentes algoritmos de b\u00fasqueda para la optimizaci\u00f3n. (Fuente: https:\/\/www.sciencedirect.com\/topics\/mathematics\/grid-search)<\/figcaption><\/figure>\n<p data-start=\"115\" data-end=\"509\">Una primera soluci\u00f3n posible es realizar una b\u00fasqueda en cuadr\u00edcula. En este enfoque, se definen los intervalos que se desea explorar, por ejemplo, el n\u00famero de perforaciones en la direcci\u00f3n longitudinal [1, 2, 3, 4, 5], y se combinan todos los valores posibles. A continuaci\u00f3n, se calcula la profundidad de perforaci\u00f3n necesaria para cada combinaci\u00f3n, y el mejor resultado se convierte en la respuesta final. Naturalmente, este m\u00e9todo requiere mucho tiempo.<\/p>\n<p data-start=\"511\" data-end=\"835\">Otro enfoque menos estructurado consiste en utilizar una cuadr\u00edcula aleatoria. En este caso, las separaciones no son iguales y los par\u00e1metros de entrada se seleccionan al azar. Tras una serie de b\u00fasquedas y ensayos, se presenta la mejor soluci\u00f3n encontrada. Este m\u00e9todo tambi\u00e9n requiere bastante tiempo y ofrece pocas garant\u00edas de que se encuentre una buena soluci\u00f3n.<\/p>\n<p data-start=\"837\" data-end=\"1355\">La \u00faltima opci\u00f3n, que es el m\u00e9todo aplicado en GHEtool Cloud, consiste en utilizar la optimizaci\u00f3n bayesiana. La idea es empezar con algunas combinaciones aleatorias de par\u00e1metros de entrada para el dise\u00f1o del campo de sondeo y calcular la profundidad de sondeo necesaria para cada configuraci\u00f3n. Bas\u00e1ndose en estas simulaciones iniciales, el algoritmo construye una funci\u00f3n de incertidumbre que indica d\u00f3nde es m\u00e1s probable encontrar la mejor soluci\u00f3n, y luego itera estad\u00edsticamente hacia ella. Este proceso tambi\u00e9n se ilustra en la figura siguiente.<\/p>\n<figure id=\"attachment_4381\" aria-describedby=\"caption-attachment-4381\" style=\"width: 1111px\" class=\"wp-caption aligncenter\"><img decoding=\"async\" class=\"wp-image-4381 size-full\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding1.png\" alt=\"Representaci\u00f3n gr\u00e1fica del m\u00e9todo de optimizaci\u00f3n bayesiano. (Fuente: Olson, Randal y Moore, Jason. (2019). TPOT: A Tree-Based Pipeline Optimization Tool for Automating Machine Learning).\" width=\"1111\" height=\"1083\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding1.png 1111w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding1-300x292.png 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding1-1024x998.png 1024w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding1-768x749.png 768w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/Afbeelding1-12x12.png 12w\" sizes=\"(max-width: 1111px) 100vw, 1111px\" \/><figcaption id=\"caption-attachment-4381\" class=\"wp-caption-text\">Representaci\u00f3n gr\u00e1fica del m\u00e9todo de optimizaci\u00f3n bayesiano. (Fuente: Olson, Randal y Moore, Jason. (2019). TPOT: A Tree-Based Pipeline Optimization Tool for Automating Machine Learning).<\/figcaption><\/figure>\n<p>La imagen superior muestra diferentes iteraciones del algoritmo de optimizaci\u00f3n. En la imagen superior, ya se han realizado dos c\u00e1lculos, por lo que en estos dos puntos sabemos exactamente cu\u00e1l es el valor, en nuestro caso la longitud total de la perforaci\u00f3n. Cuanto m\u00e1s nos alejemos de estas simulaciones, mayor ser\u00e1 la incertidumbre.<\/p>\n<p>En la siguiente iteraci\u00f3n, la n\u00famero 3, queremos probar otra configuraci\u00f3n de perforaci\u00f3n con la mayor probabilidad de darnos una longitud total de perforaci\u00f3n a\u00fan menor. Por lo tanto, buscamos el punto m\u00e1s bajo dentro de nuestros l\u00edmites de incertidumbre mostrados en azul y calculamos un nuevo punto. Repitiendo este proceso, los l\u00edmites de incertidumbre se hacen m\u00e1s peque\u00f1os y convergemos hacia un \u00f3ptimo.<\/p>\n<blockquote><p><span style=\"color: #3366ff;\"><strong>Nota<\/strong><\/span><br \/>\n<span style=\"color: #3366ff;\">Dado que el primer paso de este algoritmo consiste en probar una serie de configuraciones aleatorias del campo de sondeo para inicializar los l\u00edmites de incertidumbre, es posible que obtengamos soluciones diferentes al ejecutar esta optimizaci\u00f3n varias veces. Esto es inherente a la optimizaci\u00f3n de problemas no convexos. Con el m\u00e9todo bayesiano, sin embargo, siempre tenemos un alto nivel de certeza de que estamos al menos cerca de una soluci\u00f3n \u00f3ptima.<\/span><\/p><\/blockquote>\n<h2>Calcular el tama\u00f1o y la profundidad necesarios en GHEtool Cloud<\/h2>\n<p>A partir de hoy, este m\u00e9todo se implementa como un nuevo objetivo disponible para todos nuestros usuarios llamado <strong>calcular el tama\u00f1o y la profundidad necesarios<\/strong>. En este m\u00e9todo, la pesta\u00f1a borefield pasa de ser un selector de configuraci\u00f3n a un lugar donde introducir los l\u00edmites de optimizaci\u00f3n, como se muestra a continuaci\u00f3n.<\/p>\n<figure id=\"attachment_4383\" aria-describedby=\"caption-attachment-4383\" style=\"width: 1609px\" class=\"wp-caption aligncenter\"><img loading=\"lazy\" decoding=\"async\" class=\"wp-image-4383 size-full\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/GHEtool-Cloud-printscreen.png\" alt=\"Pantalla de impresi\u00f3n de la pesta\u00f1a borefield en GHEtool Cloud.\" width=\"1609\" height=\"534\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/GHEtool-Cloud-printscreen.png 1609w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/GHEtool-Cloud-printscreen-300x100.png 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/GHEtool-Cloud-printscreen-1024x340.png 1024w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/GHEtool-Cloud-printscreen-768x255.png 768w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/GHEtool-Cloud-printscreen-1536x510.png 1536w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/GHEtool-Cloud-printscreen-18x6.png 18w\" sizes=\"(max-width: 1609px) 100vw, 1609px\" \/><figcaption id=\"caption-attachment-4383\" class=\"wp-caption-text\">Pantalla de impresi\u00f3n de la pesta\u00f1a borefield en GHEtool Cloud.<\/figcaption><\/figure>\n<p>A la izquierda de esta pesta\u00f1a de campo de sondeo, puede introducir las limitaciones de dise\u00f1o de la simulaci\u00f3n, es decir, qu\u00e9 configuraciones est\u00e1n permitidas, la profundidad m\u00ednima y m\u00e1xima, etc. A la derecha, encontrar\u00e1 los par\u00e1metros relacionados con el marco de optimizaci\u00f3n. Adem\u00e1s del espacio disponible y el tama\u00f1o del paso para la separaci\u00f3n entre perforaciones, hay tres par\u00e1metros adicionales: el n\u00famero m\u00ednimo y m\u00e1ximo de perforaciones y el n\u00famero de b\u00fasquedas.<\/p>\n<p>Una buena estimaci\u00f3n de los dos primeros valores puede ayudar a acelerar el tiempo de c\u00e1lculo, ya que el algoritmo ignorar\u00e1 cualquier n\u00famero de perforaciones fuera de este rango. Si desea una libertad de dise\u00f1o total, puede simplemente dejar el rango suficientemente grande.<\/p>\n<p>El \u00faltimo par\u00e1metro es el n\u00famero de b\u00fasquedas propiamente dicho. Como ya se ha explicado, cuantas m\u00e1s b\u00fasquedas se realicen, m\u00e1s precisa ser\u00e1 la soluci\u00f3n \u00f3ptima. Para campos de sondeo peque\u00f1os, cincuenta suelen ser suficientes para obtener un buen resultado, mientras que para campos de sondeo m\u00e1s grandes con una amplia huella disponible y muchas configuraciones potenciales, utilizar cien o m\u00e1s b\u00fasquedas puede ser una buena idea.<\/p>\n<figure id=\"attachment_4384\" aria-describedby=\"caption-attachment-4384\" style=\"width: 1602px\" class=\"wp-caption aligncenter\"><img loading=\"lazy\" decoding=\"async\" class=\"wp-image-4384 size-full\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/List-of-potential-configurations.png\" alt=\"Tabla con todas las posibles configuraciones del campo de perforaci\u00f3n.\" width=\"1602\" height=\"692\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/List-of-potential-configurations.png 1602w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/List-of-potential-configurations-300x130.png 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/List-of-potential-configurations-1024x442.png 1024w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/List-of-potential-configurations-768x332.png 768w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/List-of-potential-configurations-1536x663.png 1536w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/12\/List-of-potential-configurations-18x8.png 18w\" sizes=\"(max-width: 1602px) 100vw, 1602px\" \/><figcaption id=\"caption-attachment-4384\" class=\"wp-caption-text\">Tabla con todas las posibles configuraciones del campo de perforaci\u00f3n.<\/figcaption><\/figure>\n<p>El resultado de este objetivo es una tabla con todos los posibles buenos candidatos que la estrategia de optimizaci\u00f3n ha identificado, ordenados desde la soluci\u00f3n con menor longitud total de perforaci\u00f3n hasta la de mayor longitud. La mejor soluci\u00f3n ya est\u00e1 simulada y se muestra en el escenario.<\/p>\n<blockquote><p><span style=\"color: #339966;\"><strong>Sugerencia<\/strong><\/span><br \/>\n<span style=\"color: #339966;\">Si desea simular otra posible configuraci\u00f3n, s\u00f3lo tiene que hacer doble clic en la l\u00ednea y se crear\u00e1 un nuevo escenario con esa configuraci\u00f3n.<\/span><\/p><\/blockquote>\n<p>Una nota importante es que las profundidades y longitudes totales incluyen un s\u00edmbolo de tilde para indicar que hay cierta incertidumbre en estos resultados. Esto se debe a que se utiliz\u00f3 la RNA en el backend, lo que puede dar lugar a resultados ligeramente diferentes. Aunque se espera que las soluciones propuestas sean las mejores opciones, las profundidades pueden estar ligeramente desviadas. Para solucionar este problema, la pesta\u00f1a general incluye una nueva opci\u00f3n espec\u00edfica llamada \u2018Calcular con precisi\u00f3n la configuraci\u00f3n \u00f3ptima\u2019. Cuando esta opci\u00f3n est\u00e1 activada, la configuraci\u00f3n m\u00e1s prometedora tras la optimizaci\u00f3n se vuelve a simular sin la RNA para determinar la profundidad de perforaci\u00f3n exacta necesaria.<\/p>\n<h2>Conclusi\u00f3n<\/h2>\n<p>Este art\u00edculo introduce un nuevo y potente m\u00e9todo en GHEtool Cloud: el c\u00e1lculo autom\u00e1tico del tama\u00f1o y la profundidad necesarios del campo de sondeo. Con la implementaci\u00f3n de una red neuronal artificial y el poder de la optimizaci\u00f3n bayesiana, ahora puede introducir la informaci\u00f3n del terreno, la huella disponible y la carga del edificio y dejar que el algoritmo haga el resto.<\/p>\n<h2 id=\"reference\">Referencias<\/h2>\n<ul>\n<li>Vea nuestro v\u00eddeo explicativo en nuestra p\u00e1gina de YouTube haciendo clic en <span style=\"text-decoration: underline;\"><a href=\"https:\/\/youtu.be\/esWVMbOUOjo\" target=\"_blank\" rel=\"noopener\">aqu\u00ed<\/a><\/span>.<\/li>\n<\/ul>","protected":false},"excerpt":{"rendered":"<p>The design of shallow geothermal borefields is always a little bit trial-and-error, but what if it isn&#8217;t? Today we release, for everyone, a new automated method that let you calculate the required borefield depth and size simultaneous!<\/p>","protected":false},"template":"","pdf-article":[109],"authors":[39],"knowledgebase-category":[66,67,30],"class_list":["post-4380","knowledgebase","type-knowledgebase","status-publish","hentry","pdf-article-required-borefield-size","authors-wouter-peere","knowledgebase-category-methods","knowledgebase-category-physics","knowledgebase-category-tutorial"],"_links":{"self":[{"href":"https:\/\/ghetool.eu\/es_es\/wp-json\/wp\/v2\/knowledgebase\/4380","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ghetool.eu\/es_es\/wp-json\/wp\/v2\/knowledgebase"}],"about":[{"href":"https:\/\/ghetool.eu\/es_es\/wp-json\/wp\/v2\/types\/knowledgebase"}],"wp:attachment":[{"href":"https:\/\/ghetool.eu\/es_es\/wp-json\/wp\/v2\/media?parent=4380"}],"wp:term":[{"taxonomy":"pdf-article","embeddable":true,"href":"https:\/\/ghetool.eu\/es_es\/wp-json\/wp\/v2\/pdf-article?post=4380"},{"taxonomy":"authors","embeddable":true,"href":"https:\/\/ghetool.eu\/es_es\/wp-json\/wp\/v2\/authors?post=4380"},{"taxonomy":"knowledgebase-category","embeddable":true,"href":"https:\/\/ghetool.eu\/es_es\/wp-json\/wp\/v2\/knowledgebase-category?post=4380"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}